请选择 进入手机版 | 继续访问电脑版

学途无忧

 找回密码
 立即注册
  • 论坛学币充多少送多少
 共有 2874 条信息    默认    按推荐    按免费    按付费   按浏览量    按下载量    专题列表
推荐下载
热门下载
最新专题
      暂无相关信息
0 次点评

Unity+OpenCV 人脸识别追踪源码

分类:C#    下载:56    浏览:542    时间:2018-12-20
人脸追踪,识别
0 次点评

疯狂XML讲义

分类:C++    下载:24    浏览:319    时间:2018-12-20
疯狂XML讲义对于学习XML和java的应用应该说是一本比较适合的书,它讲述得详细,故而侧重于刚入门的朋友
0 次点评

深度学习之PyTorch实战计算机视觉

分类:深度学习    下载:25    浏览:810    时间:2018-12-19
非常清晰!!!!计算机视觉、自然语言处理和语音识别是目前深度学习领域很热门的三大应用方向,本书旨在帮助零 基础或基础较为薄弱 的读者入 门深度学习 ,达到能够独立使用深度学习知识处理计算机视觉问题的水平 。 通过阅 读本书,读者将学到人工智能 的基础概念及 Python 编程技能, 掌握 PyTorch 的使用方法,学到深 度学习相关的理论知识 ,比如卷积神经网络 、循环神 经网络、自动编码器 , 等等。在掌握深度学 习 理论和 编程技能之后,读者还会学到如何基于 PyTorch 深度学习框架实战计算机视觉。本书 中的大量实例可让读 者在循序渐进地学习的同 时,不断地获得成就感。
0 次点评

