精华内容
下载资源
问答
  • 深度学习项目-源码

    2021-02-21 04:47:43
    深度学习项目
  • 深度学习实践 关于深度学习项目
  • 一个简单而精心设计的结构对于任何深度学习项目都是必不可少的,因此,经过大量实践并为pytorch项目做出了贡献,下面是一个pytorch项目模板,该模板结合了简单性,文件夹结构的最佳实践和良好的OOP设计。 主要思想是...
  • 深度学习入门:包含小型深度学习项目的Jupyter笔记本
  • 深度学习项目案例

    2018-10-22 09:28:20
    21个项目玩转深度学习项目案例之何之源编著。基于TensorFlow的实践讲解。
  • 全面的深度学习项目目录,其中包含使用Pytorch和TensorFlow2.0框架实施的项目的复杂细节。 项目摘要 一个渐进式Web应用程序,其中包含我在随后的时间表中从事的所有深度学习项目。 在每个项目完成之后,将动态收集...
  • 高级学习 高级深度学习项目
  • DiceClassificationCNN 用于深度学习项目
  • 深度学习项目案例TensorFlow.rar 深度学习项目案例TensorFlow.rar 带源码
  • 深度学习项目实战-关键点定位课程以人脸关键点检测为背景,选择多阶段检测的网络架构,对于回归以及多label标签问题选择hdf5作为网络的输入数据源,实例演示如何制作多标签数据源并对原始数据进行数据增强。...
  • 深度学习项目 我的个人深度学习项目历久弥新
  • project_AP 深度学习项目
  • Foveated_Rendering UMKC关于深度渲染的深度学习项目 增量1
  • 一个使用PyTorch的简单模板项目,可以修改以适应许多深度学习项目
  • 从零搭建深度学习项目,共6部分详细设计步骤,含模型参数调优,值得参考。
  • 深度学习项目整合计划 学习那么长时间的深度学习课程,有很多优秀的开源项目,为了督促自己仔细分析,决定把遇到的项目整合并加以分析,留作日后方便查阅以及参考

    深度学习项目整合计划

    学习那么长时间的深度学习课程,有很多优秀的开源项目,为了督促自己仔细分析,决定把遇到的项目整合并加以分析,留作日后方便查阅以及参考

    展开全文
  • 自己动手玩转深度学习项目,DIY Deep Learning Projects – Towards Data Science,by Favio Vázquez.
  • 深度学习102 我的深度学习项目
  • 【前言】现在深度学习项目代码量越来越大,并且单个文件的量也非常的大。笔者总结了一些专家的经验并结合自己看的一些项目,打算总结一下如何探索和深入一个深度学习项目库。笔者pprp,未经允许不得擅自转发。 1. ...

    【前言】现在深度学习项目代码量越来越大,并且单个文件的量也非常的大。笔者总结了一些专家的经验并结合自己看的一些项目,打算总结一下如何探索和深入一个深度学习项目库。笔者pprp,未经允许不得擅自转发。

    1. 基础知识

    首先,需要保证有一定的深度学习基础知识,吴恩达的深度学习课还有斯坦福大学的CS231n都是不错的入门教程,只需要有大学数学的基础就可以看懂。

    然后,需要对Linux系统使用有一定的了解,一般选择Ubuntu系统作为主力系统,了解一下基础的系统命令就可以了,比如rm,ls,cd,cat,vim,sudo,find,df,top等,在B站上搜索一下Linux的视频,很快就可以入门。之后遇到新的命令只需要查询API即可。

    其次,还需要保证对python语言和深度学习框架的了解,python上手是很快的,可以看一下菜鸟教程或者莫烦python教程,上首页很快。深度学习框架方面可以买一些书籍,边看边敲,找一个小项目敲一敲,了解一下大部分API就已经达到上手水平了。深度学习框架一般选tensorflow、pytorch,因为大部分项目大多是基于这两个框架的。他们官方网站的教程也是非常不错的参考,可以看看官方提供的教程,跑一下github上提供的demo。

    最后,营造科研的环境,可以关注一些领域相关的大牛、公众号,也可以加入一些交流群,多和群友交流,尽可能提升领域的常识。不要乱问问题,一定要有自己的思考和想法,然后再到群里问问题和交流。

