#神经网络

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。

Khroma 是一个创新的AI色彩工具，用于发现、搜索和保存精选的色彩组合和调色板。通过用户反馈训练，该算法能自动生成符合用户喜好的色彩。同时，Khroma能创建无限的色彩组合，支持以各类视觉形式展示，用户还可将喜爱的组合保存至个人图库，方便随时查阅。

Sonnet是由DeepMind开发的TensorFlow 2扩展库，提供简单且可组合的抽象模型，核心概念为snt.Module，支持自定义和预定义模块。Sonnet不限制训练框架，适合监督、非监督和强化学习，并支持分布式训练和高级的TensorFlow功能。

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。

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。

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。

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。

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。

Gorgonia是专为Go语言开发的机器学习库，提供自动微分、符号微分、梯度下降优化和数值稳定功能。用户可以轻松编写和评估多维数组的数学方程，并利用CUDA进行快速计算。其目标是成为高性能、可扩展的机器学习和图计算库，适合多机部署，同时支持非标准深度学习和神经网络研究。

本仓库提供 Udacity 深度学习 v7 纳米学位课程的相关资料，包括各种深度学习主题的教程笔记本，涉及卷积神经网络、循环神经网络和生成对抗网络等模型的实现。内容涵盖权重初始化、批量归一化等技术，用户还可以访问项目起始代码，并学习在 AWS SageMaker 上部署模型。

PyTorch Forecasting 是一个基于 PyTorch 的时间序列预测包，适用于实际应用和研究。它支持多种神经网络架构及自动日志记录，利用 PyTorch Lightning 实现多 GPU/CPU 的扩展训练，并内置模型解释功能。关键特性包括时间序列数据集类、基本模型类、增强的神经网络架构、多视角时间序列指标和超参数优化。安装简便，支持 pip 和 conda，文档详尽，并包含模型比较和使用案例。

NN-SVG是一款通过参数化方式创建神经网络架构图的工具，支持导出为SVG文件，适用于学术论文和网页。它能生成经典全连接神经网络、卷积神经网络和深度神经网络图形，使用D3和Three.js库，用户可自定义图形大小、颜色和布局。该工具旨在节省机器学习研究人员的时间，并可作为教学工具使用。

该项目包含两个应用程序：手动操控器和动画师。手动操控器通过调整滑块为动漫角色摆姿势；动画师利用网络摄像头捕捉人类头部运动，并同步到动漫角色。项目需要高性能Nvidia GPU和特定的依赖项，支持在Google Colab上运行。用户也可以使用Anaconda重建Python环境，并下载所需模型和数据进行演示。

《AI-for-Beginners》是一个为期12周的课程，涵盖了从神经网络和深度学习到计算机视觉和自然语言处理的多种AI主题。本课程适合初学者，通过具体的课程内容及实践，帮助你理解并应用AI技术。此外，课程还包括伦理问题的讨论，确保技术应用的负责任。加入我们，一起在AI的世界中不断探索和学习。

Qdrant是一个面向AI应用的向量相似性搜索引擎和数据库，提供了一个便捷的API用于存储、搜索和管理数据点。它支持扩展筛选，可用于各种基于神经网络或语义匹配的应用，如分面搜索等。Qdrant支持完全托管的云服务，包括免费层。具备高性能和可扩展性，适用于各种规模的部署。

此开源项目展示了如何使用Swift在macOS的Playground中创建神经网络。项目旨在使神经网络和机器学习更易于理解和有趣，网络结构包括输入层、隐藏层和输出层，使用sigmoid函数进行激活。通过将图像转换为二进制数，该项目实现了基本的图像识别。开放源码以促进技术进步。

TruLens 提供开发和监控神经网络的工具，特别是大语言模型。TruLens-Eval 可系统性评估和跟踪LLM应用，帮助识别和改进性能；TruLens-Explain 提供跨框架的深度学习可解释性，支持TensorFlow、PyTorch和Keras。查看官方文档以获取快速安装和使用指南，帮助开发者高效构建与优化模型应用。

FlashRank是一款极速、超轻量的Python库，专为优化搜索和检索流程设计。基于最新的SoTA大规模语言模型和交叉编码器，支持多种再排序模式并能在常规CPU上运行。模型轻至4MB，适合AWS Lambda等无服务器环境，有效减低运行成本，提升处理效率。适合多样化的部署场景和搜索策略，是提升搜索效率的优选工具。