21个项目玩转深度学习:基于Tensorflow的实践详解

分类:深度学习    下载:17    浏览:609    时间:2018-12-19
21个项目玩转深度学习:基于Tensorflow的实践详解 《21 个项目玩转深度学习——基于TensorFlow 的实践详解》以实践为导向,深入介绍了深度学习技术和TensorFlow 框架编程内容。 通过本书,读者可以训练自己的图像识别模型、进行目标检测和人脸识别、完成一个风格迁移应用,还可以使用神经网络生成图像和文本,进行时间序列预测、搭建机器翻译引擎,训练机器玩游戏。全书共包含21 个项目,分为深度卷积网络、RNN网络、深度强化学习三部分。读者可以在自己动手实践的过程中找到学习的乐趣,了解算法和编程框架的细节,让学习深度学习算法和TensorFlow 的过程变得轻松和高效。本书代码基于TensorFlow 1.4 及以上版本,并介绍了TensorFlow 中的一些新特性。 前言 1章 MNIST机器学习入门 1 1.1 MNIST数据集 2 1.1.1 简介 2 1.1.2 实验:将MNIST数据集保存为图片 5 1.1.3 图像标签的独热(one-hot)表示 6 1.2 利用TensorFlow识别MNIST 8 1.2.1 Softmax回归 8 1.2.2 两层卷积网络分类 14 1.3 总结 18 2章 CIFAR-10与ImageNet图像识别 19 2.1 CIFAR-10数据集 20 2.1.1 CIFAR-10简介 20 2.1.2 下载CIFAR-10数据 21 2.1.3 TensorFlow的数据读取机制 23 2.1.4 实验:将CIFAR-10数据集保存为图片形式 30 2.2 利用TensorFlow训练CIFAR-10识别模型 34 2.2.1 数据增强(Data Augmentation) 34 2.2.2 CIFAR-10识别模型 36 2.2.3 训练模型 39 2.2.4 在TensorFlow中查看训练进度 39 2.2.5 测试模型效果 42 2.3 ImageNet图像识别模型 44 2.3.1 ImageNet数据集简介 44 2.3.2 历代ImageNet图像识别模型 45 2.4 总结 49 3章 打造自己的图像识别模型 50 3.1 微调(Fine-tune)的原理 51 3.2 数据准备 52 3.3 使用TensorFlow Slim微调模型 56 3.3.1 下载TensorFlow Slim的源代码 56 3.3.2 定义新的datasets文件 57 3.3.3 准备训练文件夹 59 3.3.4 开始训练 60 3.3.5 训练程序行为 62 3.3.6 验证模型正确率 63 3.3.7 TensorBoard可视化与参数选择 64 3.3.8 导出模型并对单张图片进行识别 65 3.4 总结 69 4章 Deep Dream模型 70 4.1 Deep Dream的技术原理 71 4.2 TensorFlow中的Deep Dream模型实践 73 4.2.1 导入Inception模型 73 4.2.2 生成原始的Deep Dream图像 76 4.2.3 生成更大尺寸的Deep Dream图像 78 4.2.4 生成更高质量的Deep Dream图像 82 4.2.5 终的Deep Dream模型 87 4.3 总结 90 5章 深度学习中的目标检测 91 5.1 深度学习中目标检测的原理 92 5.1.1 R-CNN的原理 92 5.1.2 SPPNet的原理 94 5.1.3 Fast R-CNN的原理 97 5.1.4 Faster R-CNN的原理 98 5.2 TensorFlow Object Detection API 101 5.2.1 安装TensorFlow Object Detection API 101 5.2.2 执行已经训练好的模型 103 5.2.3 训练新的模型 109 5.2.4 导出模型并预测单张图片 113 5.3 总结 114 6章 人脸检测和人脸识别 115 6.1 MTCNN的原理 116 6.2 使用深度卷积网络提取特征 121 6.2.1 三元组损失(Triplet Loss)的定义 123 6.2.2 中心损失(Center Loss)的定义 123 6.3 使用特征设计应用 125 6.4 在TensorFlow中实现人脸识别 126 6.4.1 项目环境设置 126 6.4.2 LFW人脸数据库 127 6.4.3 LFW数据库上的人脸检测和对齐 128 6.4.4 使用已有模型验证LFW数据库准确率 129 6.4.5 在自己的数据上使用已有模型 130 6.4.6 重新训练新模型 133 6.4.7 三元组损失和中心损失的定义 138 6.5 总结 140 7章 图像风格迁移 141 7.1 图像风格迁移的原理 142 7.1.1 原始图像风格迁移的原理 142 7.1.2 快速图像风格迁移的原理 148 7.2 在TensorFlow中实现快速风格迁移 149 7.2.1 使用预训练模型 150 7.2.2 训练自己的模型 153 7.2.3 在TensorBoard中监控训练情况 154 7.2.4 项目实现细节 157 7.3 总结 162 8章 GAN和DCGAN入门 163 8.1 GAN的原理 164 8.2 DCGAN的原理 166 8.3 在TensorFlow中用DCGAN生成图像 169 8.3.1 生成MNIST图像 170 8.3.2 使用自己的数据集训练 171 8.3.3 程序结构分析:如何将图像读入模型 173 8.3.4 程序结构分析:可视化方法 177 8.4 总结 180 9章 pix2pix模型与自动上色技术 181 9.1 cGAN的原理 182 9.2 pix2pix模型的原理 184 9.3 TensorFlow中的pix2pix模型 187 9.3.1 执行已有的数据集 187 9.3.2 创建自己的数据集 191 9.4 使用TensorFlow为灰度图像自动上色 194 9.4.1 为食物图片上色 194 9.4.2 为动漫图片进行上色 196 9.5 总结 198 10章 分辨率:如何让图像变得更清晰 199 10.1 数据预处理与训练 200 10.1.1 去除错误图片 200 10.1.2 将图像裁剪到统一大小 202 10.1.3 为代码添加新的操作 