[深度学习] 文本识别数据集ICDAR2015.zip

说明： 文本识别数据集：ICDAR2015 训练集4468张 测试集2077 标签中都是每张图片上对应的单词 train.txt和test.txt都是过滤之后的标签（去掉符号和小于3个字符的） 另外两个标签是原版标签没有进行任何过滤 可自行在前面添加文件路径，也可以去我的主页下载添加路径的代码文件（python文件）
<weixin_43136911> 上传 | 大小：80mb

[深度学习] 文本识别数据集ICDAR2013.zip

说明： 文本识别数据集：ICDAR2013 训练集848张 测试集 1095 标签中都是每张图片上对应的单词 train.txt和test.txt都是过滤之后的标签（去掉符号和小于3个字符的） 另外两个标签是原版标签没有进行任何过滤 可自行在前面添加文件路径，也可以去我的主页下载添加路径的代码文件（python文件）
<weixin_43136911> 上传 | 大小：194mb

[深度学习] 文本识别数据集ICDAR2003.zip

说明： 文本识别数据集：ICDAR2003 训练集1156张 测试集 1110 标签中都是每张图片上对应的单词 train.txt和test.txt都是过滤之后的标签（去掉符号和小于3个字符的） 另外两个标签是原版标签没有进行任何过滤 可自行在前面添加文件路径，也可以去我的主页下载添加路径的代码文件（python文件）
<weixin_43136911> 上传 | 大小：35mb

[深度学习] 【硕士研究】基于深度学习的OFDM系统信号检测仿真.zip

说明： 这是一个使用深度学习工具箱中的长短期存储器（LSTM）网络在OFDM系统信号检测接收器上实现符号分类的例子。 is is an example of using the long short-term memory (LSTM) network in the Deep Learning Toolbox to achieve symbol classification at the receiver for signal detection in OFDM systems. 基于LSTM的神经网
<ktz517> 上传 | 大小：409kb

[深度学习] caffe安装配置文件.tar.gz

说明： ubuntu 1604 +cuda9+cudnn7+opencv4.0+caffe(GPU)源代码安装的caffe的配置文件包括Makefile.config 和Makefile
<shaoyezuizuishaui> 上传 | 大小：9kb

[深度学习] Deep_Learning_For_Computer_Vision_With_Python-master代码

说明： Deep_Learning_For_Computer_Vision_With_Python代码，书中的代码部分。
<qq_29407397> 上传 | 大小：350kb

[深度学习] Keras使用的mnist.npz

说明： keras源码中下载MNIST的方式是 path = get_file(path, origin=https://s3.amazonaws.com/img-datasets/mnist.npz) 数据源https://s3.amazonaws.com/img-datasets/mnist.npz 访问该 url 地址被墙了，导致 MNIST 相关的案例都卡在数据下载的环节。
<lsldd> 上传 | 大小：10mb

[深度学习] DeepLearning-500-questions.zip

说明： 该资料为深度学习500问，较为基础，有重要的数学基础，讲解了经典的神经网络，然后给了目标检测、图像分割、强化学习、迁移学习的讲解。
<ch18328071580> 上传 | 大小：38mb

[深度学习] google第二代神经网络开源TensorFlow官方文档中文版-v1.2.pdf

说明： 该资料为google第二代神经网络开源TensorFlow官方文档中文版
<ch18328071580> 上传 | 大小：21mb

[深度学习] cifar10-python.zip

说明： cifar图片库，里面包含了cifar的所有图片，有做深度学习的可以下载。
<reachwang> 上传 | 大小：162mb

[深度学习] input_data.txt

说明： tensorflow中文教程的mnist数据加载脚本input_data.py，确保可以用。
<yestin_l> 上传 | 大小：112byte

[深度学习] 2018知识图谱发展报告.rar

说明： 前言 1. 知识图谱的研究目标与意义 知识图谱Knowledge Graph以结构化的形式描述客观世界中概念、实体及 其关系将互联网的信息表达成更接近人类认知世界的形式提供了一种更好地 组织、管理和理解互联网海量信息的能力。知识图谱给互联网语义搜索带来了活 力同时也在智能问答中显示出强大威力已经成为互联网知识驱动的智能应用 的基础设施。知识图谱与大数据和深度学习一起成为推动互联网和人工智能发 展的核心驱动力之一。
<together_cz> 上传 | 大小：29mb