    2. 项目分析阅读

    从Github上拿到一个项目,可以按照以下的步骤进行分析和阅读。

    • 项目背景调研:

      • 项目是否是对应一篇论文?如果对应论文,可以先阅读一下Paper,对背景和项目的细节有一个大概的了解。
      • 项目是否有说明文档?一般比较大型的项目,比如pytorch,nni,mmdetection等较多人维护的项目是会在readthedoc上提供说明书,建议优先阅读说明。
      • 项目是否有README?README文件通常包含了项目创建者想要告诉你的信息,对于一些专业的项目库而言,阅读README文件绝对对你理解整个项目代码有帮助。
      • 什么都没有??极少数会遇到这种情况,但如果遇到的话,就进行下一个阶段吧。
    • 通过文件命名分析:

      • 根据文件夹、文件的命名,判断其可能的功能。一般在深度学习项目中,通常有几部分组成:
        • 数据处理、数据加载部分,通常命名可能有xxx_dataloader.py等
        • 网络模型构建部分,通常命名可能为 resnet20.py model.py等
        • 训练部分脚本,通常命名可能为train.py等
        • 测试部分脚本,通常命名可能为test.py eval.py 等
        • 工具库,通常命名为utils文件夹。
      • 举个例子,以once for all项目为例:
    .
    ├── build.sh # 环境构建
    ├── eval_ofa_net.py
    ├── eval_specialized_net.py # 验证专用网络
    ├── figures
    │   ├── cnn_imagenet_new.png
    │   ├── diverse_hardware.png
    │   ├── imagenet_80_acc.png
    │   ├── ofa-tutorial.jpg
    │   ├── overview.png
    │   └── video_figure.png
    ├── LICENSE
    ├── ofa 
    │   ├── imagenet_classification 
    │   │   ├── data_providers # 数据加载
    │   │   ├── elastic_nn # 算法核心模块
    │   │   ├── __init__.py
    │   │   ├── networks # 网络构建
    │   │   └── run_manager # 训练代码核心逻辑
    │   ├── __init__.py
    │   ├── model_zoo.py # 模型库
    │   ├── nas # nas相关工具
    │   │   ├── accuracy_predictor
    │   │   ├── efficiency_predictor
    │   │   ├── __init__.py
    │   │   └── search_algorithm
    │   ├── tutorial # 教程
    │   │   ├── accuracy_predictor.py
    │   │   ├── evolution_finder.py
    │   │   ├── flops_table.py
    │   │   ├── imagenet_eval_helper.py
    │   │   ├── __init__.py
    │   │   └── latency_table.py
    │   └── utils # 工具库
    │       ├── common_tools.py
    │       ├── flops_counter.py
    │       ├── __init__.py
    │       ├── layers.py
    │       ├── my_dataloader
    │       ├── my_modules.py
    │       ├── pytorch_modules.py
    │       └── pytorch_utils.py
    ├── README.md # 项目介绍,初次接触需要阅读
    ├── requirements.txt # 环境文件
    ├── setup.py # pip构建环境所需文件
    ├── train_ofa_net.py # 训练脚本
    └── tutorial # 教程
        ├── local_lut.npy
        ├── ofa.ipynb
        ├── ofa_resnet50_example.ipynb
        └── README.md
    
