[深度学习] vgg16_weight_and_xception_weights

说明： 这有两个文件，分别是VGG16_weights_tf和xception_weights_tf,都是No_top的，有top太大没法传，其他inception_v3的两个文件和resnet50的两个文件分别压缩在一块，刚好小于200M，也上传上来了
<weixin_42062762> 上传 | 大小：133mb

[深度学习] Faster RCNN

说明： 最近最流行的识别网络Faster RCNN 流图：包括RPN和回归算法，具体
<jhilbert> 上传 | 大小：35kb

[深度学习] 面向 AI 的容器云平台

说明： 通过结合容器化私有云平台与异构计算技术，可以良好的解决当前 AI 市场中的几个突出痛点。曙光凭借在高性能计算领域深厚的技术积累，推出了面向 AI 的高性能计算平台 SothisAI，实现了从异构计算服务器到容器化资源调度再到深度学习框架的云平台整体架构建设。不论是在科学研究还是工程应用领域，曙光都在不断促进和推动人工智能技术的快速发展。
<livepoolgerres> 上传 | 大小：4mb

[深度学习] TensorRT 实现深度网络模型推理加速

说明： 通过本文档将会了解到深度学习的应用场景，常规的部署方法及带来的挑战，基于这些挑战 NVIDIA 给出的高效解决方案 TensorRT 的介绍，性能及案例分享。
<livepoolgerres> 上传 | 大小：1mb

[深度学习] NVIDIA GPU 基础开发工具介绍

说明： NVIDIA GPU 基础开发工具的最新特性介绍。具体包括：GPU 开发工具 CUDA v10.0 最新特性；深度神经网络 GPU 加速库 cuDNN v7.3 最新特性；GPU 集合通信库 NCCL v2.3 最新特性。
<livepoolgerres> 上传 | 大小：4mb

[深度学习] AI 计算系统的设计与优化

说明： 随着 AI 技术越来越成熟，AI 计算面临着三大变革：计算模式逐步从实验验证阶段进入应用生产阶段、计算规模逐步从单机计算到 GPU 集群计算、计算架构逐步从 CPU 计算到大规模 GPU 云计算。AI计算系统将面临计算平台优化设计、复杂异构环境下计算效率、计算框架的高度并行与扩展、AI 应用计算性能等挑战。应对上述挑战，本报告将从 AI 计算平台与算法的 Co-design、AI 计算平台管理、AI 计算框架的高扩展性设计、AI 实际应用性能优化四个方面来分析 AI 计算系统设计与优化方法。
<livepoolgerres> 上传 | 大小：3mb

[深度学习] TENSORRT 轻松部署高性能DNN推理

说明： TensorRT 是 NVIDIA 推出的专门加速深度学习推理的开发工具。利用 TensorRT， 您可以快速、高效地在 GPU 上部署基于深度学习的应用。 我们首先会介绍 TensorRT 的基本功能和用法，例如它的优化技巧和低精度加速。其次， 结合我们实际使用过程中的经验，详细介绍 TensorRT 的难点：Plugin 机制。最后，我们会分享几个 TensorRT 成功应用案例
<livepoolgerres> 上传 | 大小：1mb

[深度学习] 体素科技肺叶分割Progressive Dense V-Network论文

说明： 体素科技肺叶分割Automatic Segmentation of Pulmonary Lobes Using a Progressive Dense V-Network
<math_computer> 上传 | 大小：2mb

[深度学习] keras2.0.4 官方中文文档

说明： keras用着友好的用户体念，而且易扩展，可以使用tensorflow,theano以及CNTK作为后端，切换快捷
<weixin_42062762> 上传 | 大小：62mb

[深度学习] 猫狗大战各2000张，已分好类

说明： 猫狗各1000张训练集，500张验证集，500张测试集，已分好类
<weixin_42062762> 上传 | 大小：86mb

[深度学习] 航空公司预测乘客数量--测试过小例子

说明： 用 LSTM 做时间序列预测：航空公司人数--测试过得例子，包括：数据、代码地址等
<winers_pub> 上传 | 大小：1kb

[深度学习] 深度学习框架下LSTM网络在短期电力负荷预测中的应用

说明： 准确的电力负荷预测可以保证电力供应的稳定，降低用电成本，提高供电质量。在进行短期电力负荷预测时，考虑到时序数据的时间相关性，应用张量流深度学习框架构建了LSTM 神经网络模型，对电力负荷时序数据进行回归预测
<winers_pub> 上传 | 大小：5mb