深度学习 订阅
深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)。 [1]  深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。 [1]  深度学习在搜索技术,数据挖掘,机器学习,机器翻译,自然语言处理,多媒体学习,语音,推荐和个性化技术,以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动,解决了很多复杂的模式识别难题,使得人工智能相关技术取得了很大进步。 [1] 展开全文
深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向,它被引入机器学习使其更接近于最初的目标——人工智能(AI, Artificial Intelligence)。 [1]  深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法,在语音和图像识别方面取得的效果,远远超过先前相关技术。 [1]  深度学习在搜索技术,数据挖掘,机器学习,机器翻译,自然语言处理,多媒体学习,语音,推荐和个性化技术,以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动,解决了很多复杂的模式识别难题,使得人工智能相关技术取得了很大进步。 [1]
信息
外文名
Deep Learning
提出时间
2006年
提出者
Geoffrey Hinton,Yoshua Bengio,Yann LeCun 等
中文名
深度学习
学    科
人工智能
应    用
计算机视觉,自然语言处理,生物信息学 等
深度学习简介
深度学习是一类模式分析方法的统称,就具体研究内容而言,主要涉及三类方法: [2]  (1)基于卷积运算的神经网络系统,即卷积神经网络(CNN)。 [2]  (2)基于多层神经元的自编码神经网络,包括自编码( Auto encoder)以及近年来受到广泛关注的稀疏编码两类( Sparse Coding)。 [2]  (3)以多层自编码神经网络的方式进行预训练,进而结合鉴别信息进一步优化神经网络权值的深度置信网络(DBN)。 [2]  通过多层处理,逐渐将初始的“低层”特征表示转化为“高层”特征表示后,用“简单模型”即可完成复杂的分类等学习任务。由此可将深度学习理解为进行“特征学习”(feature learning)或“表示学习”(representation learning)。 [3]  以往在机器学习用于现实任务时,描述样本的特征通常需由人类专家来设计,这成为“特征工程”(feature engineering)。众所周知,特征的好坏对泛化性能有至关重要的影响,人类专家设计出好特征也并非易事;特征学习(表征学习)则通过机器学习技术自身来产生好特征,这使机器学习向“全自动数据分析”又前进了一步。 [3]  近年来,研究人员也逐渐将这几类方法结合起来,如对原本是以有监督学习为基础的卷积神经网络结合自编码神经网络进行无监督的预训练,进而利用鉴别信息微调网络参数形成的卷积深度置信网络。与传统的学习方法相比,深度学习方法预设了更多的模型参数,因此模型训练难度更大,根据统计学习的一般规律知道,模型参数越多,需要参与训练的数据量也越大。 [2]  20世纪八九十年代由于计算机计算能力有限和相关技术的限制,可用于分析的数据量太小,深度学习在模式分析中并没有表现出优异的识别性能。自从2006年, Hinton等提出快速计算受限玻耳兹曼机(RBM)网络权值及偏差的CD-K算法以后,RBM就成了增加神经网络深度的有力工具,导致后面使用广泛的DBN(由 Hinton等开发并已被微软等公司用于语音识别中)等深度网络的出现。与此同时,稀疏编码等由于能自动从数据中提取特征也被应用于深度学习中。基于局部数据区域的卷积神经网络方法今年来也被大量研究。 [2] 
收起全文
精华内容
参与话题
问答
  • Linux环境下运行深度学习python文件

    千次阅读 2018-11-20 09:53:18
    Linux环境下运行深度学习python文件学会使用Linux一些基本的命令行配置环境Python文件编辑器运行python文件Linux导入tensorflow报错生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个...

    学会使用Linux一些基本的命令行

    进入terminal:Ctrl+Alt+T
    获得root权限:su root
    输入root密码:密码输入时是看不见的哦 直接输入正确密码之后点击Enter键即可

    配置环境

    配置所需的python环境
    配置所需的tensorflow的版本
    配置所需的cuda环境:选择适合当前linux配置的cuda文件进行下载,不同安装方式有安装说明
    在这里插入图片描述

    转载:cuda安装或升级
    转载:CUDA、tensorflow与cuDNN的版本匹配问题

    Python文件编辑器

    安装Pycharm
    在Pycharm的官网上下载Linux所需的安装包
    在这里插入图片描述
    解压安装包后 根据文件中所给出的安装指示文件进行安装操作
    在这里插入图片描述
    在这里插入图片描述

