jaccen的专栏

深度学习 Deep Learning 学习资料汇编 （持续更新中）。欢迎补充。入门阅读deep learning较全面的入门介绍48浅谈Deep Learning的基本思想和方法16机器学习——深度学习(Deep Learning)15deep learning tutorials11一篇blog：deep learning2,310一些论文介绍10Brief In

 ［导读］ “大数据时代”，数据为王！无论是数据挖掘还是目前大热的深度学习领域都离不开“大数据”。大公司们一般会有自己的数据，但对于创业公司或是高校老师、学生来说，“Where can I get large datasets open to the public?”是不得不面对的一个问题。本文结合笔者在研究生学习、科研期间使用过以及阅读文献了解到的深度学习视觉领域常用的开源数据集，进行介绍和汇总...

简介文档与性能网络与模型能力生态与维护框架搭建与应用架构1 TensorFlow2 Caffe3 MXNet4 Paddle5 CNTK总结1.简介2.文档与性能3.网络与模型能力 4.生态与维护5.框架搭建与应用6.架构6.1 TensorFlo

转自：https://www.52ml.net/20287.html引言普通的深度学习监督算法主要是用来做分类，如图1(1)所示，分类的目标是要识别出图中所示是一只猫。而在ILSVRC（ImageNet Large Scale Visual Recognition Challenge)竞赛以及实际的应用中，还包括目标定位和目标检测等任务。其中目标定位是不仅仅要识别出来是什么物体（即

深度学习研究的热潮持续高涨，各种开源深度学习框架也层出不穷，其中包括TensorFlow、Caffe、Keras、CNTK、Torch7、MXNet、Leaf、Theano、DeepLearning4、Lasagne、Neon，等等。然而TensorFlow却杀出重围，在关注度和用户数上都占据绝对优势，大有一统江湖之势。表2-1所示为各个开源框架在GitHub上的数据统计（数据统计于2017年1月

通用库/General LibraryOpenCV无需多言。RAVLRecognition And Vision Library. 线程安全。强大的IO机制。包含AAM。CImg很酷的一个图像处理包。整个库只有一个头文件。包含一个基于PDE的光流算法。图像，视频IO/Image, Video IOFreeImageDevILImage

1、 图像生成1.1 绘画风格到图片的转换：Neural Style1.2 图像类比转换：image-analogies1.3 根据涂鸦生成图片：Neural Doodle1.4 匹根据涂鸦类比图片：Sketchy1.5 根据图片生成铅笔画：Pencil1.6 手写文字模拟：rnnlib1.7 转换风景图片：Transient Attributes for High-L

从神经网络到卷积神经网络（CNN）我们知道神经网络的结构是这样的：那卷积神经网络跟它是什么关系呢？其实卷积神经网络依旧是层级网络，只是层的功能和形式做了变化，可以说是传统神经网络的一个改进。比如下图中就多了许多传统神经网络没有的层次。 卷积神经网络的层级结构      • 数据输入层/ Input layer　　• 卷积计算层/ CONV layer　　•

http://www.cnblogs.com/skyfsm/p/6806246.htmlobject detection我的理解，就是在给定的图片中精确找到物体所在位置，并标注出物体的类别。object detection要解决的问题就是物体在哪里，是什么这整个流程的问题。然而，这个问题可不是那么容易解决的，物体的尺寸变化范围很大，摆放物体的角度，姿态不定，而且可以出现在图片的任何

《Image Scaling using Deep Convolutional Neural Networks》介绍:使用卷积神经网络的图像缩放.《Proceedings of The 32nd International Conference on Machine Learning》介绍:ICML2015 论文集,优化4个+稀疏优化1个；强化学习4个，深度学习3个+深度学

https://github.com/ty4z2008/Qix/blob/master/dl.md注:机器学习资料篇目一共500条,篇目二开始更新希望转载的朋友，你可以不用联系我．但是一定要保留原文链接，因为这个项目还在继续也在不定期更新．希望看到文章的朋友能够学到更多．此外:某些资料在中国访问需要梯子.《Brief History of Machine L

人工智能无疑是计算机世界的前沿领域，而深度学习无疑又是人工智能的研究热点，那么现在都有哪些开源的深度学习工具，他们各自的优缺点又是什么呢？最近zer0n和bamos在GitHub上发表了一篇文章，对Caffe、CNTK、TensorFlow、Theano和Torch等深度学习工具从网络、模型能力、接口、部署、性能、架构、生态系统、跨平台等方面做了比较。网络和模型能力Caffe可能是第一个主

Caffe97是一个清晰而高效的深度学习6框架，其作者是博士毕业于UC Berkeley的贾扬清306，目前在Google工作。Caffe是纯粹的C++/CUDA架构，支持命令行、Python和MATLAB接口；可以在CPU和GPU直接无缝切换：Caffe::set_mode(Caffe::GPU);Caffe的优势上手快：模型与相应优化都是以文本形式而非代

注:机器学习资料篇目一共500条,篇目二开始更新希望转载的朋友，你可以不用联系我．但是一定要保留原文链接，因为这个项目还在继续也在不定期更新．希望看到文章的朋友能够学到更多．此外:某些资料在中国访问需要梯子.  https://github.com/ty4z2008/Qix/blob/master/dl.md《Brief History of Machine Lea

初识deep learning的时候，经常只是把它看成一种更好一些的机器学习分类算法而已；实际上，也可以用一个时兴的说法——它是一种“像人脑一样的”神经元计算。前一种说法大大低估了深度学习可以胜任的应用类型；而后一种说法又言过其实的认为它的能力已经超出了普通的人工智能，基于它的应用已经可以自如的处理实际问题了。可能对于基于深度学习应用更为恰当一些的认识角度是——它改善了人机交互界面。深度学习系统确...