深度预测 使用深度残差网络进行深度预测。 @ iro-cp的原始代码和论文在这里找到： : @iapatil的此版本也为我提供了帮助，可在此处找到： : 写在PyTorch中。 要运行，请从下载预训练的numpy权重并将其保存在当前目录中。 然后，激活PyTorch环境并运行 python predict.py 输出将另存为output_image.png 。 我的文章详细介绍和实现可以在找到。

keras-resnet：用于深度残差网络的Keras软件包

针对人脸表情识别，传统方法主要依赖人工提取特征的优劣，算法的鲁棒性较差，而传统卷积神经网络无法提取到更深层次的图像特征，因此该文将采用深度残差网络进行人脸表情识别。ResNet网络主要由残差模块组成，将残差模块的输出送入到全连接层进行特征的融合，最后由Softmax分类器进行分类。该文将输入残差模块之前的卷积层进行改进，使用并行的小卷积代替原来的卷积，使其可以提取到更深层次且不同尺度的图像特征以易于识别。在公用数据集CK+上进行多次实验，结果证明该方法具有较高的准确率。

行业分类-物理装置-基于随机深度残差网络的高光谱图像分类方法.zip

Deep Residual Learning for Image Recognition 深度残差网络论文笔记 蓝：生疏词汇 红：疑惑 黄：重点 绿：次重点 使用Edge浏览器可编辑

基于深度残差网络的人脸关键点检测

EDSR Tensorflow实施 使用Tensorflow编写的的的实现。 要求 张量流 科学的 tqdm argparse 安装 pip install -r requirements.txt 训练 为了训练，您必须做一些事情... 下载图像数据集（由于我的计算限制，我使用了 ） 将来自该数据集的所有图像放入该图像下的目录中 运行python train.py --dataset data_dir其中data_dir是包含图像的目录 为了在训练期间查看统计信息（图像预览，标量为损失），只需运行tensorboard --logdir your_save_directory ，其中y

何凯明的深度残差网络 PPT 对应相应论文的PPT 仅供学习交流使用