利用numpy 和tensorflow 、pytorch 搭建全连接神经网络。使用numpy 实现此练习需要自己手动求导，而tensorflow 和pytorch 具有自动求导机制。 ## 数据集: MNIST数据集包括60000张训练图片和10000张测试图片。图片样本的数量已经足够训练一个很复杂的模型（例如 CNN的深层神经网络）。它经常被用来作为一个新 的模式识别模型的测试用例。而且它也是一个方便学生和研究者们执行用例的数据集。除此之外，MNIST数据集是一个相对较小的数据集，可以在你的笔记本CPUs上面直接执行 ## 题目要求： ​ 补全full_connection_numpy.ipynb 和 full_connection_tensorflow.ipynb中空缺的部分。

人工智能与深度学习最好的入门资源.docx

MATLAB工程项目：水果识别系统（深度学习，颜色，形状，图片多水果识别，水果分级，GUI界面，步骤详细）

作者 | 黄浴，奇点汽车美研中心首席科学家兼总裁 转载自知乎   AI科技大本营编辑 简单回顾的话，2006年Geoffrey Hinton的论文点燃了“这把火”，现在已经有不少人开始泼“冷水”了，主要是AI泡沫太大，而且深度学习不是包治百病的药方。 计算机视觉不是深度学习最早看到突破的领域，真正让大家大吃一惊的颠覆传统方法的应用领域是语音识别，做出来的公司是微软，而不是当时如日中天的谷歌。计算机视觉应用深度学习堪称突破的成功点是2012年ImageNet比赛，采用的模型是CNN，而不是Hinton搞的RBM和DBN之类，就是Hinton学生做出来以他命名的AlexNet。 （注：顺便提

参考资料，https://zhuanlan.zhihu.com/p/32089487，本实现参考借鉴了该资源，本实现的立体四子棋为落子有限制版的立体四子棋(qubic),必须先下下层的棋子，上层的相关棋子才能继续落子，经过3500次的训练，ai水平基本可以了，模型为best_policy.model，python human_play.py即可对战。训练使用python train.py. python版本2

手写数字识别数据集，MNIST000

银行卡的数据集比较难找,现将近期收集整理的一些免费分享给大家,可用用于深度学习的模型训练等,一共包含3种类型的近千张数据.

文字图像匹配度检测软件（基于CLIP、Transformers等实现） 使用CLIP（对比图文预训练方法）提供的图文匹配度检测接口，使用huggingface基于Transformers的机器模型实现离线翻译，因此输入中英文均可检测。前端图形化界面使用PYQT开发,并使用了qdarkstyle进行优化 左边一栏是候选文字语句，右边一栏是对应每条文字语句的匹配度 支持中英文

（1）、掌握一种深度学习框架； （2）、能设计一种神经网络对图像进行分类。 （3）、图像分类的数据集为CIFAR-10，CIFAR-10共60000张彩色图像，图像大小为3通道的32*32，分为10类，每类6000张。其中50000张用于训练，10000张用于测试。数据集获取地址为： http://ai-atest.bj.bcebos.com/cifar-10-python.tar.gz

yolov5.pt（包含四个类）