总结了深度学习中的分类网络，从Le-net，Alex-net,Vgg,googlenet(inceptionv1,v2,v3),netinnet,resnet50,SEnet,mobilenet,shuffleNet,还总结了相应的知识点。
2025/8/1 17:01:18
1.64MB
1
采用mobilenet_v1替换原作者采用的resnet50，对于coco2014数据集进行重新训练,迭代了160k次，最终得到的模型模型大小为93m,原模型270多m，同时运算速度大大的提升了，感兴趣的同学可以去下载一下，不用gpu,可以直接在配置好环境的CPU就可以跑起来！
2025/5/6 17:30:33
92.76MB
1
resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5速度快，准确率高，参数不多50层残差网络模型,权重训练自ImageNet该模型在Theano和TensorFlow后端均可使用,并接受channels_first和channels_last两种输入维度顺序模型的默认输入尺寸:224x224
2025/3/13 0:22:32
90.27MB
1
tensorflow为后端的keras框架实现遥感场景分类，使用的模型为VGG16和Resnet50，可以从头自己训练模型，也可以使用迁移学习，进行模型微调
2024/7/15 13:52:05
unknown
1
适用于吴恩达的深度学习第四课-卷积神经网络第二周的残差网络的权值集，由于CSDN有文件大小限制，我这里只上传百度网盘的下载地址，文件大小是270.41MB。
这是博主自己训练的结构权值集，博主博客地址：https://blog.csdn.net/u013733326/article/details/80250818。
这是博主自己训练的结构权值集，博主博客地址：https://blog.csdn.net/u013733326/article/details/80250818。
2024/7/4 20:50:36
87B
1
MATLAB工具包DEEPLEARNINGTOOLBOX(一)DeepLearningToolbox提供了一个用于通过算法、预训练模型和应用程序来设计和实现深度神经网络的框架。
我们可以使用卷积神经网络（ConvNet、CNN）和长短期记忆(LSTM)网络对图像、时序和文本数据执行分类和回归。
我们可以使用卷积神经网络（ConvNet、CNN）和长短期记忆(LSTM)网络对图像、时序和文本数据执行分类和回归。
2023/12/18 13:27:37
91.48MB
1
resnet预训练模型有resnet18.caffemodel，resnet50.caffemodel，resnet101.caffemodel，resnet152.caffemodel
2023/10/25 19:38:26
508.41MB
1
resnet50_weights_tf_dim_ordering_tf_kernels_notopLinux下是放在“~/.keras/models/”中Win下则放在Python的“settings/.keras/models/”中Windows-weights路径：C:\Users\你的用户名\.keras\modelsanaconda下依然好用
2023/9/28 23:31:32
83.48MB
1
实施与ImageNet-预训练ResNet50图像编码器和FC/FC-UpConv解码器变化：支持以视图为中心和以形状为中心的训练（以形状为中心的效果更好）同时支持倒角距离和土方距离，因为损耗（EMD速度较慢，但性能要好一些）训练10,000个地面真点可提高1K/2K训练的性能（这类似于最近基于SDF的方法，其中通常会采样＞10,000个查询点）要使用，请先编译cd和emd（请参阅自述文件），然后运行bashtrain.sh要下载数据，请单击下载Chair数据（10K采样点云+24个随机视角的渲染图像）。
请注意，这是在PartNet数据拆分之后进行的。
您需要切换到其他论文中使用的那些。
在Ubuntu16.04，Cuda9.0，Python3.6.5，PyTorch1.1.0上测试了代码。
此代码使用Blenderv2.79渲
请注意，这是在PartNet数据拆分之后进行的。
您需要切换到其他论文中使用的那些。
在Ubuntu16.04，Cuda9.0，Python3.6.5，PyTorch1.1.0上测试了代码。
此代码使用Blenderv2.79渲
2023/9/13 16:11:43
290KB
1
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。
2024-04-09 15:03
15KB