deep learning 源代码集锦

最新推荐文章于 2019-04-24 17:16:51 发布
最新推荐文章于 2019-04-24 17:16:51 发布
阅读量1w 收藏 34
点赞数 1
分类专栏： Deep Learning 文章标签： deep learning RBM DBN
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/chlele0105/article/details/24263177
版权

首先推荐几个deep learning工具箱

1. Hinton DBN code

这个不用说了，开山鼻祖Hinton的代码，下载链接：Hinton DBN coce。代码可读性一般，后面我会把我修改后的代码公布出来。

2. Deep learning toolbox

Mathworks上的代码，纯正Matlab代码，CNN部分写的不错，下载链接：DL Toolbox matlab。

3. Covolutional DBN

Github项目主页：CDBN 


科研机构

1. 香港中文大学  http://mmlab.ie.cuhk.edu.hk/


Honglak Lee

Ph.D. in Computer Science, Stanford University, 2010 

1.  Convolutional deep belief networks for scalable unsupervised learning of hierarchical representations. [code]

2. Unsupervised feature learning for audio classification using convolutional deep belief networks. [code]


工具包：

1.Matlab Environment for Deep Architecture Learning (MEDAL) [code]

包含：

mlnn.m        -- Multi-layer neural network
mlcnn.m       -- Multi-layer convolutional neural network
rbm.m         -- Restricted Boltzmann machine (RBM)
mcrbm.m       -- Mean-covariance (3-way Factored) RBM
drbm.m        -- Dynamic/conditional RBM 
dbn.m         -- Deep Belief Network 
crbm.m        -- Convolutional RBM
ae.m          -- Shallow autoencoder 
dae.m         -- Deep Autoencoder 


2. DeepLearnLab [code] (包含RBM和CRBM)


3. Multimodal Learning with Deep Boltzmann Machines 多模态 [code]


Cuda-convnet

Hinton’s Group 发布的 toolbox，也是其NIPS2012工作的开发工具。 
用C++/CUDA实现的，非常高效。外壳是Python语言，通过简单的修改配置文件来制定网络结构，非常易于使用。Linux/Windows下均可成功编译运行。 
支持CNN的local结构，dropout。 
https://github.com/bitxiong/cuda-convnet

Caffe

Berkeley 视觉和学习组开发的 deeplearning 框架 
同样用C++/CUDA实现的，支持Python 和 Matlab 的外壳。Linux/Windows下均可成功编译运行 
不支持locally-connected covonlution layer 

https://github.com/BVLC/caffe


Convnet

Hinton’s Group最新发布Deeplearning toolbox，内核和 cuda-convnet 类似，最大的亮点是支持多GPU结构

https://github.com/TorontoDeepLearning/convnet


代码链接:

1. convolutionalRBM.m  [code]

A MATLAB / MEX / CUDA-MEX implementation ofConvolutional Restricted Boltzmann Machines.




Theano

http://deeplearning.net/software/theano/

code from: http://deeplearning.net/

 

Deep Learning Tutorial notes and code

https://github.com/lisa-lab/DeepLearningTutorials

code from: lisa-lab

 

A Matlab toolbox for Deep Learning

https://github.com/rasmusbergpalm/DeepLearnToolbox

code from: RasmusBerg Palm

 

deepmat

Matlab Code for Restricted/Deep BoltzmannMachines and Autoencoder

https://github.com/kyunghyuncho/deepmat

code from: KyungHyun Cho http://users.ics.aalto.fi/kcho/

 

Training a deep autoencoder or a classifieron MNIST digits

http://www.cs.toronto.edu/~hinton/MatlabForSciencePaper.html

code from: Ruslan Salakhutdinov and GeoffHinton

 

CNN - Convolutional neural network class

http://www.mathworks.cn/matlabcentral/fileexchange/24291

Code from: matlab

 

Neural Network for Recognition ofHandwritten Digits (CNN)

http://www.codeproject.com/Articles/16650/Neural-Network-for-Recognition-of-Handwritten-Digi

