晚来天欲雪，能饮一杯无？

我们经常使用GPU来训练和部署神经网络，因为与CPU相比，它提供了更多的计算能力。在本教程中，我们将介绍如何将GPU与MXNet GluonTS一起使用。首先，确保您的机器中至少有一个Nvidia GPU，并正确安装了CUDA以及CUDNN。但是在引入import mxnet后出现下面的问题：MXNet的OSError: libnccl.so.2: cannot open shared object file: No such file or directory本文将会解决这一问题，亲测好用。

因此，本篇博客主要介绍Ubuntu下libtorch如何安装以及简单的使用。

在本博客中，我们将了解如何仅使用面向用户的开源软件在真实世界的遥感图像上训练和应用深度神经网络。

本文正式介绍了帕维亚大学 HSI 的高光谱图像及其应用、深度神经网络 (DNN) 土地覆盖分类的实现，并以分类报告、混淆矩阵和分类图的形式对结果进行了解释。

PyTorch 进行多步时间序列预测详细教程

GIS 行业正在经历一个快速变化和增长的时期，人工智能和机器学习 (AI/ML) 的日益普及在推动这一发展中发挥着至关重要的作用。 通过使 GIS 专业人员能够快速准确地处理和分析数据，这些技术有助于释放 GIS 的全部潜力并推动该领域的创新和进步。

使用TorchGeo进行地理空间深度学习

Tensorflow中Attention机制分析

在学习笔记一中，我们介绍了几种常用的分类模型框架，如VGGNet，GoogleNet，和ResNet，并且介绍了几种简单的分割模型。如FCN，UNet，SegNet和Deeplab。从深度学习兴起到现在，模型一直朝着以下几个方向发展：

深度学习是一系列算法的统称，包括卷积神经网络（CNN），循环神经网络（RNN），自编码器（AE），深度置信网络（DBN），生成对抗模型（GAN）等。由于各算法的网络结构不同，被运用到的领域也不尽相同。卷积神经网络常被用于图像处理，如图像分类，语义分割，目标识别等领域。相比于传统的算法，深度学习能够自动构建特征，并联合这些特征完成相应任务。

海量多源遥感数据智能分析展望

深度学习性能评估指标介绍

介绍了神经网络拟合数据的例子，以及网络的保存、恢复。 最后介绍了模型的快速新建方法

1. sparse coding 最近很火04年之前Total Variation Image Denoising，L. Rudin, S. Osher, E. Fatemi, 1992; (-norm of the gradient of the image)Denoising by Soft Thresholding，D. Donoho, 1995; (-norm)LA

1.[caffe]深度学习之图像分类模型AlexNet解读 ：http://blog.youkuaiyun.com/sunbaigui/article/details/399380972.TensorFlow之深入理解AlexNet ：http://hacker.duanshishi.com/?p=16613.TensorFlow之深入理解Neural Style：http://h

转自：http://blog.youkuaiyun.com/shenxiaolu1984/article/details/51036677Girshick, Ross. “Fast r-cnn.” Proceedings of the IEEE International Conference on Computer Vision. 2015.继2014年的RCNN之后，Ros

Deep Learning（深度学习）ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：一ufldl的2个教程(这个没得说，入门绝对的好教程，Ng的，逻辑清晰有练习)：二Bengio团队的deep learning教程，用的theano库，主要是rbm系列，搞python的可以参考，很不错。deeplearning.net主页，里面包含的