    
    • 找到程序运行入口:
      • 通过上一步的分析,找到了项目的介绍的话,在自己机器上完成环境配置。
      • 一般可以找到项目运行的主入口,比如train.py,试着运行项目。
      • 遇见bug怎么办?
        • 第一类bug,环境不兼容导致的bug,严格按照作者提供的运行环境,并对照环境的版本信息,对齐本地环境和作者要求的环境。
        • 第二类bug,深度学习框架带来的bug,这部分bug可以在bing上进行搜索,查看解决方案。
        • 第三类bug,项目本身相关的bug,这类bug最好是在github的issue区域进行查找,如果无法解决可以在issue部分详细描述自己的问题,等待项目库作者的解答。
      • 运行顺利的话,代表可以进行debug操作,对文件某些细节不确定的话,可以通过debug的方式查看变量详细内容。
    • 用IDE打开项目:
      • 笔者是vscode党,推荐使用vscode+scp+mobaxterm+远程服务器的方式进行运行。
      • 打开项目以后,从运行入口(通常是train.py)开始阅读:
        • 阅读入口文件的逻辑,查看调用到了哪些包。
        • 通过IDE的功能跳转到对应类或者函数进行继续阅读,配合代码注释进行分析。
        • 分析过程可能会需要软件工程的知识,比如画一个类图来表述项目的关系。
        • 一开始可以泛读,大概了解整体流程,做一些代码注释。而后可以精读,找到文章的核心,反复理解核心实现,抽丝剥茧,一定可以对这个项目有进一步的理解。
    • 实在读不懂怎么办?
      • 在Github的issue上进行提问。
      • 如果有项目作者的联系方式,可以联系作者,发邮件提问。
      • 看看有没有其他人写过相关的博客。

    参考

    https://www.zhihu.com/question/26480537

    https://www.zhihu.com/question/29416073/answer/44301979

    https://github.com/phodal/articles/issues/14

    展开全文
  • 001、深度学习项目实战01 人脸关键点检测算法框架.mp4  002、深度学习项目实战02 多标签数据源制作以及标签坐标转换.mp4  003、深度学习项目实战03 对原始数据进行数据增强.mp4  004、深度学习项目实战04 完成第...
  • 深度学习 我的深度学习项目。 包括:MNIST,CatVDog,斯坦福犬种和Udacity面部关键点
  • 深度学习:深度学习项目,其实现包括图像处理,对象检测,生成对抗网络和自然语言处理。
  • Github十大深度学习项目

    千次阅读 2016-07-13 22:36:17
    Github十大深度学习项目

     Github十大深度学习项目,其中包含了大量的代码库,框架以及学习资料。看看Github上的人们都在使用哪些工具,都在从哪些资源那里进行学习。最新KDnuggets软件调查结果表明,在过去12个月,73%的数据科学家都会使用免费的数据科学工具。不言而喻,Python和R语言(两者皆为开源)以及各自的生态系统,是这些免费的数据科学工具中,数据科学家们运用的最突出、最必不可少的。
      Github已成为名副其实的开源软件交流中心,其上寄存了几乎所有想得到的项目类型。深度学习在学术、研究和兴趣方面的普及程度越来越高,并在数据科学方面越来越重要,我们将探索一下Github里出类拔萃的深度学习项目。
      需要注意的是,大部分人认为属于深度学习的一些重要项目并没有出现在该名单上,原因在于在Github搜索「深度学习」时并没有涉及到这些项目。
      1. Caffe
      ★ 7905
      Caffe是利用Python和MATLAB两者结合创建的深度学习程序库。由伯克利大学的伯克利视觉与学习中心创办,如果人们仅把Caffe当做计算机视觉应用是情有可原的;事实上,这是一个通用的深度学习程序库,能够开发卷积网络,并创建其他视觉、语音等应用。
      
      2. Data Science IPython Notebooks
      ★ 4386
      这是由Donne Martin策划收集的IPython笔记本。话题涵盖大数据、Hadoop、scikit-learn和科学Python堆栈以及很多其他方面的内容。至于深度学习,像是TensorFlow、Theano和Caffe之类的框架也均被涵盖其中,当然还有相关的特定构架和概念等。
      
      3. ConvNetJS
      ★ 3924
      由斯坦福博士生Andrej Karpathy写就,他也一直维持着博客更新。ConvNetJS是一个由Java实现的神经网络及其通用模块,并且包括大量的基于浏览器的实例。这些文档和实例数不胜数,且非常完整。不要让java和神经网络结合在一起的想法把你吓跑了,这可是个非常受欢迎而且非常有用的项目。
      
      4. Keras
      ★ 3852
      Keras也是一种Python深度学习程序库,但它利用了TensorFlow和Theano,这也意味着它可以在目前已知最受欢迎的2个深度学习研发库中的任一个上运行。也是那些越来越多的被形容为非常高级的库之一,而所有这些高等级库都非常相似:抽象化底层的深度学习引擎,使使用者可以更快、更便捷以及更灵活地部署神经网络。Keras支持主流深度学习架构,自带30秒的快速入门指南,并有着完善的文档。
      
