原文：https://makeoptim.com/deep-learning/yiai-alexnet-implementation前言网络结构实现SequentialSubclassingDemo小结参考前言上一篇笔者使用如何阅读深度学习论文的方法阅读了

一、ABSTRACT—摘要标题：Deep-learningseismicfull-waveforminversionforrealisticstructuralmodels（用于真实结构模型的深度学习地震全波形反演）作者：BinLiu1,SenlinYang2,YuxiaoRen2,XinjiXu3,PengJiang2,andYangkangChen4（和SeisInvNet有共同作者，应该是同

目录1INTRODUCTION—介绍2RELATEDWORKS—相关作品3METHODOLOGYANDIMPLEMENTATION—方法和执行3.1方法3.2执行4EXPERIMENTS—实验4.1数据集准备4.2实验设置4.3基线模型4.4定向比较4.5定量比较4.6机理研究5CONCLUSION—结论1INTRODUCTION—介绍地震勘探是根据地震波在大地中的传播规律来确定地下地层结构的一种

原文：http://makeoptim.com/deep-learning/yiai-cv计算机视觉表达黑白图灰度图彩色图操作卷积均值滤波归一化统一量纲加速模型训练梯度下降GPU浮点运算小结参考链接上一篇讲解了机器学习数据集的概念以及如何收集图片数据集

ConvTranspose4encoder-decoder5可视化学习参考来自：详解逆卷积操作–Up-samplingwithTransposedConvolutionPyTorch使用记录https://github.com/naokishibuya/deep-learning

Hi-C技术：检测人类基因组结构变异（SVs）的一种有前景的方法。目前严重缺乏能够使用Hi-C数据进行全范围SV检测的算法,只能以低于最佳的分辨率识别染色体间易位和远程染色体内SVs（>1mb）。本文开发了一个深度学习模型，结合了深度学习和集成学习策略的框架，以高分辨率预测全范围的SVs——EagleC在癌症基因组中认识了许多先前未知的融合事件，也发掘了已知致癌基因的新型调控机制，这些发现为癌症分

GitHub地址：https://github.com/priya-dwivedi/Deep-Learning/blob/master/word2vec_skipgram/Skip-Grams-Solution.ipynb

图卷积网络在药物研发中的应用综述尽管深度学习在很多领域在过去的几年取得了一定的成功，但是在分子信息和药物发现领域成功的应用依然有限。适用于深层架构的结构化数据方面的最新进展为药物研究开辟了新的范例。该篇从四个角度阐述了图神经网络在药物发现和分子信息领域的应用。1）分子属性和活性预测；2）相互作用预测；3）合成预测；4）从头药物设计。最后总结了药物相关问题的代表性应用。讨论将图卷积网络应用于药物发现

https://www.coursera.org/specializations/deep-learning?ranMID=40328&ranEAID=J2RDoRlzkk&ra

cmap=None):输入的是某一张图片和给图片的name，make_write表示是否需要yyyyafafaffadfsfgf10.fhttps://github.com/priya-dwivedi/Deep-Learning

原文：https://makeoptim.com/deep-learning/tensorflow-gpu-on-ubuntu介绍所需软件安装前GCCNVIDIApackagerepositoriesNVIDIAmachinelearningNVIDIAGPUdriverCUDAToolKitandcuDNNTensorRTMiniconda

业界通常认为第一层是隐藏层的第一层AI会遇上工程类问题Padding补零操作，可以保证卷积核在每块区域都进行卷积，迭代次数越多，更有效果，提取特征更好生成器和迭代器，存在的意义，一般我们需要对一个数组进行操作的时候，我们要遍历出来操作，比如一亿个参数，我们不可能一次性全部取出来，一个一个的去取，这就是生成器存在的意义。Dataloader加载数据到内存Next（iter（a））转换成0，1转换成正

原文：https://makeoptim.com/deep-learning/yiai-paper-alexnet论文地址阅读方式ImageNetClassificationwithDeepConvolutionalNeuralNetworks

原文https://makeoptim.com/deep-learning/mac-m1-tensorflowXcodeCommandLineToolsHomebrewMiniforge下载AppleTensorFlow

