– Volume 2 – 20 Deep Learning 21 Convolutional Neural Nets (CNNs) 22 Recurrent Nerual Nets (RNNs) 23 Keras Part 1 24 Keras Part 2 25 Autoencoders 26 Reinforcement Learning 27 Generative Adversarial Networks (GANs) 28 Creative Applications 29 Datasets 30 Glossary

SincNet SincNet是用于处理原始音频样本的神经体系结构。 这是一种新颖的卷积神经网络（CNN），它鼓励第一个卷积层发现更多有意义的滤波器。 SincNet基于参数化的Sinc函数，这些函数实现了带通滤波器。 与学习每个滤波器的所有元素的标准CNN相比，所提出的方法只能从数据中直接学习低和高截止频率。 这提供了一种非常紧凑而有效的方式来导出专门针对所需应用进行了调整的定制滤波器组。 该项目发布了一系列代码和实用程序，可通过SincNet进行说话人识别。 使用TIMIT数据库提供了说话人识别的示例。 如果您对应用于语音识别的SincNet感兴趣，可以查看PyTorch-Kaldi

Deep Learning for Computer Vision with Python Practioner Bundle + Starter Bundle by Adrian Rosebrock of PyImageSearch

Deep Learning with Python introduces the field of deep learning using the Python language and the powerful Keras library. Written by Keras creator and Google AI researcher François Chollet, this book builds your understanding through intuitive explanations and practical examples. You'll explore challenging concepts and practice with applications in computer vision, natural-language processing, and generative models. By the time you finish, you'll have the knowledge and hands-on skills to apply deep learning in your own projects.

总共1000多页，很好的资料，着重讲DL4J。

基于注意力的深度多实例学习 基于注意力的深度多实例学习可以应用于广泛的医学成像应用。 在项目“ ”@ ，我在 ICML 2018 论文“Attention-based Deep Multiple Instance Learning”（ ）中撰写了Keras版本这个 repo 为 Keras 用户分享解决方案。 可以在找到官方 Pytorch 实现。 我使用Tensorflow后端建造它与Keras。 我编写了论文中描述的注意力层，并在结肠图像中进行了 10 倍交叉验证的实验。 我得到了论文中描述的非常接近的平均准确率，可视化结果如下所示。 部分代码来自 。 在训练模型时，我们只使用图像级标签（0 或 1 以查看它是否是癌症图像）。 注意层可以通过仅呈现积极补丁的一小部分子集来提供对决策的解释。 我的实施结果 数据集 结肠癌数据集 已处理的补丁 我把我处理的数据放在这里，你也可以

deep-learning personal practice 深度学习个人练习，该项目实现了深度学习中一些常用的算法，内容包括： 四种初始化方法：zero initialize, random initialize, xavier initialize, he initialize。 深度神经网络 正则化 dropout 三种梯度下降方法：BGD, SGD, mini-batch 六种优化算法：momentum、nesterov momentum、Adagrad、Adadelta、RMSprop、Adam 梯度检验 batch normalization recurrent neural network (RNN) Note: 下列 1-10中网络架构主要为四大块： initialize parameters、forward propagation、backward propagati

裂纹检测系统 该项目使用 Python 的 OpenCV 库和深度学习来检测裂纹区域，并根据裂纹百分比警告驾驶员所需的速度限制。 描述 介绍页面：描述项目的页面 登录页面：用于登录网站 注册页面：用于注册到网站 索引页：这是我们输入前方道路图像的主页 输出页：在索引页上输入图像后，输出的道路被裂缝覆盖的百分比如下所示 使用 ResNet50（卷积神经网络）预训练的深度学习模型用于预测图像中的裂缝 输出显示裂纹百分比并使用此百分比警告 spped 限制。 使用的技术栈 HTML - 前端 CSS - 前端 BootStrap - 前端 Javascript - 前端 Django - 后端 Python - 深度学习模型 PostgreSQL - 数据库 安装和设置步骤 克隆存储库 git clone https://github.com/ak2502/crack-detection.git

我是武汉大学遥感信息工程大二学生，找到的一篇英文原版论文。论述了深度学习在遥感领域的应用。觉得此文对遥感专业，且对深度学习感兴趣的同学有一定指导意义。

resnet-18：ResNet-18的回购