MNIST深度学习入门级资源，相当于编程的helloworld

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

用于函数逼近的rbf的matlab代码，有结果图和实验报告，可运行

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。

cudnn显卡驱动相关

软件系统主要分为两大部分：Device1（默认）和Device2，Device1就是个虚拟示波器，信号都是由labview函数产生的，使用者可以使用面板上的大部分功能。
Device2是一个扩展接口，并没有功能，后继开发者可以在其中添加自己的代码，比如你自己写个USB通信的程序可以接受单片机传来的数据，然后处理，显示等等。
所以当选择Device2时，软件会提示这是一个扩展接口，点击确定后马上转回Device1继续运行。

目标检测NMS-GPU和Cython（非极大值抑制）在window下的编译文件，包括soft_NMS实现。
小批量情况下Cython速度高于GPU

不多解释了，收集，训练，算法。
全套最新程序，自动巡线。
该源码主要应用导航，不需要激光雷达传感器，只需要一个中央摄像头、PC作为图像处理外设。
在树莓派应用opencv就可以对小车进行定位，并且进行路径规划，到达指定的目的地。

知名的斯坦福兔子的三维点云数据，ply格式，最近在做三维重建的项目，自己亲自打开，使用过，绝对没问题。

神经网络正则化，有效解决网络在训练过程中的过拟合。