TensorFlow-Examples提供针对TensorFlow 1和2的详尽教程，涵盖从基础操作到高级模型如深度神经网络，适合初学者通过详细的笔记本和代码解析深入学习，同时介绍最新的API使用实践，如layers、estimator和dataset。

100-Days-Of-ML-Code项目通过每天的编程挑战带领学习者深入机器学习领域。覆盖从数据预处理到复杂算法的全面教程，项目内容涵盖线性回归、逻辑回归到决策树等多种算法，每日实践确保理论与实战结合。适合任何级别的开发者提升机器学习技能。

'Awesome Deep Learning Papers' 提供的是一份经精心策划的文献列表，囊括了2012至2016年间在深度学习领域中引用率最高的研究论文。覆盖从图像处理到自然语言处理等众多研究领域，旨在为研究人员与技术爱好者提供启发思考与深入了解的必读材料。

best_AI_papers_2021项目精选2021年AI领域的关键研究，涵盖从伦理到技术实用性的多方面进展。探索每项研究的创新及其未来影响，包括视频讲解与相关代码。

CNTK，微软的开源深度学习工具包，支持多种模型，包括DNN、CNN和RNN。具备自动微分和GPU并行化等高级功能，简化开发和训练流程，并完美支持ONNX，兼容多种AI框架。

TensorFlow是一个开源的机器学习平台，拥有完整的工具和资源生态系统。它由Google Brain团队开发，提供Python和C++的API支持，适应多种研究和应用需求。用户可以参照官方文档进行安装，包括使用pip、Docker以及从源码构建等方法。TensorFlow定期更新以提升性能和安全性。

ncnn 是一个专为移动端设计，无第三方依赖的开源神经网络推理框架。它支持跨平台功能，低内存占用及在手机CPU上的高速运算能力。利用 ncnn，开发者能够迅速在移动应用中部署深度学习模型，加入智能化功能。该框架已在众多应用程序中使用，如QQ和微信。同时，ncnn 支持 Vulkan API，优化了GPU加速功能，致使在移动设备上表现卓越。

突破传统学习障碍，探索PyTorch深度学习教程。通过精炼的代码，快速构建从基础到高级的模型如线性回归及神经网络等，同时详述安装指导与环境配置。

PyTorch是一个开源的提供强大GPU加速的张量计算和深度神经网络平台，基于动态autograd系统设计。它不仅支持广泛的科学计算需求，易于使用和扩展，还可以与Python的主流科学包如NumPy、SciPy无缝集成，是进行深度学习和AI研究的理想工具。

探索学习和实践递归神经网络在自然语言处理中的应用，包括语言模型、文本翻译、语音转录及问答系统等。

Awesome-Pytorch-list是一个包括各类PyTorch资源的汇集平台，覆盖NLP、计算机视觉和概率生成等多个领域。这个开源项目提供了丰富的教程、案例和工具库。其内容持续更新，致力于支持动态神经网络的GPU加速研究。研究人员和开发者可以利用这些最新资源，进行高效的机器学习和科研实验。

详尽解析PyTorch生态系统！本项目集成了丰富的教程、库和视频资源，全面覆盖从基本知识到先进技术的不同需求。无论涉及数据可视化、对象检测或模型优化，均提供细致入微的资源，帮助各层次开发者提升机器学习实力。

awesome-deep-learning提供全面的开源深度学习资源集合，覆盖书籍、课程、视频和研究论文等，适合各阶段学习者深入探索。通过更新最新技术和理论，推动知识和技术的不断进步。

探索全面的深度学习资源，涵盖教程、图书和实战项目，适合从新手到专家的每一个阶段。

Fashion-MNIST数据集，由Zalando的服装图片构成，包含60,000个训练样本与10,000个测试样本。此数据集设计为替代传统的MNIST，提供与10类标签关联的28x28灰度图像，为全球AI及数据科学领域的研究者带来全新挑战，促进技术的发展。

DALL-E 2的Pytorch实现由OpenAI开发，采用先进的神经网络技术将文本描述转化为高质量图像。本版本特别优化扩散先验网络，提供高性能的模型变体。开源项目鼓励开发者通过GitHub和Hugging Face参与贡献，并在Discord社区进行交流和支持。

该项目提供了PyTorch框架下的CycleGAN和pix2pix图像翻译实现，支持配对和无配对的图像翻译。最新版本引入img2img-turbo和StableDiffusion-Turbo模型，提高了训练和推理效率。项目页面包含详细的安装指南、训练和测试步骤，以及常见问题解答。适用于Linux和macOS系统，兼容最新的PyTorch版本，并提供Docker和Colab支持，便于快速上手。