202 10.2 总结 209 11章 CycleGAN与非配对图像转换 210 11.1 CycleGAN的原理 211 11.2 在TensorFlow中用训练CycleGAN模型 213 11.2.1 下载数据集并训练 213 11.2.2 使用自己的数据进行训练 217 11.3 程序结构分析 220 11.4 总结 224 12章 RNN基本结构与Char RNN文本生成 225 12.1 RNN的原理 226 12.1.1 经典RNN的结构 226 12.1.2 N VS 1 RNN的结构 229 12.1.3 1 VS N RNN的结构 230 12.2 LSTM的原理 231 12.3 Char RNN的原理 235 12.4 TensorFlow中的RNN实现方式 237 12.4.1 实现RNN的基本单元:RNNCell 238 12.4.2 对RNN进行堆叠:MultiRNNCell 239 12.4.3 注意点:BasicRNNCell和BasicLSTMCell的output 240 12.4.4 使用tf.nn.dynamic_rnn展开时间维度 241 12.5 使用TensorFlow实现Char RNN 242 12.5.1 定义输入数据 243 12.5.2 定义多层LSTM模型 244 12.5.3 定义损失 245 12.5.4 训练模型与生成文字 246 12.5.5 更多参数说明 250 12.5.6 运行自己的数据 250 12.6 总结 251 13章 序列分类问题详解 252 13.1 N VS 1的RNN结构 253 13.2 数列分类问题与数据生成 254 13.3 在TensorFlow中定义RNN分类模型 258 13.3.1 定义模型前的准备工作 258 13.3.2 定义RNN分类模型 259 13.3.3 定义损失并进行训练 261 13.4 模型的推广 262 13.5 总结 263 14章 词的向量表示:word2vec与词嵌入 264 14.1 为什么需要做词嵌入 265 14.2 词嵌入的原理 266 14.2.1 CBOW实现词嵌入的原理 266 14.2.2 Skip-Gram实现词嵌入的原理 269 14.3 在TensorFlow中实现词嵌入 270 14.3.1 下载数据集 270 14.3.2 制作词表 272 14.3.3 生成每步的训练样本 274 14.3.4 定义模型 276 14.3.5 执行训练 279 14.3.6 可视化 281 14.4 与12章的对比 284 14.5 总结 285 15章 在TensorFlow中进行时间序列预测 286 15.1 时间序列问题的一般形式 287 15.2 用TFTS读入时间序列数据 287 15.2.1 从Numpy数组中读入时间序列数据 288 15.2.2 从CSV文件中读入时间序列数据 291 15.3 使用AR模型预测时间序列 293 15.3.1 AR模型的训练 293 15.3.2 AR模型的验证和预测 295 15.4 使用LSTM模型预测时间序列 297 15.4.1 LSTM模型中的单变量时间序列预测 297 15.4.2 LSTM模型中的多变量时间序列预测 299 15.5 总结 301 16章 神经网络机器翻译技术 302 16.1 Encoder-Decoder模型的原理 303 16.2 注意力机制(Attention) 305 16.3 使用TensorFlow NMT搭建神经网络翻译引擎 309 16.3.1 示例:将越南语翻译为英语 309 16.3.2 构建中英翻译引擎 313 16.4 TensorFlow NMT源码简介 317 16.5 总结 319 17章 看图说话:将图像转换为文字 320 17.1 Image Caption技术综述 321 17.1.1 从Encoder-Decoder结构谈起 321 17.1.2 将Encoder-Decoder应用到Image Caption任务上 322 17.1.3 对Encoder-Decoder的改进1:加入Attention机制 323 17.1.4 对Encoder-Decoder的改进2:加入高层语义 325 17.2 在TensorFlow中实现Image Caption 327 17.2.1 下载代码 327 17.2.2 环境准备 328 17.2.2 编译和数据准备 328 17.2.3 训练和验证 330 17.2.4 测试单张图片 331 17.3 总结 332 18章 强化学习入门之Q 333 18.1 强化学习中的几个重要概念 334 18.2 Q Learning的原理与实验 336 18.2.1 环境定义 336 18.2.2 Q函数 338 18.2.3 Q函数的学习策略 339 18.2.4 ?-greedy策略 341 18.2.5 简单的Q Learning示例 341 18.2.6 更复杂的情况 342 18.3 总结 343 19章 强化学习入门之SARSA算法 344 19.1 SARSA 算法的原理 345 19.1.1 通过与Q Learning对比学习SARSA算法 345 19.1.2 off-policy与on-policy 346 19.2 SARSA 算法的实现 347 19.3 总结 348 20章 深度强化学习:Deep Q Learning 349 20.1 DQN算法的原理 350 20.1.1 问题简介 350 20.1.2 Deep Q Network 351 20.1.3 训练方法 352 20.2 在TensorFlow中运行DQN算法 353 20.2.1 安装依赖库 353 20.2.2 训练 355 20.2.3 测试 356 20.3 在TensorFlow中DQN算法的实现分析 357 20.4 总结 360 21章 策略梯度(Policy Gradient)算法 361 21.1 策略梯度(Policy Gradient)算法的原理 362 21.1.1 Cartpole游戏 362 21.1.2 策略网络(Policy Network) 363 21.1.3 训练策略网络 364 21.2 在TensorFlow中实现策略梯度 算法 365 21.2.1 初始化 365 21.2.2 定义策略网络 366 21.2.3 训练 367 21.3 总结 371
0 次点评

