精华内容
下载资源
问答
  • 深度学习项目案例TensorFlow.rar 深度学习项目案例TensorFlow.rar 带源码
  • 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。
  • 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。...
  • 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
  • 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:...

    必须做好一些是LINUX平台,甚至没有教材根本需要摸索学习的准备,如果有那个变成为在线服务的请第一时间通知我们

    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:https://github.com/tensorflow/tensorflow

    TensorFlow是一个开源软件库,使用数据流图(data flow graph)进行数值计算。图中的节点表示数学运算,而图形边缘表示在它们之间流动的多维数据阵列(张量)。 这种灵活的架构让人能将计算部署到桌面、服务器或移动设备中的一个或多个CPU或GPU,而无需重写代码。TensorFlow 还有一个数据可视化工具包 TensorBoard。

    TensorFlow 由 Google Brain 团队研究人员和工程师开发,用于进行机器学习和深层神经网络研究。不久前发布了 TensorFlow 1.0 版本。

    2. scikit-learn

    Star:18,516

    Github 地址:https://github.com/scikit-learn/scikit-learn

    scikit-learning是一个用于机器学习的 Python 模块,建立在 SciPy 之上,并按照 3-Clause BSD 许可证分发。该项目于 2007 年由 David Cournapeau 开始,作为“Google夏季代码”项目,此后,许多志愿者做出了贡献。目前由志愿者团队维护。

    志愿者的力量是强大的。

    3. Caffe(Caffe2)

    Star:17,795

    Github 地址:https://github.com/BVLC/caffe

    Caffe 是一个深刻的学习框架,设计时注重表达(expression)、速度和模块化。根据 Github 介绍,Caffe 由伯克利 AI(BAIR)/伯克利视觉与学习中心(BVLC)及社区贡献者开发。Caffe 有一个非常活跃的开发者社区。

    去年 11 月,Caffe 主要作者、Facebook 研究科学家贾扬清在 Facebook 官往发文,介绍了 Caffe2go,一款规模更小、训练速度更快、对计算性能要求较低的机器学习框架,在手机上也能运行神经网络模型。但令人震惊,Caffe2go 截止发稿前 Github 星级为 0。

    今年 4月,Facebook 宣布开源跨平台的深度学习框架 Caffe2,轻量级、模块化,在移动端和云上都做了优化。同时提供的还有 C++ 和 Python API,以及模型库 Caffe2 Model Zoo,里面有视觉、语音、翻译等预训练模型,方便开发人员和研究者直接使用。Caffe2 目前在 Github 星级为 4602。

    Caffe2 Github 地址:https://github.com/caffe2/caffe2

    4. Keras

    Star:15,515

    GitHub 地址:https://github.com/fchollet/keras

    Keras是一个高级神经网络 API,用 Python 编写,能够运行在 TensorFlow 或者 Theano 上。Keras 的开发重点是实现快速实验,能够用尽可能少的延迟从理念到结果,是进行良好研究的关键,也是 Keras 受欢迎的一大原因。

    5. Show and Tell:神经图说生成器

    Star:14,620(去年 8 月 10,563)

    GitHub 地址:https://github.com/tensorflow/models/tree/master/im2txt

    这是 Oriol Vinyals et. al.(2016)的论文“Show and Tell: Lessons learned from the 2015 MSCOCO Image Captioning Challenge”的用TensorFlow实现的 image-to-text 图片说明生成模型。

    Show and Tell 模型是一个学习如何描述图片的深度神经网络。生成的图片说明是一个完整的句子,下面是一些例子:

    5. Neural Style

    Star:13,673(去年 8 月为 10,148)

    Github 地址:https://github.com/jcjohnson/neural-style

    这个项目是用 Torch 对 Leon A. Gatys, Alexander S. Ecker, 和 Matthias Bethge 等人的论文“A Neural Algorithm of Artistic Style”的一个实现。论文中提出一种算法,用卷积神经网络将一幅图像的内容与另一幅图像的风格进行组合。下面是一个将梵高《星夜》的艺术风格转移到斯坦福大学校园夜景的照片中的效果:

    将不同的艺术风格应用到同样一幅图像中会得出有趣的效果。论文中提供了各种风格的德国宾根大学图像:

    6. CNTK

    Star:10,673

    Github 地址:https://github.com/Microsoft/CNTK

    CNTK 是微软的开源深度学习框架,支持大部分流行的神经网络。2015 年 2 月,官方报道了一个基准性能测试结果,针对一个 4 层全连接神经网络,CNTK 与 Caffe、TensorFlow、Theano 和 Torch 对比,速度要快上 1.5 倍。

