[深度学习] Neural Network Methods for Natural Language Processing

说明： Neural Network Methods for Natural Language Processing Goldberg 2017 英文版
<hojze> 在 上传 | 大小：4194304

[深度学习] 使用opencv3.3调用dnn模块进行检测

说明： rem 使用opencv3.3调用dnn模块进行检测,目前还不能训练,只能使用其他已训练好的模型 rem https://www.jianshu.com/p/7957d8778d68 python deep_learning_object_detection.py -p MobileNetSSD_deploy.prototxt.txt -m MobileNetSSD_deploy.caffemodel -c 0.8 -i images\example_02.jpg 运行成功.
<y1019992884> 在 上传 | 大小：22020096

[深度学习] 道路监控视频资料

说明： 可用于深度学习算法验证及跟道路状况识别相关的开发素材
<wxwxx> 在 上传 | 大小：8388608

[深度学习] 基于密集网络改进的肺结节良恶性分类模型

说明： 讨改进后的卷积神经网络模型对肺结节进行良恶性分类的准确率。方法 以分类模型密集网络 (DenseNet)为基础模型，采用中间密度投影方法将肺结节的三维信息输入卷积神经网络进行训练，并针对肺结节良恶性 分类问题适应性改进神经网络结构，将传统损失函数cross Entropy Loss替换为Focal Loss，使网络能着重学习难以分辨 的肺结节
<yuanbaoxi> 在 上传 | 大小：1048576

[深度学习] 深度神经网络二分类

说明： 吴恩达网易云公开课《深度学习》week4--deep_nn_model二分类
<cherry1307> 在 上传 | 大小：8388608

[深度学习] 小脑模型神经网络

说明： 本文档详细介绍了小脑模型神经网络的映射是如何实现的，本文档的图表及介绍详细而具体，故特此推荐
<qq_38023445> 在 上传 | 大小：562176

[深度学习] 谷歌AutoML调研报告

说明： 谷歌AutoML调研报告 2017 年 5 月，谷歌大脑研究人员宣布创建了 AutoML，该 AI 系统能够创造自己的 AI 系统。最近，他们决定让 AutoML 攻克迄今为止对它来说最大的挑战，令人惊讶的是，AutoML 创造了一个非常厉害的「后代」，它的表现甚至超过了所有人类设计的 AI 系统。（--引自百度百科） 为了实现机器学习模型的设计自动化，谷歌研究者采用了增强学习的方法。AutoML 作为神经网络控制器，为一个特定任务开发子代 AI 网络。这个被研究人员称为 NASNet(Neu
<weixin_41461580> 在 上传 | 大小：882688

[深度学习] Deep Learning Tutorial 李宏毅

说明： Deep Learning Tutorial 李宏毅（英文版），pdf版本，清晰，内容通俗易懂，适合新手
<fal_l> 在 上传 | 大小：18874368

[深度学习] 深度学习的发展历程

说明： 讲述了神经网络第一代，第二代，第三代的发展历程；及如何解决一些重要难题和未来的需要处理的问题；
<ningyanggege> 在 上传 | 大小：1048576

[深度学习] DnCNN tensorflow实现

说明： Denoise Convolutional neural network基于python的代码实现。
<ziyeshy> 在 上传 | 大小：16777216

[深度学习] 10_Fall2017_Image segmentation

说明： Clustering example: image segmentation Goal: Break up the image into meaningful or perceptually similar regions
<yoyomathilda> 在 上传 | 大小：5242880

[深度学习] RAN4IQA: Restorative Adversarial Nets for No-Reference Image Quality Assessment

说明： 无参考图像质量评价，深度学习，生成对抗网络，adversarial net (RAN), a GAN-based model for no-reference image quality assessment (NR-IQA).
<oldox2014> 在 上传 | 大小：358400