      5. MXNet
      ★ 3278
      作为一个深度学习框架,MXNet旨在灵活和高效,并且通过允许混合使用指令式编程及符号式编程的技巧来提高代码生产力。这个项目可以和多种语言绑定,如Python, R, 以及 Julia。同时MXNet还附带了一系列神经网络指南和蓝本。另外值得注意的是,一个相关项目用Java在浏览器环境中实现MXNet,有兴趣的朋友可以通过该链接(http://webdocs.cs.ualberta.ca/~bx3/mxnet/classify.html)对一个图形分类模型进行测试。
      
      6. Qix
      ★ 2253
      这是一个各种计算和编程主题有关资源(包括Node.Js, GoLang和深度学习)的Github版本库。
      之所以说「似乎(appears)」,是因为Github版本库都是用中文写的,谷歌提供的翻译甚至会带来更多不解。不过,有许多链接,所以如果你能说中文或看得懂中文,或许这里有些有价值的东西。
      
      7. Deeplearning4j  
      ★ 1824
      Deeplearning4j是为Java 和Scala打造的一款具有工业强度的深度学习框架。作为唯一值得研究的JVM深度学习解决方案之一,它在这个领域有着明显的优势。不仅可以很好地与Hadoop 以及Spark的结合,它还可以使用GPU。它的文档和指南也非常可靠。
      
      8. Machine Learning Tutorials
      ★ 1759
      这是一张机器学习和深度学习教程,文章和资源的名单。这张列表根据通过主题进行组织,包括了许多与深度学习有关的类别,包括计算机视觉,加强学习以及各种架构。由于内容广泛,几个月来,已经在社交媒体上小有名气,你也可以点击此处(https://github.com/ujjwalkarn/Machine-Learning-Tutorials/blob/master/contributing.md)做些贡献。
      
      9. DeepLearn Toolbox
      ★ 1651
      DeepLeanToolBox是一个供MATLAB和Octave使用的深度学习工具箱。很遗憾,这个项目现在已被废弃并停止维护。其Github版本库也指向了在修习深度学习方面颇具价值的其他选择:Theano和TensorFlow。
      如果说这个已经废弃的云端版本库还有点什么价值,那就是这个链接(http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)了,这本由Yoshua Bengio撰写的教程被包含在了这个版本库中以作为学习人工智能所使用的深度学习架构的学习资源。
      
      10. LISA Lab Deep Learning Tutorials
      ★ 1555
      这个Github版本库汇总了加拿大蒙特利尔大学的LISA实验室深度学习课程的练习材料。其介绍文档摘取如下:
      “这套练习材料将介绍你们了解一些最重要的深度学习算法,以及展示如何使用Theano运行这些算法。Theano是一个使撰写深度学习模型变得简单,并允许用户选择GPU对他们进行训练的python库。
      
    以上内容由于2015年1月10日东部时间晚10点,于Github搜索词条「deep learning」获取,并根据星值由高至低排序。

    展开全文
  • 深度学习项目实战-对抗生成网络 计算机博士,专注于机器学习与计算机视觉领域,...

    扫码下载「CSDN程序员学院APP」,1000+技术好课免费看

    APP订阅课程,领取优惠,最少立减5元 ↓↓↓

    订阅后:请点击此处观看视频课程

     

    视频教程-深度学习项目实战-对抗生成网络-深度学习

    学习有效期:永久观看

    学习时长:134分钟

    学习计划:3天

    难度:

     

    口碑讲师带队学习,让你的问题不过夜」

    讲师姓名:唐宇迪

    高校教师 / 培训机构讲师

    讲师介绍:计算机博士,专注于机器学习与计算机视觉领域,深度学习领域一线实战讲师。在图像识别领域有着丰富经验,实现过包括人脸识别,物体识别,关键点检测等多种应用的新算法。 参与多个国家级计算机视觉项目,多年数据领域培训经验,丰富的教学讲解经验,出品多套机器学习与深度学习系列课程,课程生动形象,风格通俗易懂。

    ☛点击立即跟老师学习☚

     

