[深度学习] demo_3.5.tar.xz

说明：这是Apollo自动驾驶apollo5.5版本demo所需要的数据包，自己下载非常耗时间，这是我下载好的，运行通了的数据包，亲测有效，给需要的人提供便利
<qq_34240459> 上传 | 大小：16mb

[深度学习] ant_colony.m

说明：蚁群算法，模式识别课程中的，注释较少，望理解
<weixin_42669679> 上传 | 大小：2kb

[深度学习] 基于神经网络的图像识别

说明：基于神经网络的图像识别
<qq_36596540> 上传 | 大小：1kb

[深度学习] BP神经网络实现图像识别（BP神经网络实现图像识别，批量输入图像得到识别结果。）

说明：BP神经网络实现图像识别（BP神经网络实现图像识别，批量输入图像得到识别结果。）
<qq_36596540> 上传 | 大小：1kb

[深度学习] aifood_baseline.ipynb

说明：华为云开发者AI青年班黑客松大赛Baseline训练脚本，竞赛数据来自真实的美食图片数据，包含中餐、西餐、甜点、粥类，每张图像中美食所占比例大于3/4，每张图片代表一类美食。 竞赛数据分为2个数据集：参赛选手可使用第1个数据集，第2个数据集作为评判用（参赛者不可见）。参赛者只能使用提供的数据集进行训练和算法调整，不得使用其它数据。
<qq_20793145> 上传 | 大小：11kb

[深度学习] corel1k.rar

说明：Corel1k数据集，包含巴士、建筑、恐龙、大象、人脸、花朵、食物、骏马、天空、雪山10个类别共1000张图片，已分好类并分好了训练、测试、验证三部分
<huang_keai> 上传 | 大小：28mb

[深度学习] cartoon_retrieval.zip

说明：使用triplet loss作为损失函数训练的image retrieval 项目 基于pytorch实现 可随意替换backbone和数据集
<qq_36049531> 上传 | 大小：7kb

[深度学习] ResNet50_fashion_mnist.py

说明：用keras实现resnet50,用的数据集是fashion_mnist 实现后准确率是91.3%，损失率是53.7%
<qq_41078023> 上传 | 大小：6kb

[深度学习] 基于HMM与深度学习的唇读识别研究_宋文明（好）.caj

说明：尽管国内的唇语识别研究工作已经开展了一段时间，但统一的、标准的用于汉语唇 语识别的语料库还没有建立起来，也没有权威机构提出该方面的建议。因此，本文提出了自己的一套汉语识别的语料架构用于本文涉及到的实验，并在此基础上提出改进方案 以使其适用范围更广。 隐马尔可夫模型的双随机过程与人类语言表达相吻合，这一特点使得该方法成为最 适合唇语识别的方法。本文将对 HMM 方法做深入研究，探究其在唇语识当中的具体适用形式，包括参数设置、模型的类型选择以及训练方法等。
<zhr_the_great> 上传 | 大小：2mb

[深度学习] 基于深度学习的唇语识别研究_吴伟（好）.caj

说明：本文在深度学习技术基础上对唇语进行识别研究，其具体流程及章节安排 如下： 1. 主要介绍了唇语识别技术的相关内容，给出了传统的唇语识别方法与基 于深度学习的唇语识别方法的区别与联系，并针对国内外研究状况进行了分析 介绍。 2. 对唇语识别技术的一些相关理论技术进行了介绍，并且利用唇语识别研 究中的人脸检测，唇部定位，视觉特征和时序特征的提取以及最后的唇动识别 这几个方面来展开介绍，同时也介绍了深度学习方面相关模型与算法。 3. 首先对唇语识别的实现过程做了简要叙述；其次，通过检测人脸
<zhr_the_great> 上传 | 大小：1mb

[深度学习] 基于视觉信息和深度学习的中文唇语数据集构建与识别_胡扬.caj

说明：本文以中文唇语识别为主线，通过更有效的数据收集手段将中文的唇语识别问 题拓展到更一般更现实的中文环境中，并通过深度学习技术有效解决现实环境下变 长唇语序列图片的中文识别问题。本文的主要研究内容包括： 1. 研究以互联网视频为数据源头，自动快速构建中文唇语数据集的方法。互联 网视频中的场景变化较多，与现实环境相符，同时资源获取成本较低，本文 基于此，提出有效的从互联网视频中获取可以用于训练唇读模型的唇部序列 图片和对应的中文内容。 2. 研究中文唇语识别的网络设计。相较于限定实验环境下的唇
<zhr_the_great> 上传 | 大小：1mb

[深度学习] 波士顿房价数据集(boston_housing.npz)

说明：本节将要预测 20 世纪 70 年代中期波士顿郊区房屋价格的中位数，已知当时郊区的一些数据点，比如犯罪率、当地房产税率等。 本节用到的数据集与前面两个例子有一个有趣的区别。它包含的数据点相对较少，只有 506 个，分为 404 个训练样本和 102 个测试样本。输入数据的每个特征（比如犯罪率）都有不同的取值范围。例如，有些特性是比例，取值范围为 01；有的取值范围为 112；还有的取值范围为 0~100，等等。
<weixin_43124279> 上传 | 大小：16kb