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。

SI_NI_FSGM预训练模型，只包含RESNET_V2_101模型

densenet201_weights_tf_dim_ordering_tf_kernels_notop.h5，keras预训练模型，densenet201

第一次架子啊预训练模型时，下载速度特别慢，而且很多时候回断，特别烦人。
因此把所有模型下载打包，分享出来供有需求的人下载。
因为上传大小限制，只能用百度网盘分享，也添加了安装说明。

deep_sort_yolo3进行的多目标跟踪,效果不错,在1080ti上可以做到实时,由于csdn上不能上传大于220MB的文件,如果有不会训练模型的朋友,可以私聊我

机器学习及其分支深度学习主要任务是模拟或者实现人类学习行为，这些学习方法近年来在目标分类、语音识别等各项任务中取得巨大突破。
机器学的各种优化器极大了改善了学习模型的训练速度和泛化误差。
优化方法和超参数作为观察训练模型的窗口，能够探索学习模型的结构和训练机制，是机器学习研究的重点之一。
对机器学习的优化器与超参数理论研究进行了综述，回顾了超参数的一般搜索方法，对和优化器直接关联的批量大小、学习率超参数的设置方法进行了总结，对优化器和超参数需要进一步研究的问题进行了讨论。

原文件为zhwiki-latest-pages-articles.xml.bz2，大小为1.7G，最新时间为19年7月下载，转为txt文本，繁转简，分词，gensim训练后的model文件

图像分类-卷积神经网络：使用MNIST时尚数据集，构建了卷积神经网络将图像分类为10个类别之一。
使用TensorFlowFramework和Keras库实现了CNN。
在GoogleColab上以60,000张图像训练模型

数据集在IT行业中，特别是在机器学习和计算机视觉领域，扮演着至关重要的角色。
"各种病虫害的高清数据集"是一个专门针对农业病虫害识别的图像数据集，它包含了五个不同类别的高清图片，这些图片是jpg格式，非常适合用于训练和测试深度学习模型。
我们来详细了解一下数据集的概念。
数据集是模型训练的基础，它包含了一系列有标记的样本，这些样本用于训练算法学习特定任务的特征和模式。
在这个案例中，数据集中的每个样本都是一张病虫害的高清图片，可能包括农作物上的疾病症状或害虫。
这些图片经过分类，分别属于五个不同的类别，这意味着模型将需要学习区分这五种不同的病虫害类型。
在计算机视觉任务中，高清图片通常能提供更多的细节，有助于模型更准确地学习和理解图像特征。
jpg格式是一种常见的图像存储格式，它采用了有损压缩算法，能在保持图像质量的同时，减少文件大小，适合在网络传输和存储中使用。
对于这样的数据集，可以进行以下几种机器学习任务：1.图像分类：训练一个模型，输入一张病虫害图片，输出图片所属的类别。
例如，输入一张叶片有斑点的图片，模型应该能够判断出这是哪种病害。
2.目标检测：除了识别类别，还需要确定病虫害在图片中的位置，这要求模型能够定位并框出病虫害的具体区域。
3.实例分割：进一步细化目标检测，不仅指出病虫害的位置，还能精确到每个个体，这对于计算病虫害数量或者分析病害程度非常有用。
4.异常检测：训练模型识别健康的农作物图像，当出现病虫害时，模型会发出警报，帮助农民尽早发现并处理问题。
构建这样的模型通常涉及以下几个步骤：1.数据预处理：包括图片的缩放、归一化、增强（如翻转、旋转）等，目的是提高模型的泛化能力。
2.模型选择：可以使用经典的卷积神经网络（CNN），如AlexNet、VGG、ResNet等，或者预训练模型如ImageNet上的模型，再进行微调。
3.训练与验证：通过交叉验证确保模型不会过拟合，并调整超参数以优化性能。
4.测试与评估：在独立的测试集上评估模型的性能，常用的指标有准确率、召回率、F1分数等。
5.部署与应用：将训练好的模型部署到实际系统中，如智能手机APP或农田监控系统，实时识别并报告病虫害情况。
"各种病虫害的高清数据集"为开发精准的农业智能识别系统提供了基础，通过AI技术可以帮助农业实现智能化、精准化管理，提升农作物的产量和质量，对现代农业发展具有重要意义。

ssd_mobilenet_v1_coco_2017_11_17tensorflow预训练模型

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。