 

cuda-convnet

A fast C++/CUDA implementation ofconvolutional neural networks

http://code.google.com/p/cuda-convnet/

 

matrbm

a small library that can train RestrictedBoltzmann Machines, and also Deep Belief Networks of stacked RBM's.

http://code.google.com/p/matrbm/

code from: Andrej Karpathy

 

Exercise  from UFLDL Tutorial:

http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial

and tornadomeet’s bolg: http://www.cnblogs.com/tornadomeet/tag/Deep%20Learning/

and https://github.com/dkyang/UFLDL-Tutorial-Exercise

 

Conditional Restricted Boltzmann Machines

http://www.cs.nyu.edu/~gwtaylor/publications/nips2006mhmublv/code.html

from Graham Taylor http://www.cs.nyu.edu/~gwtaylor/

 

Factored Conditional Restricted BoltzmannMachines

http://www.cs.nyu.edu/~gwtaylor/publications/icml2009/code/index.html

from Graham Taylor http://www.cs.nyu.edu/~gwtaylor/

 

Marginalized Stacked Denoising Autoencodersfor Domain Adaptation

http://www1.cse.wustl.edu/~mchen/code/mSDA.tar

code from: http://www.cse.wustl.edu/~kilian/code/code.html

 

Tiled Convolutional Neural Networks

http://cs.stanford.edu/~quocle/TCNNweb/pretraining.tar.gz

http://cs.stanford.edu/~pangwei/projects.html

 

tiny-cnn:

A C++11 implementation of convolutionalneural networks

https://github.com/nyanp/tiny-cnn

 

myCNN

https://github.com/aurofable/18551_Project/tree/master/server/2009-09-30-14-33-myCNN-0.07

 

Adaptive Deconvolutional Network Toolbox

http://www.matthewzeiler.com/software/DeconvNetToolbox2/DeconvNetToolbox.zip

http://www.matthewzeiler.com/

 

Deep Learning手写字符识别C++代码

http://download.csdn.net/detail/lucky_greenegg/5413211

from: http://blog.csdn.net/lucky_greenegg/article/details/8949578

 

convolutionalRBM.m

A MATLAB / MEX / CUDA-MEX implementation ofConvolutional Restricted Boltzmann Machines.

https://github.com/qipeng/convolutionalRBM.m

from: http://qipeng.me/software/convolutional-rbm.html

 

rbm-mnist

C++ 11 implementation of Geoff Hinton'sDeep Learning matlab code

https://github.com/jdeng/rbm-mnist

 

Learning Deep Boltzmann Machines

http://web.mit.edu/~rsalakhu/www/code_DBM/code_DBM.tar

http://web.mit.edu/~rsalakhu/www/DBM.html

Code provided by Ruslan Salakhutdinov

 

Efficient sparse coding algorithms

http://web.eecs.umich.edu/~honglak/softwares/fast_sc.tgz

http://web.eecs.umich.edu/~honglak/softwares/nips06-sparsecoding.htm

 

Linear Spatial Pyramid Matching UsingSparse Coding for Image Classification

http://www.ifp.illinois.edu/~jyang29/codes/CVPR09-ScSPM.rar

http://www.ifp.illinois.edu/~jyang29/ScSPM.htm

 

SPAMS

(SPArse Modeling Software) is anoptimization toolbox for solving various sparse estimation problems.

http://spams-devel.gforge.inria.fr/

 

sparsenet

Sparse coding simulation software

http://redwood.berkeley.edu/bruno/sparsenet/

 

fast dropout training

https://github.com/sidaw/fastdropout

http://nlp.stanford.edu/~sidaw/home/start

 

Deep Learning of Invariant Features viaSimulated Fixations in Video

http://ai.stanford.edu/~wzou/deepslow_release.tar.gz

http://ai.stanford.edu/~wzou/

 

Sparse filtering

http://cs.stanford.edu/~jngiam/papers/NgiamKohChenBhaskarNg2011_Supplementary.pdf

