本项目提供涵盖fastai和PyTorch的深度学习教程，适合初学者与进阶用户。可通过Google Colab在线运行，无需本地配置Python环境。项目还包括MOOC课程及相关书籍，系统化帮助用户学习深度学习技术。

这些教程为深度学习和TensorFlow 2 的新手提供全面指导，涵盖简单线性模型、自然语言处理和图像生成等主题。每个教程附有详细代码示例和相应的YouTube视频讲解，帮助学习者快速掌握。适合希望深入了解TensorFlow及其应用的开发者和研究人员。

PaddlePaddle是中国首个自主研发并开源的深度学习平台，提供先进技术和多样功能，包括核心框架、模型库、开发工具和服务平台。该平台广泛应用于制造、农业、企业服务等行业，已服务超过1070万开发者和23.5万企业，生成86万个模型。PaddlePaddle支持超大规模训练、兼容第三方模型、提供高性能推理引擎，并拥有丰富的行业模型库和开源资源，推动AI商业化。

本项目演示了使用深度学习技术从单个界面截图生成代码，适用于iOS、Android和网页平台，生成准确率超过77%。系统虽然具有实验性和教育目的，但提供了未来机器智能研究的重要数据和源码支持。

ONNX Runtime是一款跨平台的机器学习推理和训练加速工具，兼容PyTorch、TensorFlow/Keras、scikit-learn等深度学习框架及传统机器学习库。它支持多种硬件和操作系统，通过硬件加速和图优化实现最佳性能，显著提升模型推理和训练速度，尤其在多节点NVIDIA GPU上的Transformer模型训练中表现出色。

ONNX是一个开放生态系统，提供AI模型的开源格式，支持深度学习和传统机器学习。通过定义可扩展的计算图模型和内置操作符及标准数据类型，ONNX增强了不同框架间的互操作性，加速了从研究到生产的转化。ONNX广泛支持各种工具和硬件，助力AI社区快速创新。了解ONNX的文档、教程和预训练模型，加入社区，共同推动ONNX的发展。

支持多种格式的神经网络、深度学习和机器学习模型查看，包括ONNX、TensorFlow Lite、Core ML、Keras和Caffe等，实验性支持PyTorch、TorchScript等。适用于macOS、Linux、Windows和浏览器版本，提供简单的安装和启动方式，方便不同操作系统用户使用。

PyTorch-VAE项目实现了多种变分自编码器（VAE），专注于结果的可重复性，包括从Vanilla VAE到VQ-VAE的众多模型。所有模型都在CelebA数据集上训练，确保一致的对比结果。代码简洁易用，支持PyTorch和PyTorch Lightning，适合研究人员和开发者快速构建、调试和优化VAE模型。

本书详细介绍机器学习和深度学习的核心概念，教你使用Python及其主要库（如Scikit-Learn和TensorFlow）进行数据处理、分类、回归和模型优化。书中包含丰富的示例代码和Jupyter笔记本，帮助读者理解复杂的数学理论和实现步骤，是数据科学家和工程师学习和提升机器学习技能的理想选择。

该指南全面涵盖深度学习领域的求职面试知识，包括数学、机器学习、深度学习、强化学习、计算机视觉、图像处理、自然语言处理、SLAM、推荐算法、数据结构与算法、编程语言（C/C++/Python）、深度学习框架等，旨在帮助求职者高效准备面试。

Chainer是一个Python深度学习框架，提供基于define-by-run方法的自动微分API（动态计算图）和面向对象的高级API，用于构建和训练神经网络。通过CuPy支持CUDA/cuDNN，实现高性能训练和推理。尽管Chainer已进入维护阶段，仅进行bug修复和维护，但其文档、教程和社区资源仍然活跃，适合研究和开发深度学习模型的用户。

本教程详细介绍了TensorFlow 2.0的安装与基础操作，并包含线性回归、MNIST、CIFAR10等多个实战案例。通过配套的视频资源，帮助数据科学家和AI研究人员掌握TensorFlow 2.0在深度学习中的实际应用。

