注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. DeepLearning/Logistic Regression/mnist 的C++实现

  2. Deep learning 学习中，Logistic regression算法的mnist数字识别/分类的C++实现，原例子在http://deeplearning.net/tutorial/gettingstarted.html，采用python写的，原例子的主要数学工具是Theano。

  3. 所属分类：专业指导

    • 发布日期：2013-10-01
    • 文件大小：16kb
    • 提供者：puretech_

  1. 深度学习的9篇标志性论文

  2. A Fast Learning Algorithm for Deep Belief Nets (2006) - 首 次提出layerwise greedy pretraining的方法，开创deep learning方向。 layerwise pretraining的Restricted Boltzmann Machine (RBM)堆叠起来构成 Deep Belief Network (DBN)，其中训练最高层的RBM时加入了label。之后对整个DBN进行fine-tuning。在 MNI

  3. 所属分类：其它

    • 发布日期：2013-12-15
    • 文件大小：3mb
    • 提供者：luoyun614

  1. DBN by hinton

  2. hiton的主要算法，使用的数据集为MNIST，可以到网上免费下载

  3. 所属分类：其它

    • 发布日期：2014-03-16
    • 文件大小：18kb
    • 提供者：chenconghui

  1. 深度学习的9篇标志性论文

  2. A Fast Learning Algorithm for Deep Belief Nets (2006) - 首 次提出layerwise greedy pretraining的方法，开创deep learning方向。 layerwise pretraining的Restricted Boltzmann Machine (RBM)堆叠起来构成 Deep Belief Network (DBN)，其中训练最高层的RBM时加入了label。之后对整个DBN进行fine-tuning。在 MNI

  3. 所属分类：专业指导

    • 发布日期：2014-09-17
    • 文件大小：3mb
    • 提供者：hgj3804278

  1. 关于深度学习(DL)的9篇标志性文章

  2. deep learning 的一些标志性文章 A Fast Learning Algorithm for Deep Belief Nets (2006) - 首 次提出layerwise greedy pretraining的方法，开创deep learning方向。 layerwise pretraining的Restricted Boltzmann Machine (RBM)堆叠起来构成 Deep Belief Network (DBN)，其中训练最高层的RBM时加入了label。之后对整

  3. 所属分类：专业指导

    • 发布日期：2015-09-14
    • 文件大小：3mb
    • 提供者：zyf19930610

  1. 0~9图片资源

  2. mnist，deep learning, caffe

  3. 所属分类：深度学习

    • 发布日期：2017-06-05
    • 文件大小：23mb
    • 提供者：njutbl

  1. MATLAB Deep Learning: With Machine Learning, Neural Networks and AI

  2. 开始使用MATLAB深入学习和AI深入底稿。在本书中，您将从机器学习基础开始，然后转向神经网络，深入学习，然后进行卷积神经网络。在基础和应用的基础上，MATLAB深度学习采用MATLAB作为本书中的示例和案例研究的底层编程语言和工具。 使用这本书，您将能够解决当今的一些现实世界的大数据，智能机器人和其他复杂的数据问题。您将看到，现代智能数据分析和使用，机器学习的复杂和更智能的方面学习有多深刻。 你会学到什么 使用MATLAB深入学习 发现神经网络和多层神经网络 使用卷积和池层 使用这些图层构建

  3. 所属分类：深度学习

    • 发布日期：2017-11-14
    • 文件大小：3mb
    • 提供者：ghy2014

  1. Neural Networks and Deep Learning

  2. 这本书中的代码基于Python实现，从MNIST这个例子出发，讲人工神经网络（Neural networks），逐步深入到深度学习（Deep Learning），以及代码实现，一些优化方法。适合作为入门书。

  3. 所属分类：深度学习

  1. 神经网络与deep learning 学习与实践，多层前馈神经网络与神经网络的实现

  2. 构建一个至少含有1-2 层隐藏层的神经网络模型，解决手写的0-9 十个手写 数字的识别问题。神经网络模型构建过程中需要注意的几点： （1）数据集采用MNIST 阿拉伯数字手写体数据集。 （2）模型输入层的节点个数的设计。输入层的节点数目应该与输入的手写 体图片的大小相等。MNIST 手写体数据集中手写阿拉伯数字的图像为28×28 的 方形图。 （3）每一个隐藏层的网络节点数的设计。应该遵循特征提取与降维相统一 的原则。 （4）输出层的节点数。因为识别任务是0-9 的十个手写数字，所以输出层 应

  3. 所属分类：深度学习

    • 发布日期：2018-09-18
    • 文件大小：5kb
    • 提供者：alice9236

  1. TensorFlow.js Machine Learning for the Web and Beyond.pdf

  2. TensorFlow.js, Google 提供的基于TensorFlow的Javascr ipt库。方便使用JS的开发者使用，并且可以为未来的边缘计算提供支持。TensorFlow. js: Machine Learning for the Web and beyond acceleration, notably TensorFire(Kwok et al., 2017), Propel Layers APl, which provides higher-level model buildin

  3. 所属分类：机器学习

    • 发布日期：2019-07-15
    • 文件大小：568kb
    • 提供者：nicholaskong

  1. Conv_complete.py

  2. PyTorch实现通过卷积神经网络对MNIST数据集的分类实例。 卷积神经网络(CNN)由一个或多个卷积层和顶端的全连通层组成，同时也包括关联权重和池化层。与其他深度学习结构相比，卷积神经网络在图像和语音识别方面能够给出更好的结果，且考量的参数更少。 卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 。卷积神经网络具有表征学习能力，能够按其阶层结构对输入