    去年 10 月,微软提供了 CNTK 升级版。本次升级最大的亮点在于增加了 Python 绑定。另外,新版本工具包跨服务器处理能力也得到了提升,能有效加快处理速度,并支持增强学习的实践。

    7. Tesseract

    Star:10,370

    Github 地址:https://github.com/tesseract-ocr/tesseract

    Tesseract 支持 unicode(UTF-8),可以直接识别超过 100 种语言,也可以在训练后识别其他语言。

    Tesseract 支持各种输出格式:plain-text、hocr(html)和 pdf。

    Tesseract 最初是惠普实验室开发的,2005 年开源。2006 年以后由谷歌开发。

    8. Deep Dream

    Star:10,156(去年 8 月 9042)

    Github 地址:https://github.com/tesseract-ocr/tesseract

    需要说明,这不是谷歌官方 Deep Dream 的 Github 库。这个库里包含了有示例代码的 IPython Notebook,补充了 Google Research 官方博客关于 Neural Network Art 的博文。

    很多开发人员使用这个库里描述的技术制作了脑洞大开的图像。我们也期待你的尝试。对了,如果你将图像发布到 Google+,Facebook 或 Twitter,请务必使用 #deepdream 做上标记,方便其他研究人员查看。

    9. MXNet

    Star:9615

    Github 地址:https://github.com/dmlc/mxnet

    MXNet 是一个旨在提高效率和灵活性的深度学习框架。因得到亚马逊的大力而成为常用深度学习框架的黑马。MXNet 可以混合符号和命令式编程,从而最大限度地提高效率和生产力。在其核心,MXNet 包含一个动态依赖调度程序(dynamic dependency scheduler),可以自动将符号运算和命令运算并行。顶部的图形优化层使 MXNet 符号执行速度快,记忆效率高。此外,MXNet 是便携式和轻量级的,可有效扩展到多颗 GPU 和多台机器。

    10. RocAlphaGo

    Star:8065(去年 8 月 7734)

    Github 地址:https://github.com/Rochester-NRT/RocAlphaGo

    这个项目是有学生主导的一个独立项目,使用 Python 和 Keras 重新实现了 DeepMind 在2016年发表的论文 "Mastering the game of Go with deep neural networks and tree search"(《用深度神经网络和树搜索学习围棋》)。使用 Python 和 Keras 的这个选择优先考虑了代码清晰度,至少在早期阶段是如此。

    这个项目目前仍在进行中,还不是 AlphaGo 的完全实现。项目先期关注 DeepMind AlphaGo 中神经网络的训练方面,而且已经得到论文中树搜索算法的一个简单单线程的实现,虽然速度上无法与 DeepMind 相比。

    11. Neural Doodle

    Star:7763(去年 8 月 7306)

    Github 地址:https://github.com/alexjc/neural-doodle

    使用深度神经网络把你的二流涂鸦变成艺术一般的作品!这个项目是 Champandard(2016)的论文 “Semantic Style Transfer and Turning Two-Bit Doodles into Fine Artworks”的一个实现,基于 Chuan Li 和 Michael Wand(2016)在论文“Combining Markov Random Fields and Convolutional Neural Networks for Image Synthesis”中提出的 Neural Patches 算法。这篇文章中深入解释了这个项目的动机和灵感来源:https://nucl.ai/blog/neural-doodles/

    doodle.py 脚本通过使用1个,2个,3个或4个图像作为输入来生成新的图像,输入的图像数量取决于你希望生成怎样的图像:原始风格及它的注释(annotation),以及带有注释(即你的涂鸦)的目标内容图像(可选)。该算法从带风格图像中提取 annotated patches,然后根据它们匹配的紧密程度用这些 annotated patches 渐进地改变目标图像的风格。

    11. Open Face

    Star:7122(去年 8 月 6072)

    Github 地址:https://github.com/cmusatyalab/openface

    OpenFace 是一个使用深度神经网络,用 Python 和 Torch 实现人脸识别的项目。神经网络模型基于 Google Florian Schroff 等人的 CVPR 2015 论文“FaceNet: A Unified Embedding for Face Recognition and Clustering” ,Torch 让网络可以在 CPU 或 CUDA 上运行。