本书帮助读者在20天内系统性地掌握Pytorch，从基础到进阶，涵盖核心概念与实际应用。内容基于Pytorch官方文档，优化了结构和范例，提升了用户友好度。适合有一定基础的学习者，提供每日学习计划和实用代码，并附有资源获取方式。欢迎对Pytorch感兴趣的读者前来学习和讨论，获取全面的深度学习指南。

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。

Eva Design System 运用深度学习技术自动创建配色方案，输入主色距离即可生成完整的语义化色彩。该系统有助于品牌色彩的设定及调整，优化设计师的工作流程。

VideoPipe 是一个用 C++ 编写的开源视频分析和结构化框架，依赖少且易于上手。适用于视频结构化、图片搜索、人脸识别、交通和安防领域的行为分析。支持多种视频流协议和解码方式，集成深度学习和传统图像算法，具备目标检测、图像分类、特征提取等功能。插件化设计允许根据需求灵活组合，适用于多种平台，性能优良，广泛适用于各类应用场景。

提供斯坦福CS 20课程的TensorFlow代码示例和详细课程笔记，涵盖Python 3.6与TensorFlow 1.4.1，实时更新课程进度，包含前一年课程的资源。详细信息见课程大纲和设置指南。

Neural Doodle项目使用深度神经网络技术，将简笔画转化为艺术作品。该项目基于Semantic Style Transfer和Neural Patches算法，通过提取风格图像的注释补丁逐步转移到目标图像中。用户可以调整参数和输入数据，以实现接近照片级的效果。项目提供多种使用示例和详细安装说明，支持GPU和CPU渲染，适用于多种系统。

项目利用神经网络将设计图像转化为HTML/CSS代码。经过三次迭代，最终的Bootstrap版本模型实现了97%的准确性，采用GRU替代LSTM。该项目受Tony Beltramelli的pix2code、Airbnb的sketching interfaces和Harvard的im2markup启发。用户可在FloydHub或本地环境中运行模型，适合深度学习和前端开发爱好者。

TFLearn是一个模块化且透明的深度学习库，基于TensorFlow构建，提供高阶API以加速实验。特点包括易用的高阶API、快速原型设计、完全透明的TensorFlow集成、强大的训练辅助功能和精美的图形可视化。支持最新的深度学习模型，兼容TensorFlow v2.0及以上版本。

该项目每日更新和整理计算机视觉、深度学习及机器学习领域的最新优质论文和项目，涵盖多个研究方向。内容涵盖从2017年至今的顶会顶刊论文列表和代码链接，为研究人员提供丰富的资源参考。

Magika是一款基于深度学习的文件类型检测工具，能够在单CPU上以毫秒级速度准确识别文件类型。支持Python命令行和API，适用于多种应用场景。模型仅1MB，训练数据覆盖2500万个文件和100多种内容类型，精度和召回率均超过99%。

Paddle Lite 是为移动端、嵌入式和边缘设备设计的高性能深度学习推理框架。支持多种硬件平台和操作系统，提供丰富的优化工具和多语言 API，便于快速部署和执行推理任务。通过量化和子图融合等策略，Paddle Lite 实现了轻量化和高性能，并已广泛应用于百度和其他企业。用户可以通过简单步骤完成模型优化和部署，并快速上手示例。

LayoutParser提供多种深度学习模型和统一API，简化文档图像分析任务。支持布局检测、OCR、数据可视化等功能，并允许共享模型和分析流程。安装简便，可根据需求选择依赖项，是文档图像处理的理想工具。

Deepo是一个开源框架，用于轻松组装深度学习研究的Docker镜像。通过提供多种标准组件和定制化Dockerfile生成器，用户可以简单定义环境并自动解决依赖问题。Deepo支持几乎所有常用的深度学习框架，提供预构建的Docker镜像，支持GPU加速和CPU模式，兼容Linux、Windows和OS X。尽管该项目已停止维护，但仍为快速搭建深度学习环境提供了宝贵的工具和资源。