    安装Anaconda

    选择Linux环境下适合的Ananconda版本
    下载好anaconda文件后,在命令行运行:
    bash Anaconda2-2.4.1-Linux-x86_64.sh
    (注意黄色部分的版本号要对应)
    查看当前conda版本: conda -V
    在conda下创建虚拟环境:conda create -n your_env_name python=X.X(2.7、3.6等)
    此时可以在anaconda文件下env文件中查看到所创建的虚拟环境的列表:conda env list
    激活虚拟环境:conda activte 虚拟环境的name
    移除虚拟环境:conda remove -n your_env_name --all
    删除环境中的某个包:conda remove package_name

    运行python文件

    打开pyCharm编辑器(如果要长期使用,记得激活哦!)
    打开要运行的python文件
    在setting中选择要使用的interrupter:
    在这里插入图片描述
    点击运行:
    在这里插入图片描述

    notice:

    运行之后可能会有很多报错的问题,需要调试。一定要认真看清每一次报错的原因,有针对性的进行调试修改哦!!!!!

    分享我的调bug之旅:

    Linux深度学习Anaconda调bug之旅

    展开全文
  • ubuntu下安装深度学习python工具包keras

    千次阅读 2017-01-03 10:37:31
    最近一直在学习深度学习,开始用过matlab的工具箱,感觉很多功能不够,发现基于Python的工具箱很多,找了一下发现Theano是使用比较多的一个,但是比较老,模块化也不够。经过别人的推荐开始使用基于Theano的一个深度...

    最近一直在学习深度学习,开始用过matlab的工具箱,感觉很多功能不够,发现基于Python的工具箱很多,找了一下发现Theano是使用比较多的一个,但是比较老,模块化也不够。经过别人的推荐开始使用基于Theano的一个深度学习的工具包Keras

    1.Keras简介

    Keras是基于Theano的一个深度学习框架,它的设计参考了Torch,用Python语言编写,是一个高度模块化的神经网络库,支持GPU和CPU。使用文档在这:http://keras.io/,这个框架貌似是刚刚火起来的,使用上的问题可以到github提issue:https://github.com/fchollet/keras 

    2.Ubuntu下Keras的安装

    参照keras官网给出的安装方法http://keras.io/

      从这里我们可以看到要安装keras我们还必须先安装其他几个python库。
    - 安装Theano
    先安装theano是因为numpy和scipy可以在这个过程一起安装。
    参照theano在ubuntu下的安装指南http://deeplearning.net/software/theano/install_ubuntu.html#install-ubuntu
    打开终端输入命令:

    sudo apt-get install python-numpy python-scipy python-dev python-pip python-nose g++ libopenblas-dev git
    sudo pip install Theano
    

    第一条命令主要是安装Theano需要的扩展库,第二条是安装Theano。
    - 安装pyyaml
    打开终端输入命令:

    sudo pip install pyyaml
    

    可以看到还有两个可选的库,建议安装HDF5和h5py,至于cuDNN根据你自己的情况而定。
    打开终端输入命令:

    sudo apt-get install libhdf5-serial-dev
    sudo pip install h5py
    

    到这里所有的库已经安装完毕。
    - 安装Keras
    打开终端输入命令

    sudo pip install kears
    

    - 测试安装是否成功

        NumPy (~30s): python -c "import numpy; numpy.test()"
        SciPy (~1m): python -c "import scipy; scipy.test()"
        Theano (~30m): python -c "import theano; theano.test()"
    • 1
    • 2
    • 3
    • 1
    • 2
    • 3

    程序运行过程中会不断输出字符代表成功。

    3.keras 使用

    参考wepon的博客:http://blog.csdn.net/u012162613/article/details/45397033


    安装tensorflow


    wget https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.9.0-cp27-none-linux_x86_64.whl
    sudo pip install tensorflow-0.9.0-cp27-none-linux_x86_64.whl

    修改后端 tensorflow or theano

    现在我们可以来改后端了。进入keras所在目录,输入:

    ~$ cd .keras/
    ~/.keras$ vim keras.json
    • 1
    • 2

    这里写图片描述

    可以看到我们需要修改的文件内容,这里按‘c’进入修改模式,将“tensorflow”改为“theano”。


    这里写图片描述

    修改后,按“Ctrl+[”键退出修改模式,输入“:wq”保存修改并退出,这样修改后端就成功了。进入Python验证。


    展开全文
  • 深度学习python之制作VOC数据集中的xml文件(Annotations文件夹内)from lxml.etree import Element, SubElement, tostring from xml.dom.minidom import parseStringdef make_xml(xmin_tuple, ymin_tuple, xmax_...

