#卷积神经网络
machine-learning-experiments入门学习资料 - 交互式机器学习实验集合
2 个月前
interviews.ai - 深度学习面试题资源汇总 - 数百道AI领域面试题全解析
2 个月前
相关项目
mit-deep-learning
本项目汇集了MIT深度学习课程的全面教程,涵盖基础知识、场景分割和生成对抗网络(GANs)等主题,适合初学者和进阶用户。项目包括前沿模型如DeepLab和BigGAN,并提供Jupyter Notebook和Google Colab示例,帮助学习者掌握核心技术。另有深度强化学习竞赛DeepTraffic,挑战开发者在复杂交通环境中训练神经网络实现高速驾驶。
DeepLearningFlappyBird
该项目演示了如何使用深度Q学习算法在Flappy Bird游戏中进行应用。项目利用Python、TensorFlow和OpenCV等技术,详细讲解了如何通过卷积神经网络处理游戏画面并优化游戏策略,使AI智能体可以自学并在游戏中取得高分。内容包括游戏画面的预处理、网络结构的设计、训练过程的参数调整以及常见问题的解决方案。此项目适合对深度强化学习有兴趣的开发者和研究人员参考。
DeepLearning.ai-Summary
此页面收录了DeepLearning.ai系列课程的详细笔记和总结,涵盖神经网络、超参数调整、机器学习项目结构、卷积神经网络和序列模型。读者可以通过这些笔记全面了解深度学习的基础知识和实际应用。
cnn-explainer
CNN Explainer 是一个用于学习卷积神经网络的互动可视化工具,提供实时演示和本地运行功能。用户可以克隆代码库并在本地环境中运行,支持自定义模型和图像类别。该工具由乔治亚理工学院与俄勒冈州立大学合作开发。
wav2letter
wav2letter++现已整合到Flashlight中,专注于端到端和在线语音识别的研究。该项目提供多种预训练模型和数据准备指南,适用于有监督和半监督学习。通过Flashlight的ASR应用实现所有功能,确保高效、准确的语音识别。
deep-learning-v2-pytorch
本仓库提供 Udacity 深度学习 v7 纳米学位课程的相关资料,包括各种深度学习主题的教程笔记本,涉及卷积神经网络、循环神经网络和生成对抗网络等模型的实现。内容涵盖权重初始化、批量归一化等技术,用户还可以访问项目起始代码,并学习在 AWS SageMaker 上部署模型。
interviews.ai
本书包含数百个AI面试问题的详细解答,涵盖信息理论、贝叶斯统计和算法微分等核心主题。特别为数据科学研究生和求职者设计,帮助在面试中脱颖而出。无论是初学者还是有经验的研究人员,都能从中获益。书中配有清晰图表和逐步解析,助读者全面掌握深度学习理论和实践。
d2l-pytorch
本项目基于《Dive Into Deep Learning》书籍,将MXNet代码转换为PyTorch实现。内容包括安装指南、线性神经网络、多层感知器、卷积神经网络、现代卷积网络、循环神经网络和注意力机制等章节。提供详细教程和示例代码,适合使用PyTorch进行深度学习的开发者。建议克隆仓库或使用nbviewer查看notebook文件。
pytorch-handbook
本开源书籍为使用PyTorch进行深度学习开发的用户提供系统化的入门指南。教程内容覆盖了从环境搭建到高级应用的各个方面,包括PyTorch基础、深度学习数学原理、神经网络、卷积神经网络、循环神经网络等,还包含实践案例与多GPU并行训练技巧。书籍持续更新,与PyTorch版本同步,适合所有深度学习研究者。