    这是CMU的一个使用深度神经网络进行人脸识别的免费、开源项目。该项研究得到美国国家科学基金会(NSF)的支持,以及英特尔、谷歌、 Vodafone、英伟达和 Conklin Kistler 的额外支持。这个 Github 库中包含 batch-represent、real-time web、compare.py、vis-outputs.lua、classifier.py 等的 demo 和测试、训练、评估等的代码。

    12. Torch

    Star:6843

    Github 地址:https://github.com/torch/torch7

    PyTorch是一个提供两个高级功能的 python 包:① 具有强 GPU 加速度的张量计算(如numpy);②深度神经网络建立在基于磁带的自动调整系统(tape-based autograd system)Torch 也是常用深度学习框架之一,是 Torch7 中的 main package,其中定义了用于多维张量和数学运算的数据结构。此外,Torch 提供了很多实用功能,比如访问文件的实用程序,序列化任意类型的对象和其他有用的实用程序。

    13. Neural Enhance:深度学习做图像高分辨率

    Star:6557

    Github 地址:https://github.com/alexjc/neural-enhance

    见过刑侦剧里将模糊图片变清晰的情节吗?由于深度学习和 #NeuralEnhance,你也可以训练一个神经网络把图像放大 2 倍乃至 4 倍而且高清。增加神经元的数量或使用类似于低分辨率图像的数据集进行训练,还可以获得更好的结果。具体怎么做?去看 Github 介绍吧。

    14. PyTorch

    Star:4988

    Github 地址:https://github.com/pytorch/pytorch

    PyTorch是一个提供两个高级功能的 python 包:①具有强 GPU 加速度的张量计算(如numpy);②深度神经网络建立在基于磁带的自动调整系统(tape-based autograd system)。考虑到它的发布时间,PyTorch 大有潜力。

    你可以重用你喜欢的 python 软件包(如 numpy,scipy 和 Cython),在有需要时对 PyTorch 进行扩展。

    就在 5 月 4 日,PyTorch 发布了最新版,API 有一些变动,增加了一系列新的特征,多项运算或加载速度提升,而且修改了大量 bug。官方文档也提供了一些示例。

    15. Sonnet:DeepMind 内部开源深度学习框架

    Star:4691

    Github 地址:https://github.com/deepmind/sonnet

    DeepMind 研究人员发现 TensorFlow 的灵活性和适应性适合于为特定目的构建更高级别的框架,于是他们就写了一个这样的框架,可以用 TensorFlow 快速构建神经网络模块,也就是 Sonnet 框架。

    开源 Sonnet,可以使 DeepMind 创建的其他模型轻松地与社区共享,DeepMind 表示他们希望开发者社区能够使用 Sonnet 进行自己的研究。Sonnet 被专门设计用于与 TensorFlow 协同工作,不会阻止访问底层细节,如 Tensors 和可变范围等。Sonnet 编写的模型可以与原始的 TensorFlow 代码以及其他高级库中的模型自由混合。

    Sonnet 将定期更新。

    16. srez

    Star:4288(去年 8 月 3951)

    Github 地址:https://github.com/david-gpu/srez

    srez(super-resolution through deep learning),即通过深度学习实现图像超分辨率。这个项目是利用深度学习将 16x16 的图像分辨率增加 4 倍,基于用来训练神经网络的数据集,所得到的图像具有鲜明的特征。

    下图是这个网络所能做到的一个随机、没有特意挑选的示例。从左到右,第一列是 16x16 的输入图像,第二列是利用标准的双三次插值算法(bicubic interpolation)所能得到的结果,第三列是我们的神经网络的结果,然后最右列是原本的真实图像。

    如你所见,神经网络能够产生与原始的人脸非常相似的图像。由于用于训练的数据集主要由面朝正前方而且光线良好的人脸图像组成,所以当脸的朝向不是正前方、光线不足或脸被眼镜或手遮住了部分时,输出的效果会比较差。

    17. CycleGAN

    Star:3773

    Github 地址:https://github.com/junyanz/CycleGAN

    由于微信图片上传大小限制,更清晰的图片请到 Github 查看

    伯克利视觉组的研究,用于学习没有输入-输出对的图像到图像转换(即 pix2pix)的 Torch 实现,例如:

    此外,另一项相关研究也十分不错:

    pix2pix

    Star:2965

    Github 地址:https://github.com/phillipi/pix2pix

    18. open_nsfw

    Star:3338(去年 8 月 3076)

    Github 地址:https://github.com/yahoo/open_nsfw

    这是雅虎构建的用于检测图片是否包含不适宜工作场所(NSFW)内容的深度神经网络项目,GitHub 库中包含了网络的 Caffe 模型的代码。检测具有攻击性或成人内容的图像是研究人员进行了几十年的一个难题。随着计算机视觉技术和深度学习的发展,算法已经成熟,雅虎的这个模型能以更高的精度分辨色情图像。