    深度学习python之制作VOC数据集中的xml文件(Annotations文件夹内)

    from lxml.etree import Element, SubElement, tostring
    from xml.dom.minidom import parseString
    
    def make_xml(xmin_tuple, ymin_tuple, xmax_tuple, ymax_tuple, image_name):
    
        node_root = Element('annotation')
    
        node_folder = SubElement(node_root, 'folder')
        node_folder.text = 'VOC'
    
        node_filename = SubElement(node_root, 'filename')
        node_filename.text = image_name + '.jpg'
    
        node_object_num = SubElement(node_root, 'object_num')
        node_object_num.text = str(len(xmin_tuple))
    
        node_size = SubElement(node_root, 'size')
        node_width = SubElement(node_size, 'width')
        node_width.text = '512'
    
        node_height = SubElement(node_size, 'height')
        node_height.text = '384'
    
        node_depth = SubElement(node_size, 'depth')
        node_depth.text = '3'
    
        for i in xrange(len(xmin_tuple)):  
            node_object = SubElement(node_root, 'object')
            node_name = SubElement(node_object, 'name')
            node_name.text = 'ship'
            node_difficult = SubElement(node_object, 'difficult')
            node_difficult.text = '0'
    
            node_bndbox = SubElement(node_object, 'bndbox')
            node_xmin = SubElement(node_bndbox, 'xmin')
            node_xmin.text = str(xmin_tuple[i])
            node_ymin = SubElement(node_bndbox, 'ymin')
            node_ymin.text = str(ymin_tuple[i])
            node_xmax = SubElement(node_bndbox, 'xmax')
            node_xmax.text = str(xmax_tuple[i])
            node_ymax = SubElement(node_bndbox, 'ymax')
            node_ymax.text = str(ymax_tuple[i])
    
    
        xml = tostring(node_root, pretty_print = True)
        dom = parseString(xml)
        #print xml 打印查看结果
        return dom

    调用格式

        dom = make_xml(xmin_tuple, ymin_tuple, xmax_tuple, ymax_tuple, image_name)
    
        xml_name = os.path.join(save_xml_path, image_name + '.xml')
        with open(xml_name, 'w') as f:
            f.write(dom.toprettyxml(indent='\t', encoding='utf-8'))

    其中
    image_name 没有扩展名,比如 ‘000001’
    xmin_tuple = []
    xmin_tuple.append(xmin) # xmin 为坐标值,有多少物体,len(xmin_tuple)就是多少

    某一打印结果为:

    <annotation>
      <folder>VOC</folder>
      <filename>000077.jpg</filename>
      <object_num>3</object_num>
      <size>
        <width>512</width>
        <height>384</height>
        <depth>3</depth>
      </size>
      <object>
        <name>ship</name>
        <difficult>0</difficult>
        <bndbox>
          <xmin>20</xmin>
          <ymin>1</ymin>
          <xmax>50</xmax>
          <ymax>67</ymax>
        </bndbox>
      </object>
      <object>
        <name>ship</name>
        <difficult>0</difficult>
        <bndbox>
          <xmin>1</xmin>
          <ymin>119</ymin>
          <xmax>27</xmax>
          <ymax>201</ymax>
        </bndbox>
      </object>
      <object>
        <name>ship</name>
        <difficult>0</difficult>
        <bndbox>
          <xmin>290</xmin>
          <ymin>1</ymin>
          <xmax>409</xmax>
          <ymax>365</ymax>
        </bndbox>
      </object>
    </annotation>
    展开全文
  • 别再自己抠图了,Python用5行代码实现批量抠图

    万次阅读 多人点赞 2020-03-10 21:48:10
    前言 对于会PhotoShop的人来说,弄一张证件照还是非常简单的,但是还是有许多人不会PhotoShop的。今天就给你们带来一个非常简单的方法,...要是之前我对抠图是束手无策的,但是前几天发现了深度学习开发工具PaddleH...

