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

**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。

《MilanSonka-ImageProcessing,AnalysisandMachineVision》是图像处理、分析和机器视觉领域的一本经典教材，第3版提供了高清英文原版的PDF版本。
这本书深入浅出地探讨了图像处理的基础理论和应用，是计算机视觉、电子工程、生物医学工程等相关专业学生和研究人员的重要参考书。
我们要理解图像处理的基本概念。
图像处理涉及到对数字图像进行各种操作，以改善其质量、提取有用信息或进行分析。
这包括图像增强、去噪、分割和复原等技术。
例如，图像增强通过调整亮度、对比度来优化视觉效果；
去噪则通过滤波器去除图像中的噪声；
图像分割将图像区域划分为不同的对象或类别，便于进一步分析。
机器视觉则是图像处理的一个重要应用领域，它使计算机能够“看”并理解图像。
在《MilanSonka》一书中，读者可以学习到如何构建和应用机器视觉系统。
这包括特征检测（如边缘检测、角点检测）、模板匹配、模式识别和物体识别等技术。
这些技术在自动驾驶、无人机导航、工业自动化和医疗诊断等领域有着广泛应用。
此外，书中还涵盖了与机器学习相关的主题，如监督学习和无监督学习，它们在图像分类、目标检测和图像识别任务中至关重要。
支持向量机（SVM）、神经网络、深度学习框架（如卷积神经网络CNN）等现代机器学习方法也是书中讨论的重点。
深度学习，尤其是深度卷积网络，已经在图像处理和计算机视觉领域取得了突破性进展，极大地推动了人脸识别、图像生成和自动驾驶等技术的发展。
书中还涉及到了图像分析，这是对图像内容进行理解和解释的过程。
这包括图像理解、场景分析和行为识别。
图像理解需要从图像中提取高级语义信息，比如识别出图像中的物体、场景和事件。
场景分析则涉及环境的理解，例如确定图像中的背景、前景和物体之间的关系。
行为识别则关注动态图像中的动作和活动，如行人跟踪和运动分析。
书中还涵盖了实际应用中的算法实现和评估方法，这对于任何从事图像处理和机器视觉研究的人来说都是必不可少的知识。
实验部分通常会介绍如何使用编程语言（如MATLAB或Python）实现所讨论的算法，并提供数据集和代码示例。
《MilanSonka-ImageProcessing,AnalysisandMachineVision》是一部全面覆盖图像处理、分析和机器视觉的教材，无论你是初学者还是经验丰富的专业人士，都能从中受益匪浅。
通过深入学习这本书，你可以掌握图像处理的基本原理，理解机器视觉的核心技术，并了解如何将这些知识应用于实际项目中。

用于深度学习框架的植物病虫害数据集

本文将介绍一种基于深度学习和稀疏表达的人脸识别算法。
首先，利用深度学习框架(VGGFace)提取人脸特征；
其次，利用PCA对提取的特征进行降维；
最后，利用稀疏表达分类实现特征匹配。
我采用CMC曲线评价在AR数据库上的识别性能。
最后我还提供了整个过程的code。

最经典的VGG代码，是深度学习的基础，适合配合VGG代码一起阅读使用，非常适合深度学习初学者阅读学习深度学习框架构建规则。

├─1.计算机视觉简介、环境准备(python,ipython)│computervsion.pdf│CS231introduction.pdf│├─2.图像分类问题简介、kNN分类器、线性分类器、模型选择│2.图像分类简介、kNN与线性分类器、模型选择.mp4│2.初识图像分类.pdf│├─3.再谈线性分类器│3.再谈线性分类器.mp4│再谈线性分类器.pdf│├─4.反向传播算法和神经网络简介│.反向传播算法和神经网络简介.pdf│4.反向传播算法和神经网络简介.mp4│├─5.神经网络训练1│5.-神经网络训练1.pdf│5.神经网络训练1.mp4│├─6.神经网络训练2、卷积神经网络简介│6.神经网络训练2.mp4│神经网络训练2.pdf│├─7.卷积神经网络│7.卷积神经网络.mp4│Lession7.pdf│├─8.图像OCR技术的回顾、进展及应用前景│8.图像OCR技术的回顾、进展及应用前景.mp4│PhotoOCR_xbai.pdf│└─9.物体定位检测物体定位检测.pdf│├─10.卷积神经网络可视化│.卷积神经网络可视化.pdf│10.卷积神经网络可视化.mp4│├─11.循环神经网络及其应用│11.循环神经网络及其应用.mp4│循环神经网络.pdf│├─12.卷积神经网络实战│12.卷积神经网络训练实战.mp4│卷积神经网络实战.pdf│├─13.常见深度学习框架介绍│常见深度学习框架介绍.pdf│├─14.图像切割│14.图像切割.mp4

相信社区中很多小伙伴和我一样使用了很长时间的Caffe深度学习框架，也非常希望从代码层次理解Caffe的实现从而实现新功能的定制。
本文将从整体架构和底层实现的视角，对Caffe源码进行解析。
Caffe框架主要有五个组件，Blob，Solver，Net，Layer，Proto，其结构图如下图1所示。
Solver负责深度网络的训练，每个Solver中包含一个训练网络对象和一个测试网络对象。
每个网络则由若干个Layer构成。
每个Layer的输入和输出Featuremap表示为InputBlob和OutputBlob。
Blob是Caffe实际存储数据的结构，是一个不定维的矩阵，在Caffe中一般用来表

基于Pytorch和torchtext的知识图谱深度学习框架，包含知识表示学习、实体识别与链接、实体关系抽取、事件检测与抽取、知识存储与查询、知识推理六大功能模块，已实现了命名实体识别、关系抽取、事件抽取、表示学习等功能。

采用tensorflow深度学习框架对手写数字识别的一整套代码

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。