    由于 NSFW 界定其实是很主观的,有的人反感的东西可能其他人并不觉得如何。雅虎的这个深度神经网络只关注NSFW内容的一种类型,即色情图片,所以该模型不适用于检测素描、文字、动画、暴力图片等内容。

    19. NeuralTalk2

    Star:3337(去年 8 月 3010)

    Github 地址:https://github.com/karpathy/neuraltalk2

    循环神经网络(RNN)可以用于给图像取标题。NeuralTalk2 比原始版本的 NeuralTalk 更快而且性能更好。与原来的 NeuralTalk 相比,NeuralTalk2 的实现是批量的,可以使用 Torch 在 GPU上运行,并且支持 CNN 微调。这些都使得语言模型(~100x)的训练速度大大加快,但由于我们还有一个 VGGNet,因此总体上的提升没有很多。但是这仍然是个好模型,可以在 2~3 天里训练好,而且表现出的性能非常好。

    Google Brain 2016年9月22日发布了 Vinyals et al.(2015)的图说模型(前文介绍的Show and Tell 模型)。它的核心模型与 NeuralTalk2(一个CNN后面跟着RNN)非常相似,但由于 Google 有更好的CNN,加上一些小技巧和更细致的工程,Google 发布的模型应该比 NeuralTalk2 的效果更好。这个项目里用 Torch 实现的代码将作为教育目的保留。

    20. Colornet

    Star:3093(去年 8 月 2956)

    Github 地址:https://github.com/pavelgonchar/colornet

    Colornet 是一个给灰度图像自动上色的神经网络。效果如上图所示。

    以下则为上次入选,这次却没有进入TOP20 的项目(Star 低于 2000 的项目就不纳入统计了):

    image-analogies

    Star:2893(去年 8 月 2769)

    GitHub 地址:https://github.com/awentzonline/image-analogies

    “神经图像类比”(neural image analogies)这个项目基本上是 A. Hertzmann et. al(2001)的论文“Image Analogies”的一个实现。在这个项目中,我们使用了 VGG16 的特征,利用 Chuan Li, Michael Wand (2016) 的论文“Combining Markov Random Fields and Convolutional Neural Networks for Image Synthesis”中描述的方法进行patch的匹配和混合。初始代码改编自 Keras 的“神经风格迁移”示例。

    DeepLearningFlappyBird

    Star:2866(去年 8 月 2143)

    Github 地址:https://github.com/yenchenlin/DeepLearningFlappyBird

    这个项目使用深度Q网络(Deep Q-Network,DQN)学习玩 Flappy Bird 游戏。

    只能说,FlappyBird 的风潮已经过去了……

    这个项目灵感来自使用深度增强学习玩 Atari 游戏(Mnih, Volodymyr, et al. "Playing atari with deep reinforcement learning." 2013),论文中提出深度Q学习算法(Deep Q Learning algorithm),我们发现这个算法可以推广到 Flappy Bird 游戏上。

    DQN 是一个卷积神经网络,用 Q-learning 的变体进行训练,其输入是原始像素,输出是一个预估未来的奖励的价值函数。由于DQN的训练的每个时间步骤都需要观察屏幕中的原始像素值,Kevin Chen 发现删除原始游戏中的背景可以让收敛更快。这个过程如下图所示:



    作者:wotacid
    链接:https://www.jianshu.com/p/555f50987be4
    來源:简书
    简书著作权归作者所有,任何形式的转载都请联系作者获得授权并注明出处。

    展开全文
  • 用于开始深度学习项目的高级框架(轻量级,灵活且易于扩展)
  • github上热门深度学习项目 项目名Stars描述 TensorFlow 29622 使用数据流图进行可扩展机器学习的计算。 Caffe 11799 Caffe:深度学习的快速开放框架。 [Neural Style]...