    前言

    对于会PhotoShop的人来说,抠图是非常简单的操作了,有时候几秒钟就能扣好一张图。不过一些比较复杂的图,有时候还是要画点时间的,今天就给大家带了一个非常快速简单的办法,用Python来批量抠取人像。

    效果展示

    开始吧,我也不看好什么自动抠图,总觉得不够精确,抠不出满意的图。下面我就直接展示一下效果图吧。我们先看看原图
    在这里插入图片描述
    这张图片背景未纯色,我们平时用PhotoShop抠起来也比较简单,对我们计算机来说也不是什么难题,下面是效果图:
    在这里插入图片描述
    因为本身是PNG图片,而且原图是白色背景,所以看不出什么区别。为了显示效果,我把原图和抠好的图放到一张黄色背景图片上:
    在这里插入图片描述
    这样一看效果明显多了,感觉抠图效果还是非常好的。但是吧,抠这种简单的图片,不怎么过瘾,我们再来看看复杂一点的图片:
    在这里插入图片描述
    这张图片背景色比之前复杂一些,而且有渐变,我们来看看抠图后的效果如何:
    在这里插入图片描述
    这个原图背景不是白色,我就不弄黄色背景了,赶紧这个效果也还算满意,那么多人物的图片呢,我们再看看下面这张图片:
    在这里插入图片描述
    这里有三个人,我们看看程序能不能自动抠出来:
    在这里插入图片描述
    虽然是有点瑕疵,不过还是很不错了,下面我们看看最后一个例子:
    在这里插入图片描述
    这个就比前面的都复杂的多,那么效果如何呢,我们来看看:
    在这里插入图片描述
    哈哈,不仅识别出了人,还把火炬识别出来并抠了出来。总的来说,在完成人物抠图方面还是没有什么问题的。

    环境

    看完效果,那么应该怎么实现呢?这就需要用到paddlepaddle了,那paddlepaddle是什么呢?paddlepaddle是一个开源的深度学习工具,我们使用该工具可以仅用十几行代码实现迁移学习。在使用之前,我们先来安装paddlepaddle,我们可以进入官网https://www.paddlepaddle.org.cn/,官网上用安装指引。为了方便,这里直接使用pip安装CPU版本的。
    我们执行下列语句:

    python -m pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple
    

    安装完成后我们可以在环境中测试一下是否成功。我这里使用命令行窗口,先运行python.exe(前提是你已经配置了环境变量)

    C:\Users\zaxwz>python
    

    然后在程序中运行如下代码:

    Python 3.7.6 (tags/v3.7.6:43364a7ae0, Dec 19 2019, 00:42:30) [MSC v.1916 64 bit (AMD64)] on win32
    Type "help", "copyright", "credits" or "license" for more information.
    >>> import paddle.fluid
    >>> paddle.fluid.install_check.run_check()
    

    如果控制台显示Your Paddle is installed successfully! Let’s start deep Learning with Paddle now就代表我们已经安装成功了。另外我们还需要安装paddlehub:

    pip install -i https://mirror.baidu.com/pypi/simple paddlehub
    

    下面我们就可以开始写代码了。

    实现抠图

    实现抠图的代码很简单,大概分为下面几个步骤:

    1. 导入模块
    2. 加载模型
    3. 获取文件列表
    4. 抠图

    实现起来没有什么难度,为了方便读代码,我将代码写清楚一点:

    # 1、导入模块
    import os
    import paddlehub as hub
    
    # 2、加载模型
    humanseg = hub.Module(name='deeplabv3p_xception65_humanseg')
    
    # 3、获取文件列表
    # 图片文件的目录
    path = 'D:/CodeField/Workplace/PythonWorkplace/PillowTest/11_yellow/img/'
    # 获取目录下的文件
    files = os.listdir(path)
    # 用来装图片的
    imgs = []
    # 拼接图片路径
    for i in files:
        imgs.append(path + i)
    #抠图
    results = humanseg.segmentation(data={'image':imgs})
    

    我们在控制台运行一下这个程序:

    D:\CodeField\Workplace\PythonWorkplace\PillowTest\11_yellow>python 抠图.py
    [2020-03-10 21:42:34,587] [    INFO] - Installing deeplabv3p_xception65_humanseg module
    [2020-03-10 21:42:34,605] [    INFO] - Module deeplabv3p_xception65_humanseg already installed in C:\Users\zaxwz\.paddlehub\modules\deeplabv3p_xception65_humanseg
    [2020-03-10 21:42:35,472] [    INFO] - 0 pretrained paramaters loaded by PaddleHub
    

    运行完成后,我们可以在项目下看到humanseg_output目录,抠好的图片就会存放在该目录下。当然了,上面的代码我们在获取文件列表的操作还可以简化一下:

    import os, paddlehub as hub
    humanseg = hub.Module(name='deeplabv3p_xception65_humanseg')		# 加载模型
    path = 'D:/CodeField/Workplace/PythonWorkplace/PillowTest/11_yellow/img/'	# 文件目录
    files = [path + i for i in os.listdir(path)]	# 获取文件列表
    results = humanseg.segmentation(data={'image':files})	# 抠图
    