🐸TTS库提供多达16种语言的高级文本到语音转换模型，支持低于200毫秒的流媒体延迟。它包含丰富的工具用于模型训练和微调，并且拥有超过1100种预训练模型，适用于多语言和多说话人TTS任务。此外，该库还支持高效的语料库分析和管理，为语音合成提供全面支持。

提供详尽的深度学习和机器学习速查表，包括Tensorflow、Keras、Numpy等热门工具，帮助工程师和研究人员快速掌握核心知识，提高工作效率。访问AI Cheatsheets获取更多资源和最新技术信息，适用于各水平从业者。

fastai是一个深度学习库，提供高层组件以快速实现高性能结果，同时为研究人员提供可组合的低层组件。通过分层架构和Python、PyTorch的灵活性，fastai在不牺牲易用性、灵活性和性能的情况下，实现了高效的深度学习。支持多种安装方式，包括Google Colab和conda，适用于Windows和Linux。学习资源丰富，包括书籍、免费课程和详细文档。

本教程介绍深度学习在图像处理中的应用，涵盖使用Pytorch和Tensorflow进行网络结构搭建和训练。课程内容包括图像分类、目标检测、语义分割、实例分割和关键点检测，适合研究生和深度学习爱好者。所有PPT和源码均可下载，助力学习和研究。

Pytorch-UNet项目提供定制的U-Net实现，支持多类别分割任务，包括车体遮罩、肖像分割和医学图像分割。兼容PyTorch 1.13及以上版本，提供Docker镜像和预训练模型，便于集成和使用。模型在高分辨率图像上训练，取得了0.988的Dice系数，并支持自动混合精度，可通过Weights & Biases实时监控训练进度。

该项目包含多种Keras实现的生成对抗网络（GAN），如AC-GAN、CycleGAN、Pix2Pix等，基于研究论文，提供核心概念的实现与详细教程。欢迎社区贡献以扩展更多GAN变体。

这本书提供了《深度学习框架PyTorch：入门与实践（第2版）》的对应代码，基于PyTorch 1.8编写，内容涵盖基础使用、高级扩展和实战应用三大模块。读者可以学习从安装PyTorch、使用Tensor与自动微分系统、构建神经网络模块到进行数据加载与GPU加速等操作。此外，还讲解了向量化、分布式计算及CUDA扩展的高级技术，并通过图像分类、生成对抗网络、自然语言处理、风格迁移及目标检测等实战项目，深入理解并应用PyTorch进行深度学习开发。

AutoKeras是由德州农工大学DATA实验室开发的开源项目，旨在简化机器学习流程。通过Keras的AutoML系统，用户能够轻松完成图像分类等任务。支持Python 3.7及以上版本和TensorFlow 2.8.0及以上版本，安装方便，只需使用pip命令。提供详细的官方教程和相关书籍资源，社区鼓励贡献和参与。

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。

AutoGluon简化了机器学习任务，让用户可以在图像、文本、时间序列和表格数据上轻松训练和部署高精度模型。它支持Python 3.8至3.11，并可在Linux、MacOS和Windows上运行。只需几行代码即可快速构建端到端机器学习模型，提供详细的安装指南、快速入门教程和丰富的资源，适合各层次用户的需求。

本项目汇总了斯坦福CS 230深度学习课程的关键概念和实用技巧，包括卷积神经网络、递归神经网络及模型训练的提示。所有内容通过备忘单形式呈现，支持多语言版本，便于随时查阅。

本项目提供全面易懂的TensorFlow教程，每个教程均附源代码和详细文档，帮助开发者和研究者快速高效地掌握TensorFlow。内容涵盖基础操作、机器学习、神经网络等多个领域，并提供虚拟环境安装指南，避免包冲突并支持环境定制。