    github上热门深度学习项目

    项目名Stars描述
    TensorFlow 29622 使用数据流图进行可扩展机器学习的计算。
    Caffe 11799 Caffe:深度学习的快速开放框架。
    [Neural Style](https://github.com/jcjohnson/neural-style) 10148 火炬实现神经风格算法。
    Deep Dream 9042 深梦。
    Keras 7502 适用于Python的深度学习库。Convnets,递归神经网络等等。在Theano和TensorFlow上运行。
    Roc AlphaGo 7170 由学生主导的独立复制的DeepMind 2016年自然出版物,“用深度神经网络和树搜索掌握Go游戏”(Nature 529,484-489,2016年1月28日)。
    [TensorFlow Models](https://github.com/tensorflow/models) 6671 使用TensorFlow构建的模型
    Neural Doodle 6275 将您的两位涂鸦变成具有深度神经网络的精美艺术品,从照片生成无缝纹理,将样式从一个图像转移到另一个图像,执行基于示例的升级,但等待......还有更多!(语义样式转换的实现。)
    CNTK 5957 计算网络工具包(CNTK)。
    TensorFlow Examples 5872 TensorFlow教程和初学者的代码示例。
    ConvNet JS 5231 Javascript中的深度学习。在您的浏览器中训练卷积神经网络(或普通的)。
    Torch 5133 Torch7,深度学习库。
    OpenFace 4855 用深度神经网络识别人脸。
    MXNet 4685 轻量级,便携式,灵活的分布式/移动深度学习,具有动态,突变感知的Dataflow Dep Scheduler; 适用于Python,R,Julia,Scala,Go,Javascript等。
    NUPIC 4364 Numenta智能计算平台:一个基于大脑的机器智能平台,以及基于皮质学习算法的生物精确神经网络。
    Theano 4286 Theano是一个Python库,允许您有效地定义,优化和评估涉及多维数组的数学表达式。它可以使用GPU并执行有效的符号区分。
    Leaf 4281 面向黑客的开放机器智能框架。
    Char RNN 3820 用于Torch中字符级语言模型的多层递归神经网络(LSTM,GRU,RNN)。
    Neural Talk 3694 NeuralTalk是一个Python + numpy项目,用于学习描述带有句子的图像的多模式回归神经网络。
    deeplearning4j 3673 针对Java,Scala和Clojure的深度学习,Hadoop,Spark。
    TFLearn 3368 深度学习库,为TensorFlow提供更高级别的API。
    TensorFlow Playground 3352 玩神经网络!
    OpenAI Gym 3020 用于开发和比较强化学习算法的工具包。
    Magenta 2914 洋红色:机器智能的音乐和艺术生成
    Colornet 2798 神经网络着色灰度图像。
    Synaptic 2666 node.js和浏览器的无架构神经网络库
    Neural Talk 2 2550 Torch中的高效图像字幕代码,在GPU上运行。
    Image Analogies 2540 使用神经匹配和混合生成图像类比。
    TensorFlow Tutorials 2413 从Tensorflow的基础知识到稍微更有趣的应用程序。
    Lasagne 2355 轻量级库,用于在Theano中构建和训练神经网络。
    PyLearn2 2153 基于Theano的机器学习库。
    LISA-lab Deep Learning Tutorials 2134 深度学习教程笔记和代码。有关更多信息,请参阅维基。
    Neon 2121 Nervana™提供的快速,可扩展,易于使用的基于Python的深度学习框架。
    Matlab Deep Learning Toolbox 2032 用于深度学习的Matlab / Octave工具箱。包括深信仰网,堆叠自动编码器,卷积神经网络,卷积自动编码器和香草神经网络。每种方法都有一些示例可以帮助您入门。
    Deep Learning Flappy Bird 1721 Flappy Bird hack使用深度强化学习(深度Q学习)。
    Chainer 1573 用于深度学习的灵活神经网络框架。
    Neural Story Teller 1514 用于生成关于图像的小故事的递归神经网络。
    DIGITS 1353 深度学习GPU训练系统。
    Deep Jazz 1229 使用Keras和Theano进行深度学习驱动的爵士乐!
    Brainstorm 1143 快速,灵活和有趣的神经网络。
    Theano Tutorials 904 从使用Theano的线性回归到卷积神经网络的机器学习的裸骨介绍。
    RNN Music Composition 904 设计用于生成古典音乐的递归神经网络。
    Blocks 866 用于构建和训练神经网络的Theano框架。
    TDB 860 TensorFlow的交互式逐节点调试和可视化。
    Scikit Neural Net 849 Deep neural networks without the learning cliff! Classifiers and regressors compatible with scikit-learn.
    Veles 760 分布式机器学习平台(Python,CUDA,OpenCL)
    Deep Detect 759 C ++ 11中的深度学习API和服务器,带有Python绑定和对Caffe的支持。
    TensorFlow DeepQ 759 使用Google Tensorflow进行深入的Q学习演示。
    Caffe on Spark 724 Caffe On Spark。
    Nolearn 702 Abstractions around neural net libraries, most notably Lasagne.
    DCGAN TensorFlow 568 深度卷积生成对抗网络的张量流实现
    DeepCL 413 OpenCL库用于训练深度卷积神经网络。

