使用python的Numpy从头实现神经网络，并以线性回归问题为例，检验模型效果。不管是刚刚入门的小白，还是深度学习的资深从业者，相信你都能有所收获。

神经网络是通过梯度下降来进行网络学习，随着网络层数的增加，"梯度爆炸"的问题可能会越来越明显。例如：在梯度反向传播中，如果每一层的输出相对输入的偏导 > 1，随着网络层数的增加，梯度会越来越大，则有可能发生 "梯度爆炸"。如果发生了 "梯度爆炸"，在网络学习过程中会直接跳过最优解，所以有必要进行梯度裁剪，防止网络在学习过程中越过最优解。本文实现了3中梯度裁剪策略，并与pytorch/padd

神经网络是通过梯度下降来进行网络学习，随着网络层数的增加，"梯度爆炸"的问题可能会越来越明显。例如：在梯度反向传播中，如果每一层的输出相对输入的偏导 > 1，随着网络层数的增加，梯度会越来越大，则有可能发生 "梯度爆炸"。如果发生了 "梯度爆炸"，在网络学习过程中会直接跳过最优解，所以有必要进行梯度裁剪，防止网络在学习过程中越过最优解。本文实现了3中梯度裁剪策略，并与pytorch/padd

本项目使用深度学习目标检测开源框架PaddleDetection中的yolox算法实现了垃圾检测，本文包含了从头训练yolox模型和直接使用训练好的模型进行推理的代码及相关权重。

本文不会介绍具体的去水印算法实现流程，仅介绍大体的思路，供学习之用。去水印是为了得到不带水印的图片，图片的大小并不会改变，也就是说需要一个算法，输入是带水印的图片，输出是不带水印的图片，输入和输出的图片分辨率相同。很容易想到计算机视觉的一个类似的任务-语义分割。语义分割算法可以端到端的对图片每个像素点进行分类，它的输出是各个类别的概率图，但是去水印要求输出的是图片，所以我们可以采用语义分割模型，并

人像分割模型树莓派部署教程

MODNet是一个实时Matting的深度学习模型，本文是MODNet的模型部署教程，将MODNet的onnx模型使用python部署，实现了图片Matting，视频Matting等功能。

本文介绍了OrangePi AIpro的测评结果，跑通了官方给定的示例代码，并使用图片和视频对yolov5模型进行测试，总体感觉非常nice。

MODNet是一个实时Matting的深度学习模型，本文是MODNet的模型部署教程，将MODNet的onnx模型使用python部署，实现了图片Matting，视频Matting等功能。

深度学习gpu的显存至关重要，显存过小的话，模型根本无法跑起来，本文介绍几种显存不足时的优化方法，能够降低深度学习模型的显存要求。