  3. 所属分类：深度学习

  1. Algorithms for hyper-parameter optimization

  2. Algorithms for hyper-parameter optimization.pdf，讲述贝叶斯算法的TPE过程的专业论文The contribution of this work is two novel strategies for approximating f by modeling H: a hier archical Gaussian Process and a tree-structured parzen estimator. These are described in

  3. 所属分类：其它

    • 发布日期：2019-09-03
    • 文件大小：268kb
    • 提供者：yangtao_whut

  1. [1]_Deep_Learning_for_Computer_Vision.pdf 【第1册 - 英文版】

  2. 图像视觉领域的深度学习资料，手把手教你搭建自己的神经网络，让你从实践中深入浅出地学习各种经典神经网络知识。亲试不错，分享之！Deep learning for Computer Vision with Python Starter Bundle Dr. Adrian rosebrock Ist Edition(1. 1.0) Copyright(c2017AdrianRosebrock,PylmageSearch.com PUBLISHED BY PYIMAGESEARCH PYIMAGESE

  3. 所属分类：机器学习

    • 发布日期：2019-08-16
    • 文件大小：32mb
    • 提供者：zjunweihit

  1. 详解python实现识别手写MNIST数字集的程序

  2. 我们需要做的第⼀件事情是获取 MNIST 数据。如果你是⼀个 git ⽤⼾，那么你能够通过克隆这本书的代码仓库获得数据，实现我们的⽹络来分类数字 git clone https://github.com/mnielsen/neural-networks-and-deep-learning.git class Network(object): def __init__(self, sizes): self.num_layers = len(sizes) self.sizes = sizes

  3. 所属分类：其它

    • 发布日期：2020-12-23
    • 文件大小：80kb
    • 提供者：weixin_38751031

  1. 读取一组MNIST数据的完整代码

  2. 读取一组MNIST数据的完整代码如下 详细解释见blog： https://blog.csdn.net/Mimido_luoluo/article/details/104514381 import numpy as np from matplotlib import pyplot as plt import PIL as pil import cv2 as cv #读取数据的过程，如果需读取所有的数据，将 count = -1 即可 #读取 label 值 label_path=”F:\\Fi

  3. 所属分类：其它

    • 发布日期：2020-12-22
    • 文件大小：22kb
    • 提供者：weixin_38603875

  1. 6-Gans-02_DCGans

  2. Deep Convolutional GANs 本章中，将构建一个深度卷积生成对抗网络。简称：DCGAN。DCGAN论文发表于2015年，论文地址：[论文链接](https://arxiv.org/pdf/1511.06434.pdf). 我们将在[Street View House Numbers](http://ufldl.stanford.edu/housenumbers/) (SVHN)数据集基础上训练DCGAN。\ 该数据集来源于谷歌街景中房屋门牌数字（RGB图片）。 SVHN相比MN

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：65kb
    • 提供者：weixin_38535221

  1. Deep-Learning-From-Zero-To-Hero:这是一系列现场讲习班，通过简单的用例涵盖了深度学习中的许多主题-源码

  2. 从零到零的深度学习 这是一系列现场讲习班，通过简单的用例涵盖了深度学习中的许多主题。 进行中... 第一届会议 学科 使用简单的TensorFlow密集层的MNIST衣服多类分类 笔记本 普雷兹 测验

  3. 所属分类：其它

  1. mnist-explanation:在MNIST数据集上试用DNN的复制技术-源码

  2. 简单说明 在该存储库中，我尝试实现G. Montavon等人所述的解释方法。 在他们的Methods for Interpreting and Understanding Deep Neural Networks中的文章[1] 神经网络实施 在他们的原始论文中，研究人员就使用哪种深度神经网络（DNN）提供了建议，以最大程度地提高其解释性。 我们将遵循以下建议： 根据需要使用尽可能少的完全连接的层，并通过辍学来训练这些层 大量使用求和池层，并且比其他类型的池层更喜欢它们 在线性层（卷积和完全连接

  3. 所属分类：其它

    • 发布日期：2021-03-09
    • 文件大小：468kb
    • 提供者：weixin_42136826

  1. fsdl-text-recognizer-2021-labs：在2021年Spring在Full Stack Deep Learning中开发的完整深度学习项目-源码

  2. 全栈深度学习2021年Spring实验室 欢迎！ 作为2021年全栈深度学习的一部分，我们将逐步开发完整的深度学习代码库，以理解手写段落的内容。 我们将使用PyTorch和PyTorch-Ligtning的现代堆栈 今天，我们将使用DL的主要功能：CNN，RNN和变形金刚 我们将使用我们认为最适合该工作的工具来管理实验：权重和偏差 我们将使用CircleCI为我们的代码库建立持续集成系统 我们将使用FastAPI将预测系统打包为REST API，然后将其作为Docker容器部署在AWS La

  3. 所属分类：其它

  1. tf-deep-learning：使用TensorFlow的深度学习模型的集合-源码

  2. tf深度学习 该存储库包含我从Udacity的入门到TensorFlow深度学习课程的工作。 课程链接： : 内容 1.摄氏到华氏转换器 目的： 使用线性回归模型（根据输入预测单个值）进行机器学习的概念证明项目。 潜在的扩展： 能够一次测试多个数字，而不是一个值 查找其他线性方程之间的关系 查找更复杂的方程之间的关系（是否根据复杂度添加更多节点？） 2.服装分类器 目的： 使用简单的神经网络从Fashion MNIST数据集中对10种服装进行分类。 在测试数据集上的使用精度为87.8

  3. 所属分类：其它

« 12 »