    资源

    教程

    Web 前端

    polyfill(兼容浏览器API的shim)

    CSS 效果

    测试

    安全

    很酷的项目

    Mac & iOS

    其他

    转载于:https://www.cnblogs.com/TimVerion/p/11516916.html

    展开全文
  • 深度学习项目实战-关键点定位视频课程 计算机博士,专注于机器学习与计算机视觉...
  • 进军深度学习项目实战:人脸检测项目视频培训课程,从数据的收集以及预处理开始,一步步带着大家完成整个人脸检测的项目,其中涉及了如何使用深度学习框架Caffe完成整个项目的架构,对于每一个核心步骤详细演示...
  • 大数据:深度学习项目实战-人脸检测视频教程 计算机博士,专注于机器学习与计算...
  • 深度学习项目实战-Seq2Seq序列生模型 计算机博士,专注于机器学习与计算...
  • 深度学习项目+论文
  • 深度学习项目将男性画像转换成女性,反之亦然
  • 这里写过一些深度学习主机安装和部署的文章,这篇文章记录一下相关的通过Docker来部署和测试深度学习项目的一些经验(Ubuntu16.04)。 一、安装Docker: 关于Docker的相关介绍资料比较多,这里就不多说了,感兴趣...
  • kaggle深度学习项目实战-猫狗分类检测数据集,包括含训练集(25000张猫狗照片)和测试集(12500张猫狗照片),资源存储在百度网盘,txt文件为资源链接
  • 一 :Python运行软件(Pycharm,Anaconda) 二 :python 环境配置 (Pycharm+Anaconda) 三 :Ancaonda+tensorflow+sklearn+python3.5安装 ...六 :深度学习项目案例(猫狗大战,数字手写体识别)
  • 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 完成第一...
  • 深度学习项目中pycharm出现的问题 ** 在进行演练github项目AdvancedEast深度学习算法时所遇到的问题 2020-08-16 16:52:15.926810: W tensorflow/stream_executor/platform/default/dso_loader.cc:59] Could not load...
  • 深度学习项目实战计划——汇总

    千次阅读 2018-10-25 23:47:02
    个人深度学习项目整理 最近准备整理一些使用深度模型实现的项目,作为最近工作学习的一个整理,因为之前学习太不系统,有些杂乱,希望这个项目系列完成之后能够对自己的学习有一个总结,有些新的收获。 该系列项目...
  • 深度学习项目实战视频课程-StyleTransfer(基于Tensorflow) ...
  • 最受欢迎的深度学习项目

    千次阅读 2016-11-29 09:43:55
    最受欢迎的深度学习项目 下面这个列表是github上最受欢迎的深度学习项目,列表中的项目排名是根据stars来排名了。   Project Name Stars Description TensorFlow 29622 Computation using ...
  • 然而,我们很少能看到有资源教我们如何来构建一个实际中的深度学习项目:如果从上到下,从问题的提出到找到解决方案。大家都知道技术存在一定的花哨性,即使是一个经验丰富的人,当他需要自己去组织一...
  • 深度学习项目实战-对抗生成网络

    千人学习 2017-02-20 23:58:03
    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...
  • 二、在Google创建一个新文件夹,并将你的深度学习项目上传到这个新文件夹中 三、在Google云端硬盘上将目录切换到新创建的项目文件夹,在当前文件夹中右键点击空白处会显示一个目录,选择"更多",点击"Google ...
  • 提供所有的数据,代码以及模型,让大家快速上手第一个深度学习项目。 讲师介绍  唐宇迪更多讲师课程  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...
  • 如何阅读深度学习项目源码?

    千次阅读 2019-08-07 16:23:43
    复现论文的必不可少的一步就是阅读...今天如何阅读深度学习项目源码谈一些自己的理解 Table of Contents 熟练Python语法,尤其是函数参数、迭代器与生成器、函数式编程、面向对象编程 学会查看封装函数的具体...
  • 这里写过一些深度学习主机安装和部署的文章,这篇文章记录一下相关的通过Docker来部署和测试深度学习项目的一些经验(Ubuntu16.04)。 一、安装Docker: 关于Docker的相关介绍资料比较多,这里就不多说了,感兴趣的...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 9,055
精华内容 3,622
关键字:

深度学习项目