 

k-means

http://www.stanford.edu/~acoates/papers/kmeans_demo.tgz

 

others:

http://deeplearning.net/software_links/


Vincent乐
关注
  • 1
    点赞
  • 踩
  • 34
    收藏
    觉得还不错? 一键收藏
  • 10
    评论
专栏目录
层次分析matlab代码-3D_DeepLearning_Resources:3D深度学习资源
05-23
层次分析matlab代码3D深度学习代码资源 在此存储库中，我们提供了在线提供的3D深度学习开源代码。 该项目的目的是使对3D模型或场景的深度学习感兴趣的任何人都可以通过一次搜索找到特定论文的相应代码。 目前，此页面由和维护。 欢迎所有贡献。 遵循斯坦福大学Hao的教程，我们将相关作品分为三类： 3D几何分析，3D辅助图像分析和3D综合。 有些论文是跨类别的，如果您发现很难按类别浏览，则只需在此文件中搜索即可。 请注意，此回购中仅涵盖带有代码发布的论文，我们不保证原始论文的结果可被以下代码完全复制。 3D几何分析 这部分将包含3D分类，解析，对应和分段。 吴志荣等。 “ 3d shapenet：体积形状的深层表示。” IEEE计算机视觉与模式识别会议论文集。 2015年。 苏杭等。 “用于3d形状识别的多视图卷积神经网络。” IEEE计算机视觉国际会议论文集。 2015年。 Li，Yangyan，等。 “通过CNN图像净化将形状和图像联合嵌入。” ACM Trans。 图形。 34.6（2015）：234-1。 苏浩等。 “ cnn的渲染：使用经过渲染的3d模型视图训练的cnns的图像
【深度学习】深度学习三维人体建模最新论文、资源、数据、代码整理分享
fengdu78的博客
11-21 754
三维人体建模作为计算机人体仿真的一个组成部分，一直是人们研究的热点之一。自交互式计算机图形学诞生之日起，就有学者不断探索计算机人体建模技术。从线框建模、实体建模、曲面建模发展到基于物理的建模，已取得重大进展。3维度人体建模在医学图像、生物医学、手势识别、视频会议、视频游戏、自动新闻播放、电影制作、材料变形、图象压缩等方面都有实际应用价值。本资源整理了最近几年基于深度学习技术的三维人...
Deep Learning源代码收集-持续更新…
热门推荐
zouxy09的专栏
09-22 9万+
Deep Learning源代码收集-持续更新…zouxy09@qq.comhttp://blog.csdn.net/zouxy09  收集了一些Deep Learning的源代码。主要是Matlab和C++的，当然也有python的。放在这里，后续遇到新的会持续更新。下表没有的也欢迎大家提供，以便大家使用和交流。谢谢。  最近一次更新：2013-9-22Theanohttp://deeplear
《Deep Learning with Keras》随书的源代码
05-04
图书可以从下面的链接下载 http://download.csdn.net/detail/u013003382/9832573 Deep Learning with Keras by Antonio Gulli English | 26 Apr. 2017 | ASIN: B06Y2YMRDW | 318 Pages | AZW3 | 10.56 MB Key Features Implement various deep-learning algorithms in Keras and see how deep-learning can be used in games See how various deep-learning models and practical use-cases can be implemented using Keras A practical, hands-on guide with real-world examples to give you a strong foundation in Keras Book Description This book starts by introducing you to supervised learning algorithms such as simple linear regression, the classical multilayer perceptron and more sophisticated deep convolutional networks. You will also explore image processing with recognition of hand written digit images, classification of images into different categories, and advanced objects recognition with related image annotations. An example of identification of salient points for face detection is also provided. Next you will be introduced to Recurrent Networks, which are optimized for processing sequence data such as text, audio or time series. Following that, you will learn about unsupervised learning algorithms such as Autoencoders and the very popular Generative Adversarial Networks (GAN). You will also explore non-traditional uses of neural networks as Style Transfer. Finally, you will look at Reinforcement Learning and its application to AI game playing, another popular direction of research and application of neural networks. What you will