原文：http://makeoptim.com/deep-learning/yiai-cnn卷积神经网络结构输入层隐藏层输出层TensorFlow中定义卷积神经网络模型宏观理解卷积神经网络全连接采样卷积小结上一篇介绍了如何在

原文：https://makeoptim.com/deep-learning/yiai-object-detection前言目标检测位置发展史传统方法（候选区域+手工特征提取+分类器）RegionProposal

原文：https://makeoptim.com/deep-learning/mac-tensorflowCondaAnacondaMiniconda创建虚拟环境安装tensorflow检查安装JupyterLab

初始数据importpandasaspddf_train=pd.read_csv('E:/python-project/deep-learning/datawhale/nlp/news-data/train_set.csv

原文：http://makeoptim.com/deep-learning/tensorflow-metal前言系统要求当前不支持XcodeCommandLineToolsHomebrewMiniforge

原文：https://makeoptim.com/deep-learning/yiai-paper-resnet论文地址阅读方式DeepResidualLearningforImageRecognition

PyTorch=1.12.1anaconda版本为conda4.8.2（anaconda自行安装）开始前以管理员方式运行anacondaprompt一、安装PyTorch一、安装PyTorch（1）创建环境为deep-learning

发现学习参数随着头数的增多而增多，与transformer中的实现不太一致结果：本着想了解透彻的思路去网上搜索了一番，第一篇我就觉得整理的不错，附上链接：http://www.sniper97.cn/index.php/note/deep-learning

参考：https://eipi10.cn/deep-learning/2019/11/28/centos_cuda_cudnn/1.环境版本：CentOSLinuxrelease7.8.2003(Core

THCudaCheck在pytorch1.11.0版本被移除了，可以看文档https://www.exxactcorp.com/blog/Deep-Learning/pytorch-1-11-0-now-available

一、文章信息《TrafficAccident’sSeverityPrediction:ADeep-LearningApproach-BasedCNNNetwork》，2019年Access上的一篇文章。二、摘要基于交通事故特征的权重，提出了基于特征矩阵的灰色图像(FM2GI)算法，将交通事故数据的单一特征关系转换为包含并行组合关系的灰色图像作为模型的输入变量，网络模型是基于CNN。（也就是说这篇文

我们将使用YoloV3算法和一个免费的MQTT代理YoloV3算法：https://viso.ai/deep-learning/yolov3-overview/#:~:text=What's%20Next

DNN(Deep-LearningNeuralNetwork)接下来介绍比较常见的全连接层网络（fully-connectedfeedfowardneruralnetwork）名词解释首先介绍一下神经网络的基本架构，以一个神经元为例输入是一个向量，权重（weights）也是一个矩阵把两个矩阵进行相乘，最后加上偏差（bias），即w1*x1+w2*x2+b神经元里面会有一个激活函数（activati

✨完整代码在我的github上，有需要的朋友可以康康✨GitHub-tt-s-t/Deep-Learning:Storesomeofyourownin-depthlearningcode,whichiscurrentlyintheupdatestage.Thecontentcovers

目录1.研究背景2.研究数据2.1预训练的蛋白质数据集2.2蛋白质基准数据集3.研究方法3.1序列和标注编码3.2蛋白质序列和注释的自我监督预训练3.3对蛋白质基准进行监督微调3.4深度学习框架4.结果4.1预训练可以改善蛋白质模型4.2ProteinBERT在不同的蛋白质基准上达到了近乎最先进的结果4.4全局注意力机制的理解5.结论作者单位：耶路撒冷希伯来大学发表期刊：《Bioinformati

1505.04597v1[cs.CV]18May2015文章地址：https://arxiv.org/abs/1505.04597代码地址：https://github.com/Jack-Cherish/Deep-Learning

论文地址：https://arxiv.org/abs/1903.08536v3摘要基于机器学习的表面异常自动检测已经成为一个有趣且有前途的研究领域，对视觉检测的应用领域有着非常直接的影响。深度学习方法已经成为完成这项任务最合适的方法。它们允许检查系统学习通过简单地显示一些样本图像来检测表面异常。本文提出了一种基于分割的深度学习体系结构，用于表面异常的检测和分割，并在表面裂纹检测的特定领域进行了演示