    最后送大家一套2020最有趣的Pyhon项目实战视频教程,地址https://docs.qq.com/doc/DVFlFQW5HTVZPbnNN进去拿

    展开全文
  • python安装教程

    万次阅读 多人点赞 2018-06-07 15:15:23
    帮助大家学习的时候少走弯路。希望会对大家有所帮助,欢迎留言提问。PS文章底部是我的python3.7包下载链接,大家可以自行下载。 二、安装环境 本套教程的安装环境是:win7 或者win10系统 Python版本:p...
  • 150讲轻松搞定Python网络爬虫

    万人学习 2019-05-16 15:30:54
    2、如果是作为一个其他行业的开发者,比如app开发,web开发,学习爬虫能让你加强对技术的认知,能够开发出更加安全的软件和网站 【课程设计】 一个完整的爬虫程序,无论大小,总体来说可以...
  • 图解Python 玩转Python 秒懂python

    万次阅读 多人点赞 2019-07-06 21:30:04
    0 Python 解释器: Python数据结构: 2.变量与运算符 3 Python 流程控制 4 Python 文件处理 5 python 输入输出 6 Python 异常 7 Python 函数和模块 8 Python 面相对象: 9 python 多线程 10 Python 标准库...
  • 董付国系列教材《Python程序设计基础》、《Python程序设计(第2版)》、《Python可以这样学》配套视频,讲解Python 3.5.x和3.6.x语法、内置对象用法、选择与循环以及函数设计与使用、lambda表达式用法、字符串与正则...
  • Python 面试100讲(基于Python3.x)

    万人学习 2019-11-15 10:20:42
    本课程搜集了各大互联网公司的Python面试题以及类似的题目。课程体系包括Python语言本身的知识、Python SDK、Web、Python爬虫以及算法等内容。所以的源代码都使用Python3.x编写。Python相关知识包括基本语法、正则...
  • Python入门视频精讲

    万人学习 2018-09-04 12:10:56
    Python入门视频培训课程以通俗易懂的方式讲解Python核心技术,Python基础,Python入门。适合初学者的教程,让你少走弯路! 课程内容包括:1.Python简介和安装 、2.第一个Python程序、PyCharm的使用 、3.Python基础...
  • Python爬虫100例教程导航帖(已完结)

    万次阅读 多人点赞 2019-01-08 23:40:01
    Python爬虫入门教程导航,目标100篇。 本系列博客争取把爬虫入门阶段的所有内容都包含住,需要你有较好的Python基础知识,当然你完全零基础也可以观看本系列博客。 Python爬虫入门教程,加油!
  • 吴恩达机器学习与深度学习作业目录 [图片已修复]

    万次阅读 多人点赞 2018-10-23 10:03:59
    1 吴恩达机器学习作业Python实现(一):线性回归 2 吴恩达机器学习作业Python实现(二):logistic回归 3 吴恩达机器学习作业Python实现(三):多类分类和前馈神经网络 4 吴恩达机器学习作业Python实现(四):神经网络...
  • 21天通关Python(仅视频课)

    万人学习 2019-05-21 13:58:33
    本页面购买不发书!!!仅为视频课购买!...析和网络爬虫等内容,本课程会从小案例起,至爬虫、数据分析案例终、以Python知识体系作为内在逻辑,以Python案例作为学习方式,最终达到“知行合一”。
  • Python数据清洗实战入门

    万人学习 2019-12-09 10:47:41
    本次课程主要以真实的电商数据为基础,通过Python详细的介绍了数据分析中的数据清洗阶段各种技巧和方法。
  • Python中如何求列表list的平均数

    万次阅读 多人点赞 2019-09-28 10:12:07
    Python中如何求列表list的平均数 当列表list中只包含数字时,如何求取它的平均数: from numpy import * a = [52,69,35,65,89,15,34] b = mean(a) print(b) 运行结果: 51.285714285714285 ...
  • 深度解析Python深度学习框架的对比

    千次阅读 2019-03-05 16:08:49
    从PyTorch到Mxnet ,对比这些Python深度学习框架。选择什么深度学习框架一直是开发者非常关心的一个话题,而且深度学习框架之间的「战争」也越来越激烈。过去一段时间,机器之心发过多篇机器学习框架的对比文章,但...
  • Python数据分析实战-Pandas