    「你将学到什么?」

    购买课程后,添加小助手微信(微信号:csdn500)回复【唐宇迪】

    进入学习群,获取唐宇迪老师社群答疑


    对抗生成网络在16年爆火,成了深度学习圈子里的家常话。课程首先讲解对抗生成网络基本原理,通过案例演示原理和流程。后项目实战对抗生成网络的升级版DCGAN,大家都可以基于DCGAN生成出来任何你喜欢的数据。 课程代码基于Tensorflow框架,案例与项目课时会通过debug的形式详解代码中每行的用法。

     

    「课程学习目录」

    第1章:深度学习项目实战-对抗生成网络(GAN)
    1.课程简介
    2.对抗生成网络形象解释
    3.对抗生成网络工作原理
    4.案例实战对抗生成网络:环境配置
    5.案例实战对抗生成网络:构造判别网络模型
    6.案例实战对抗生成网络:构造生成网络模型
    7.案例实战对抗生成网络:构造损失函数
    8.案例实战对抗生成网络:训练对抗生成网络
    第2章:基于卷积的对抗生成网络(DCGAN)
    1.DCGAN基本原理
    2.DCGAN的网络模型架构
    3.DCGAN项目实战:DIY你要生成的数据
    4.DCGAN项目实战:配置参数
    5.DCGAN项目实战:基于卷积的生成网络架构
    6.DCGAN项目实战:基于卷积的判别网络
    7.DCGAN项目实战:训练DCGAN网络
    第3章:mnist数据集对抗生成

     

    7项超值权益,保障学习质量」

    • 大咖讲解

    技术专家系统讲解传授编程思路与实战。

    • 答疑服务

    专属社群随时沟通与讲师答疑,扫清学习障碍,自学编程不再难。

    • 课程资料+课件

    超实用资料,覆盖核心知识,关键编程技能,方便练习巩固。(部分讲师考虑到版权问题,暂未上传附件,敬请谅解)

    • 常用开发实战

    企业常见开发实战案例,带你掌握Python在工作中的不同运用场景。

    • 大牛技术大会视频

    2019Python开发者大会视频免费观看,送你一个近距离感受互联网大佬的机会。

    • APP+PC随时随地学习

    满足不同场景,开发编程语言系统学习需求,不受空间、地域限制。

     

    「什么样的技术人适合学习?」

    • 想进入互联网技术行业,但是面对多门编程语言不知如何选择,0基础的你
    • 掌握开发、编程技术单一、冷门,迫切希望能够转型的你
    • 想进入大厂,但是编程经验不够丰富,没有竞争力,程序员找工作难。

     

    「悉心打造精品好课,3天学到大牛3年项目经验」

    【完善的技术体系】

    技术成长循序渐进,帮助用户轻松掌握

    掌握深度学习知识,扎实编码能力

    【清晰的课程脉络】

    浓缩大牛多年经验,全方位构建出系统化的技术知识脉络,同时注重实战操作。

    【仿佛在大厂实习般的课程设计】

    课程内容全面提升技术能力,系统学习大厂技术方法论,可复用在日后工作中。

     

    「你可以收获什么?」

    对抗生成网络(GAN)已经刷爆各大顶级会议,本课程用最通俗易懂的讲解带大家快速入门对抗生成网络,你也可以DIY各种生成数据。

     

    展开全文
  • CSE-510 应用深度学习项目
  • 购买课程后,添加小助手微信(微信号:itxy41)回复【唐宇迪】 进入学习群,获取唐宇迪老师社群答疑 深度学习项目实战-关键点定位课程以人脸关键点检测为背景,选择多阶段检测的网络架构,对于回归以及多label标签...
  • matlab人脸匹配代码热门深度学习项目 与深度学习相关的流行github项目列表(按星号排列)。 最后更新:2016.08.09 项目名 星星 描述 29622 使用数据流图进行计算以进行可扩展的机器学习。 11799 Caffe:深度学习的...
  • 截止到 2017年 5月14日,Github 最受欢迎的深度学习项目 TOP 20 是哪些吧(统计难免不完善,欢迎评论补充)。我们的这份榜单也会持续更新。 1. TensorFlow Star:56,796 Github 地址:...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 12,575
精华内容 5,030
关键字:

深度学习项目