WCF 4高级编程.pdf(带目录标签)

分类:C#    下载:23    浏览:444    时间:2018-12-19
本书介绍了WCF 4的各种技术,并通过3个案例介绍这些技术的应用。全书共14章节,内容包括设计原理与设计模式、服务契约与数据契约、绑定、客户端等。
0 次点评

vbRichClient精选案例 里面涉及了作图 动画 等很多高级功能

分类:VB    下载:80    浏览:441    时间:2018-12-19
vbRichClient精选案例 里面涉及了作图 动画 等很多高级功能 解压后必须找到RC5文件夹,进去运行vbs文件注册组件,然后各个案例才能正常运行。 功能很高级,大家可以开开眼界!看看外国人怎么玩vb的!
0 次点评

不平衡数据集的几种处理程序SMOTE等

分类:其他    下载:42    浏览:481    时间:2018-12-18
关于在不平衡数据集中需要用到的一些欠采样过采样的方法,SMOTE等算法的实现及其示例。
0 次点评

ecshop 小京东积分商城 积分+现金购买商品 供应商入驻

分类:PHP    下载:23    浏览:513    时间:2018-12-18
ecshop 小京东源码 积分商城 积分+现金购买商品 供应商入驻源码
0 次点评

饿了么源码 百度外卖源码 美团外卖源码 外卖系统源码

分类:PHP    下载:203    浏览:735    时间:2018-12-18
地方订餐外卖网站系统 2015 2016 最赚钱的项目,帮您打造本地商业门户,机遇不可错过。网上订餐系统_网络订餐系统_外卖网站建设.订餐网,外卖网源码,带积分商城,商家系统,外卖网站建设! 系统特点: 周密策划、项目为先 "项目指导技术,技术服从项目",这是我们一贯秉承的原则,也是我们与其他系统开发商、网站建设公司的本质区别所在!我们的每个系统作品都要经过周密的市场分析调查、可行性研究、项目策划,对我们来说项目的可行性高于一切! 功能专业、布局严谨 以项目方案为蓝本,以现有成功地方网站为局部参考,并充分结合地方性网站的特点与商业模式进行功能规划。系统以八大主要功能模块与诸多 实用辅助模块组成,专业、强大、实用、易用。在布局上科学严谨,给用户以完美影像! 顶尖设计、赏心悦目 深知“面子”在网站中举足轻重位置,本系统由多名资深网页设计师联合设计,所有页面均经过布局策划-页面与UI设计-美术设计三大环节,结构布局清晰、界面大气美观、干净整洁,并注重每个细节的用户体验。让您的网站在用户面前眼前一亮! 饿了么源码网络外卖订餐系统致力于帮助专业从事餐饮外卖企业或有外卖业务的餐饮企业快速部署外卖订餐系统,拓展网络外卖订餐业务 。简洁大方的界面、精准的楼宇定位系统、强大的菜单管理系统,人性化的订单处理系统等等,不仅能够帮助您提升企业形象、还为您提供了一套完整的网络外卖解决方案,配合适当的宣传方式可以获得实实在在的销量和用户黏度的提升。 都来订网络外卖订餐系统区别于同类软件产品的独特性表现在: 1、 简洁大方的界面 简洁的界面,简便的操作,全面提升企业形象,带给您全新的体验。 2、 精准的楼宇定位系统 配送范围、配送价格、配送时间随需变化。 3、 强大的菜单管理系统 单品、套餐均适用,图片展示更直观。 4、 人性化的订单处理系统 订单提示、处理、打印、对账,一站式完成。 5、 快捷流畅的订餐流程 定位→选餐→下单→结算,保证订单准确无误。 6、 及时发布公告信息 将营业状态和促销信息第一时间发布到网站。 都来订网络外卖订餐系统V1.8.6更新内容简介: 1、提高首页点餐速度;
0 次点评

基于PHP的教师档案管理系统(论文+代码)

分类:PHP    下载:3    浏览:414    时间:2018-12-17
这个是本人的毕业设计。 基于php的教师档案管理系统 使用的wamp的平台 mysql默认账号root,密码root 登录账户 教师账号teacher 管理员账号admin 教务处账号manager 密码都是1 全套包含了代码和论文,以及答辩ppt,任务书,申报表等,半年的成果,全是泪啊!!!
0 次点评

高级后台管理模板

分类:Java    下载:30    浏览:644    时间:2018-12-17
自适应改机后台管理模板,企业网站后台管理HTML模板,企业员工后台管理模板,全套模板,包括登录、后台首页、会员管理、广告管理、反馈管理、修改密码等HTML后台模板页面
0 次点评

C#实现的基于BP神经网络的数据预测(降雨量+铁矿石进口量预测)(有界面)

分类:C#    下载:68    浏览:548    时间:2018-12-14
使用BP神经网络对样本数据(某水库年降雨量监测数据 + 中国铁矿石年进口量监测数据)进行操作,生成需要的训练数据和测试数据。并使用这些数据进行训练处误差小于指定要求的网络,之后可根据界面获取需要预测的年限,并最终进行预测

QQ|Archiver|手机版|小黑屋|学途无忧 ( 沪ICP备18043903号 )

GMT+8, 2019-10-15 04:29 , Processed in 0.072266 second(s), 72 queries .

Powered by xuetuwuyou.com

© 2001-2018 学途无忧

返回顶部