DeepChem是一个高质量的开源工具链，致力于推动深度学习在药物发现、材料科学、量子化学和生物学中的应用。支持Python 3.7至3.10，兼容TensorFlow、PyTorch、JAX等框架。用户可通过pip或conda安装，或使用Docker镜像。项目包含丰富的教程和实例，适合从新手到专家。社区活跃，提供Discord和讨论论坛，欢迎科学家、开发者和爱好者的参与。

李宏毅教授的深度学习教程，基于《机器学习》（2021年春）并进行了优化，涵盖卷积神经网络、生成模型和自监督学习等多个领域。教程通过详细推导和重点讲解，降低了学习难度，适合中文学习者入门深度学习。

这本开源书籍使用Jupyter笔记本无缝整合深度学习的概念、背景和代码，免费提供给所有人。书中包含可运行代码、技术深度和社区讨论，帮助读者解决实际问题并成长为应用机器学习科学家。

《深度学习》由Ian Goodfellow、Yoshua Bengio和Aaron Courville编写，提供完整PDF和分章节PDF版本下载，是学习机器学习和深度学习的重要资源。

《动手学深度学习》是一个免费在线资源，提供概念讲解、数学背景知识和实际代码示例，旨在帮助读者掌握深度学习的原理和应用。该项目致力于培养读者成为能够理解数学原理并实现和改进方法的深度学习应用科学家，适合自学和教学使用，包含可运行的代码和工程技能训练。

ONNX Simplifier通过推理整个计算图，将冗余操作替换为常量输出，从而简化ONNX模型。用户可通过Web版本无需安装地使用该工具，或通过pip命令安装Python版本进行本地使用。该工具适用于多种项目，如MXNet、MMDetection、YOLOv5等，显著提升模型效率和可读性。

全面解析成为人工智能专家的路线图，从数据科学、机器学习到深度学习，涵盖所有必备知识和技能。项目旨在帮助新员工和社区成员掌握AI技术。互动版提供详细步骤链接，并通过定期更新保持前沿性。关注项目获取最新AI研究与应用案例，了解不同工具的适用场景，助力职业发展。

Trax是一个由Google Brain团队维护的端到端深度学习库，专注于清晰代码和高速执行。它提供预训练的Transformer模型和丰富的API文档，支持用户创建和训练自定义模型，并与TensorFlow数据集无缝集成。Trax兼容CPUs、GPUs和TPUs，用户可以通过Python脚本、notebooks和命令行界面轻松使用。

Einops 提供简洁高效的张量操作，适用于 numpy、pytorch、tensorflow、jax 等多个框架。通过易于理解的 Einstein 风格操作符，提高代码的可读性和可靠性。主要功能包括张量的重新排列、简化、复制、打包与解包。Einops 适用于深度学习和复杂数据处理任务，是开发者优化代码的理想工具。

TensorLayer 是一个基于 TensorFlow 的深度学习和强化学习库，为研究人员和工程师提供多种可定制的神经网络层，简化复杂 AI 模型的构建。它设计独特，结合了高性能与灵活性，支持多种后端和硬件，并提供丰富的教程和应用实例。广泛应用于全球知名大学和企业，如谷歌、微软、阿里巴巴等。

本项目基于FAN的先进深度学习方法，提供高精度的2D和3D人脸标志检测。支持多种面部检测器，并可在CPU和GPU上运行。用户可通过pip或conda安装，并能处理整目录图像。适用于Python 3.5+，推荐使用CUDA GPU以获得最佳性能。欢迎贡献和反馈，详情请参阅原始论文及项目页面。

DeepCTR是一个简易、模块化、可扩展的深度学习CTR模型库，提供tf.keras.Model和TensorFlow Estimator接口，适用于快速实验和大规模数据分布式训练。兼容TensorFlow 1.x和2.x，支持多种复杂模型的构建和预测。

Composer 是 MosaicML 开发的开源深度学习训练库，基于 PyTorch 构建，专为大规模模型的高效训练设计。支持语言模型、扩散模型和卷积神经网络等，简化了并行化配置、数据加载、自动恢复和内存优化。该库帮助用户快速进行深度学习实验和模型训练。