learn Optimize step-by-step functions on a large neural network using the Backpropagation Algorithm Fine-tune a neural network to improve the quality of results Use deep learning for image and audio processing Use Recursive Neural Tensor Networks (RNTNs) to outperform standard word embedding in special cases Identify problems for which Recurrent Neural Network (RNN) solutions are suitable Explore the process required to implement Autoencoders Evolve a deep neural network using reinforcement learning About the Author Antonio Gulli is a software executive and business leader with a passion for establishing and managing global technological talent, innovation, and execution. He is an expert in search engines, online services, machine learning, information retrieval, analytics, and cloud computing. So far, he has been lucky enough to gain professional experience in four different countries in Europe and managed people in six different countries in Europe and America. Antonio served as CEO, GM, CTO, VP, director, and site lead in multiple fields spanning from publishing (Elsevier) to consumer internet (Ask.com and Tiscali) and high-tech R&D (Microsoft and Google). Sujit Pal is a technology research director at Elsevier Labs, working on building intelligent systems around research content and metadata. His primary interests are information retrieval, ontologies, natural language processing, machine learning, and distributed processing. He is currently working on image classification and similarity using deep learning models. Prior to this, he worked in the consumer healthcare industry, where he helped build ontology-backed semantic search, contextual advertising, and EMR data processing platforms. He writes about technology on his blog at Salmon Run. Table of Contents Neural Networks Foundations Keras Installation and API Deep Learning with ConvNets Generative Adversarial Networks and WaveNet Word Embeddings Recurrent Neural Network — RNN Additional Deep Learning Models AI Game Playing Conclusion
deep learning中一些层的介绍和代码实现（转）
weixin_42732240的博客
09-08 157
deep learning中一些层的介绍和代码实现（转）https://blog.csdn.net/u010700066/article/details/82413773
deeplearning源代码
05-03
用于tensorflow-directml 环境搭建及测试学习
Cognex VisionPro DeepLearning程序C#源代码
05-17
《Cognex VisionPro DeepLearning程序C#源代码解析与应用》 在现代工业自动化领域，计算机视觉技术已经成为提升生产效率、确保产品质量的关键工具。Cognex VisionPro是一款由美国康耐视公司推出的强大视觉软件，它...
deep learning with pytorch源代码
07-02
《深度学习与PyTorch源代码》是针对使用PyTorch进行深度学习实践的一份宝贵资源，它包含了一系列实现各种深度学习模型的源代码。PyTorch是一个强大的Python库，被广泛用于构建和训练神经网络，尤其在研究和实验领域...
Deep Learning with Python源代码
10-09
源代码的提供使得学习过程更为直观和实践导向。在解压后的文件夹"deep-learning-w-python-master"中，我们可以期待找到一系列与深度学习相关的Python脚本和项目。 深度学习是机器学习的一个分支，它模仿人脑神经...
deeplearning学习工具箱源代码
07-10
首先，我们来解析标题——“deeplearning学习工具箱源代码”。这表明该工具箱是一个专为深度学习设计的软件包，包含有源代码，意味着用户可以查看并修改底层算法，以适应特定的项目需求或进行学术研究。对于初学者而...
