本资源是 https://github.com/nickliqian/cnn_captcha 这个github项目的代码的一个实现,修改了一些参数,并把模型一同放出,(github项目中没有模型)

bayesian_dnns 具有的贝叶斯深层神经网络的实践与实验。 GMVAE 提出的高斯混合变分自动编码器的实现。 通过对生成模型使用高斯混合先验，其对不平衡数据的鲁棒性要比Kingma的m2模型高得多。 我还提到了 示例：MNIST不平衡 数据 标记的[标签：图片数量] [0：1000、1：10、2：10、3：10、4：10、5：100、6：70、7：40、8：50、9：30] 未贴标签总计50000张图像。 每个标签的采样率与标签数据相同（不平衡）。 验证总计10000张图片。 每个标签的采样率相等（平衡） 结果 金马的M2模型 潜在变量（维度0和1）和重建的图像。 GMVAE 潜在变量（维度0和1）和重建的图像。 您可以看到每个标签似乎都有自己的分布。

首先对深度学习的发展历史以及概念进行简要的介绍。然后回顾最近几年基于深度学习的语音识别的研究进展。这一部分内容主要分成以下5点进行介绍:声学模型训练准则,基于深度学习的声学模型结构,基于深度学习的声学模型训练效率优化,基于深度学习的声学模型说话人自适应和基于深度学习的端到端语音识别。最后就基于深度学习的语音识别未来可能的研究方向进行展望。

网络管道：网络流量数据管道，用于实时预测和构建深度神经网络的数据集

概述了非线性均衡算法在光传输系统中的必要性与重要性，阐述了经典的非线性均衡算法原理，指出了经典算法的缺点与局限性。结合近几年的研究现状，详细介绍了 4 种基于人工智能的非线性均衡算法，包括人工神经网络、支持向量机、无监督聚类和深度神经网络，并从性能、复杂度、实时性、应用灵活性等方面进行了对比，最后展望分析了基于人工智能的非线性均衡未来的发展趋势。

DNNGP 中Python的深度神经网络高斯过程的实现 包含一个演示MNIST培训和评估的Jupyter笔记本。 还添加了“近似”功能，可使用近似线性化内核。 关于此的更多细节将在以后 目前尚未针对速度进行优化，但更多用于实验。 也计划在Pytorch中实施

理解卷积神经网络基本原理，熟练掌握OpenCV深度神经网络模块API开发技术，学会加载模型，解析模型输出结果；学会如何把正常的tensorflow对象检测模型转化为OpenCV可以接受的模型，实时人脸检测与识别案例。学会使用OpenCV DNN模块解决实际问题。部分课程代码演示效果如下：

零生产 不建议按如下所示部署生产模型。 这只是一个快速入门的端到端示例。 本指南向您展示如何： 建立一个可预测纽约市Airbnb价格的深度神经网络（使用scikit-learn和Keras） 建立一个REST API，根据模型预测价格（使用Flask和gunicorn） 在Google App Engine上将模型部署到生产环境 快速开始 要求： Python 3.7 Google Cloud Engine帐户 克隆此存储库： git clone git@github.com:curiousily/End-to-End-Machine-Learning-with-Keras.gi

深度神经网络模型采用VGG16训练出单词嵌入的模型，内含详细代码步骤介绍

用卷积滤波器matlab代码细胞追踪 使用具有多任务学习功能的深度神经网络进行细胞跟踪 版权所有（C）陶和，华茂和张艺。 版权所有。 该代码基于王乃炎，感谢他分享了他的代码。 CNN源代码来自matlab工具箱。 抽象的 细胞跟踪在生物医学和计算机视觉领域起着至关重要的作用。 由于细胞通常在显微镜图像中具有频繁的变形活动和较小的尺寸，因此在实践中跟踪非刚性和非重要细胞非常困难。 传统的视觉跟踪方法在跟踪刚性和重要视觉对象方面具有良好的性能，但是，它们不适合用于单元跟踪问题。 在本文中，提出了一种使用卷积神经网络（CNN）以及多任务学习（MTL）技术的新型细胞跟踪方法。 CNN可学习可靠的信元功能，而MTL可提高跟踪的泛化性能。 提出的细胞跟踪方法包括粒子过滤器运动模型，多任务学习观察模型和优化的模型更新策略。 在训练过程中，使用MTL技术将细胞跟踪分为在线跟踪任务和伴随的分类任务。 观察模型是通过构建CNN来学习鲁棒的细胞特征而进行训练的。 通过在显微镜图像序列的第一帧中分配细胞位置来启动跟踪过程。 然后，将粒子过滤器模型应用于在后续帧中生成一组候选边界框。 训练后的观察模型提供对应于