本资料为基于python的卷积神经网络(CNN)实现layer文件夹中包括卷积层、池化层、全连接层、relu层等基础层没有调用tensorflow,pytorch等深度学习框架，手动实现了各层的反向传播BP算法

高斯卷积模板(高斯函数)Matlab代码，可实现二维高斯卷积模板的生成功能。
M文件，可用记事本打开。

DeepLearningToolbox™提供了一个框架，用于设计和实现具有算法，预训练模型和应用程序的深度神经网络。
您可以使用卷积神经网络（ConvNets，CNN）和长期短期记忆（LSTM）网络对图像，时间序列和文本数据进行分类和回归。
应用程序和图表可帮助您可视化激活，编辑网络体系结构以及监控培训进度。
对于小型训练集，您可以使用预训练的深层网络模型（包括SqueezeNet，Inception-v3，ResNet-101，GoogLeNet和VGG-19）以及从TensorFlow™-Keras和Caffe导入的模型执行传输学习。
了解深度学习工具箱的基础知识深度学习图像从头开始训练卷积神经网络或使用预训练网络快速学习新任务使用时间序列，序列和文本进行深度学习为时间序列分类，回归和预测任务创建和训练网络深度学习调整和可视化绘制培训进度，评估准确性，进行预测，调整培训选项以及可视化网络学习的功能并行和云中的深度学习通过本地或云中的多个GPU扩展深度学习，并以交互方式或批量作业培训多个网络深度学习应用通过计算机视觉，图像处理，自动驾驶，信号和音频扩展深度学习工作流程深度学习导入，导出和自定义导入和导出网络，定义自定义深度学习图层以及自定义数据存储深度学习代码生成生成MATLAB代码或CUDA®和C++代码和部署深学习网络函数逼近和聚类使用浅层神经网络执行回归，分类和聚类时间序列和控制系统基于浅网络的模型非线性动态系统;使用顺序数据进行预测。

基于参考信号自动估计的超声图像稀疏反卷积方法

这是一个定点的多带OFDM物理层发射机_接收机模型,共122个子载波,22个导频,采用QPSK调制,5_8前向纠错码(删余卷积码.)

基于HLS的Tiny_yolo卷积神经网络加速研究，从论文的角度对基于FPGA的深度学习实现方法进行了说明

基于CNN分类器和卷积的目标检测基于CNN分类器和卷积的目标检测基于CNN分类器和卷积的目标检测基于CNN分类器和卷积的目标检测

用于可视化深度卷积网络学习得到的深度卷积特征的可视化，基于python运行和使用！

实用语音识别基础--21世纪高等院校技术优秀教材ISBN:711803746作者:王炳锡屈丹彭煊出版社:国防工业出版社本书从语音识别的基本理论出发，以“从理论到实用”为主线，讲解了国际上最新、最前沿的语音识别领域的关键技术，从语料库建立、语音信号预处理、特征提取、特征变换、模型建立等方面详细介绍了语音识别系统建立的过程，并针对语音识别系统实用化的问题，给出了一些改善语音识别系统性能的关键技术，力求语音识别能走出实验室，向实用发展。
　　全书共分四个部分(17章)，第一部分介绍语音识别的基本理论；
第二部分介绍实用语音识别系统建立的过程；
第三部分列举了语音识别系统工程化所需的关键技术；
第四部分对语音识别的4个主要应用领域进行了详尽的、深入浅出的讲解，并根据最新的研究与实验结果提供了大量的实际参数、图表，与实际工作联系紧密，具有很强的可操作性与实用性。
章节之间紧密配合、前后呼应，具有很强酶系统性。
同时，通过书中的研究过程和研究方法，读者能够在以后的研究工作中得到很大的启发。
　　本书可作为高等院校理工科通信和信息处理及相关专业的高年级本科生和(硕士、博士)研究生的教材或参考书，也可供从事信息处理、通信工程等专业的研究人员参考。
　　目录:　　第1章绪论　　1.1概述　　1.2语音识别综述　　1.3国内外语音识别的研究现状和发展趋势　　参考文献　　第一部分基本理论　　第2章听觉机理和汉语语音基础　　2.1概述　　2.2听觉机理和心理　　2.2.1语音听觉器官的生理结构　　2.2.2语音听觉的心理　　2.3发音的生理机构与过程　　2.4汉语语音基本特性　　2.4.1元音和辅音　　2.4.2声母和韵母　　2.4.3音调字调　　2.4.4音节字构成　　2.4.5汉语的波形特征　　2.4.6音的频谱特性　　2.4.7辅音的频谱特性　　2.4.8汉语语音的韵律特征　　2.5小结　　参考文献　　第3章语音信号处理方法--时域处理　　3.1概述　　3.2语音信号的数字化和预处理　　3.2.1语音信号的数字化　　3.2.2语音信号的预处理　　3.3短时平均能量和短时平均幅度　　3.3.1短时平均能量　　3.3.2短时平均幅度　　3.4短时过零分析　　3.4.1短时平均过零率　　3.4.2短时上升过零间隔　　3.5短时自相关函数和平均幅度差函数　　3.5.1短时自相关函数　　3.5.2短时平均幅度差函数　　3.6高阶统计量　　3.6.1单个随机变量情况　　3.6.2多个随机变量及随机过程情况　　3.6.3高斯过程的高阶累积量　　3.7小结　　参考文献　　第4章语音信号处理方法--时频处理　　4.1概述　　4.2短时傅里叶变换　　4.2.1短时傅里叶变换的定义和物理意义　　4.2.2基于短时傅里叶变换的语谱图及其时频分辨率　　4.2.3短时傅里叶谱的采样　　4.3小波变换　　4.3.1连续小波变换　　4.3.2二进小波变换　　4.3.3离散小波变换　　4.3.4多分辨分析　　4.3.5正交小波包　　4.4Wigner分布　　4.4.1Wigner分布的定义　　4.4.2Wigner分布的一般性质　　4.4.3两个信号和妁Wigner分布　　4.4.4Wigner分布的重建　　4.4.5Wigner分布的实现　　4.5小结　　参考文献　　第5章语音信号处理方法--倒谱同态处理　　5.1概述　　5.2复倒谱和倒谱　　5.2.1定义　　5.2.2复倒谱的性质　　5.3语音信号的倒谱分析与同态解卷积　　5.3.1叠加原理和广义叠加原理　　5.3.2同态解卷特征系统和同态解卷反特征系统　　5.3.3同态解卷系统　　5.3.4语音的复倒谱及同态解卷　　5.4避免相位卷绕的算法　　5.4.1最小相位信号法　　5.4.2递归法

**DFace**是个开源的深度学习人脸检测和人脸识别系统。
所有功能都采用　**[pytorch](https://github.com/pytorch/pytorch)**　框架开发。
pytorch是一个由facebook开发的深度学习框架，它包含了一些比较有趣的高级特性，例如自动求导，动态构图等。
DFace天然的继承了这些优点，使得它的训练过程可以更加简单方便，并且实现的代码可以更加清晰易懂。
DFace可以利用CUDA来支持GPU加速模式。
我们建议尝试linuxGPU这种模式，它几乎可以实现实时的效果。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。