Python-DeepCoNN的TensorFlow实现
08-12
DeepCoNN的TensorFlow实现
Deep Learning 经典文章与代码（matlab）
05-20
有深度学习中必读经典，以及相应的matlab代码。 此外，文章中本人做的笔记，希望能帮助大家更好的理解。 文章为：1.A fast learning algorithm for deep belief nets（Hinton） 2. Learning Deep Architectures for AI （Bengio） 3. A Practical Guide to Training Restricted Boltzmann Machines（Hinton） 等。。 code 为经典的deep learning tool（matlab版），有DBN，NN，CNN，etc。
deep learning 代码
12-16
该代码是deep learning pdf文档上对应的python源代码，用到了theano库。
DeepLearning工具箱
10-27
MATLAB版本的深度学习工具箱，包含了很多经典的代码，deep learning tool（matlab版）
ID-DAML:推荐系统---实验+复现+创新
03-11
改进建议 推荐系统---实验+复现+创新 书籍阅读复现阶段 推荐系统实践 论文阅读复现阶段 DeepCoNN 完成 NRPA 完成 DAML 完成 自己的论文 DAML改进了对DAML模型在id信息融合方式上的NRPA模型的思想的完成（模型见/pic/IDAML.png） DAML-Distance对DAML模型在id信息融合方式上合并NRPA模型的思想垂直距离公式进行研究完成 欧式距离（常规+标准化修订） 皮尔逊相关系数 数据集 电影行（ ） 亚马逊5核（ ） YELP（ ） 参数（reviews_Sports_and_Outdoors_5最佳） :warning: DropOut概率参数本仓库全部放置于1，无参考价值，为Demo，请具体根据实际场景进行调整 #DeepCoNN BATCH_SIZE = 64 EPOCHS = 50 LEARN
【面向代码】学习 Deep Learning（二）Deep Belief Nets(DBNs)
DarkScope从这里开始
07-24 6万+
========================================================================================== 最近一直在看Deep Learning，各类博客、论文看得不少 但是说实话，这样做有些疏于实现，一来呢自己的电脑也不是很好，二来呢我目前也没能力自己去写一个toolbox 只是跟着Andrew Ng的
Deep Learning(深度学习)代码/课程/学习资料整理【持续更新】
MultimediaComputingGroup_blogs
09-02 1万+
1. Deep Learning课程(由浅入深)： Andrew Ng(吴恩达). Unsupervised Feature Learning and Deep Learning.在线地址，百度网盘下载. 主要侧重基本实验技巧和基本机器学习知识。吴立德.复旦大学深度学习课程.在线地址.百度网盘下载.讲解比较全面易懂，提纲挈领地讲到了各种基础知识。Oxford University(牛津大学)
matlab2019a中Deep Learning Toolbox初步介绍（Deep Learning Toolbox系列篇1）
lanluyug的博客
04-24 3万+
至19年4月份，matlab2019a已正式上线。我们在matlab2019a命令框输入help之后，可以找到Deep Learning Toolbox工具模块，从官方帮助文档中可知，如下图所示，matlab2016a开使支持Deep Learning Toolbox。 目前，在matlab2019a中，深度学习的基本使用模块已经相对完善，并且支持逐层拖拽的simulink型的架构设计方式。...
window安装deeplearning4j
最新发布
06-13
要在 Windows 上安装 Deeplearning4j，你需要遵循以下步骤： 1. 安装 Java：Deeplearning4j 是一个基于 Java 的深度学习框架，因此你需要先安装 Java。你可以从 Oracle 官网下载最新版本的 Java。 2. 安装 Maven：Maven 是一个 Java 项目管理工具，你需要在 Windows 上安装 Maven，以便从源代码构建 Deeplearning4j。你可以从 Maven 官网下载最新版本的 Maven。 3. 安装 Git：你需要在 Windows 上安装 Git，以便从 Deeplearning4j 的 GitHub 存储库中获取源代码。你可以从 Git 官网下载最新版本的 Git。 4. 克隆 Deeplearning4j 存储库：打开命令提示符，使用 Git 克隆 Deeplearning4j 存储库。输入以下命令： ``` git clone https://github.com/eclipse/deeplearning4j.git ``` 5. 构建 Deeplearning4j：在命令提示符中导航到 Deeplearning4j 存储库，并使用 Maven 构建 Deeplearning4j。输入以下命令： ``` cd deeplearning4j mvn clean install -DskipTests ``` 构建过程可能需要几分钟时间，具体取决于你的计算机性能和网络速度。 6. 安装 Deeplearning4j：构建完成后，在 Deeplearning4j 存储库的目录下，你将找到一个名为“deeplearning4j-distribution”的目录。在该目录下，你将找到一个名为“deeplearning4j-版本号-bin.zip”的文件，其中“版本号”是 Deeplearning4j 的版本号。解压缩该文件并安装 Deeplearning4j。 完成以上步骤后，你就可以在 Windows 上使用 Deeplearning4j 进行深度学习了。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 10
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值