Tensorflow优势2.Tensorflow缺点二、PyTorch1.PyTorch优势2.PyTorch缺点PyTorchvsTensorFlow总结深度学习框架提示：原文链接为https://viso.ai/deep-learning

作者：清华大学的曾坚阳老师团队期刊：NatureCommunication时间：2021.9.150写在前面的疑惑1）模型中，三个分类通道有一个分支将输出结果给与数字通道，目的是什么？1动机多肽通过与多种蛋白质相互作用并参与许多细胞过程，如程序性细胞死亡、基因表达调控和信号转导，因此，多肽在人类生理中发挥着至关重要的作用。由于其安全性、良好的人体耐受性，以及良好的灵活性和构象刚性之间的平衡，目前，

安装的时候需要先安装halcon、再安装deep-learning数据库，并且要配套使用才可以。比如halcon-

我想知道如何在GoogleColab上运行ipython(jupyternotbook)上的bash卖脚本文件.我从github下载了一个Deep-learning代码包，并将它们上传到我的google

基于深度学习的高分辨率双目立体深度重建目录前言1、介绍2、TECHNICALAPPROACHA.Deep-learningmodelwithuncertaintyB.SGBMwithper-pixelsearchingrange(PPSR)3、实验前言本文提出了基于高分辨率图像的密集双目立体重建从而进行设施检查。以往的方法都会在高分辨率数据上消耗过多的计算资源、缺乏泛化能力。本文提出对资源需求较少

Tagdeep-learning[159articles]Recentpapersclassifiedbythetagdeep-learning.SearchCopyExportSortHideDetails✔DeepLearningwithoutPoorLocalMinima(23May2016)byKenjiKawaguchipostedtodeep-learninglearning-theo

原文:https://makeoptim.com/deep-learning/yiai-serving-flask-mask-rcnn前言TensorFlowServing特性使用快速开始创建镜像图像分割

原文：https://makeoptim.com/deep-learning/yiai-resnet-implementation前言网络结构实现测试小结参考前言上一篇笔者使用如何阅读深度学习论文的方法阅读了

原文：https://makeoptim.com/en/deep-learning/yiai-image-segmentation前言图像分割TensorFlowObjectDetectionAPI工程创建数据集图片标注生成

原文：https://makeoptim.com/deep-learning/tensorflow-gpu-on-win10介绍所需软件NvidiaGPUdriverCUDAToolKitcuDNN环境变量

https://github.com/cccxm/deep-learning/tree/master/R/learning-r/c-5章节目标能够创建list和data.frame能够使用length,

https://github.com/cccxm/deep-learning/tree/master/R/learning-r/c-17章节目标能够创建R包了解如何为函数和数据集编写文档能够将R包发布到

今天拿一个逻辑回归的小程序运行，出现以下报错：Traceback(mostrecentcalllast):File"E:\deep-learning\deep\logistic.py",line475,

Deep-Learning之卷积神经网络（小白入门）一、初识卷积神经网络（CNNs/ConvNets）  卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。

DQN（DeepQNetwork）DQN可以使计算机玩游戏比人类厉害，Q-learning和Deep-learning的融合当游戏的状态和动作多种多样，多到天文数字的时候，如果用表格来存储的话，显然不切实际

引用链接：1.Caffepythonlayertoprintconfusionmatrix链接：http://gcucurull.github.io/caffe/python/deep-learning

学习python,机器学习（maching-lerning）、深度学习（deep-learning）等概念也是耳熟能详。

这是一篇根据自己的理解，复写论文《Segmentation-BasedDeep-LearningApproachforSurface-DefectDetection》代码，也不知道写的对不对，但至少运行结果是自己满意的，达到了较高的准确率。首先，《基于分割的表面缺陷检测深度学习方法》这篇论文主要是利用分割模型和分类模型进行表面瑕疵的检测，主要优势为：只需要25-30个有缺陷的样本就可完成分类，所用

1.TensorFlow入门1.1深度学习入门-极客学院Wikihttps://wiki.jikexueyuan.com/project/deep-learning/这本书是一本“交互式”电子书——每一章都可以运行在一个