    千人学习 2019-12-02 10:54:20
    所以,pandas的重要性是不言而喻的,不管是想做简单的做数据分析和预测,还是想做高端的机器学习,深度学习,我们都必须学习pandas。  这门课程目标是,高效快速的让大家在最短的时间内掌握好pandas这个在python...
  • 9小时变身Python极客

    万人学习 2018-05-21 16:27:34
    Python入门视频教程,该课程主要分享Python入门的基础知识、语法,Python网络爬虫技术,爬虫框架Scrapy的使用、使用分布式方式爬取数据、Python前端框架Django的使用,以及Python学习成长路径。
  • Python GUI库PyQt5视频教程,内容包括pyqt5的安装、环境搭建、配置,...本系列课程深入介绍了Python语言的方方面面,也是李宁老师其他课程的基础,如深度学习、科学计算、Web开发(Django Web框架)、全站开发、运维等
  • python

    千次阅读 多人点赞 2018-08-17 15:54:47
    Python深度学习》【即将上市】 《Python高性能》【即将上市】 《深度学习入门:基于Python的理论与实现》 《Python测试驱动开发(第2版)》 《零压力学Python》 《Python 3网络爬虫开发实战》 《Python编程...
  • python的官网下载安装教程

    万次阅读 多人点赞 2019-07-13 14:13:16
    python的官网下载安装教程 1、在python的官网下载python对应版本:https://www.python.org/downloads/windows/ 打开链接如下图,版本会一直更新,选择任意一个适合自己电脑的版本就好 2、安装 1)双击运行下载好的...
  • Python杂谈 | (1)Python列表合并、去重和排序

    万次阅读 多人点赞 2018-10-13 14:10:27
    目录   一.列表合并--append() 二.列表合并--extend() 三.列表合并--“+” ...四....五....一....2.列表对象的append()可以将另一个列表追加到当前列表中,作为当前列表的一个元素。...二....与append()不同,e...
  • 深度学习原理详解及Python代码实现

    千人学习 2019-12-07 21:14:52
    深度学习框架如TensorFlow和Pytorch掩盖了深度学习底层实现方法,那能否能用Python代码从零实现来学习深度学习原理呢? 本课程就为大家提供了这个可能,有助于深刻理解深度学习原理。 左手原理、右手代码,双管齐下...
  • 手把手教你用Python实践深度学习 网盘地址:https://pan.baidu.com/s/183pNoCpUNzu7n82KMolD7A 提取码: 3q7b 备用地址(腾讯微云):https://share.weiyun.com/5yK5a9s 密码:dfnirh 课程共七章,采用最新...
  • Python爬虫教程-00-写在前面

    万次阅读 多人点赞 2018-08-05 10:49:03
    鉴于好多人想学Python爬虫,缺没有简单易学的教程,我将在CSDN和大家分享Python爬虫的学习笔记,不定期更新 基础要求 Python 基础知识 Python 的基础知识,大家可以去菜鸟教程进行学习 菜鸟教程python基础 ...
  • pythonpython思维导图

    万次阅读 多人点赞 2019-05-29 13:33:54
    python思维导图 源代码:https://blog.csdn.net/qq_44647926/article/details/88536654
  • Python爬虫教程-01-爬虫介绍

    万次阅读 多人点赞 2018-08-05 11:58:16
    Python 爬虫的知识量不是特别大,但是需要不停和网页打交道,每个网页情况都有所差异,所有对应变能力有些要求 爬虫准备工作 参考资料 精通Python爬虫框架Scrapy,人民邮电出版社 基础知识 url, http web...
  • Python进阶-Pandas数据分析库

    千人学习 2018-12-18 13:40:12
    Pandas是python中非常常用的数据分析库,在数据分析,机器学习,深度学习等领域经常被使用。本课程会讲解到pandas中最核心的一些知识点,包括Series以及DataFrame的构建,赋值,操作,选择数据,合并等等,以及使用...
  • Python进阶-Numpy科学计算库

    千人学习 2018-12-18 13:36:31
    Numpy是python最基本最常用的科学计算库,在数据分析,机器学习,深度学习等领域经常被使用,可以说是学习python必学的一个库。本课程会讲解到numpy中最核心的一些知识点,包括numpy的属性,创建array,numpy的运算...

空空如也

1 2 3 4 5 ... 20
收藏数 2,900,604
精华内容 1,160,241
关键字:

深度学习