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

本文介绍autodl私有云安装方法。在做深度学习的时候，经常被GPU算力和环境问题困扰，要么算力不够，要么多人共用服务器导致环境管理混乱。AutoDL提供多规格的算力租赁，是非常好用的AI算力平台，AutoDL的试用相信用过的朋友都知道怎么用，今天介绍试用AutoDL搭建私有云平台的过程。

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。

神经网络学习的本质就是学习数据的分布。如果没有对数据进行归一化处理，那么每一批次训练的数据的分布就有可能不一样。本文介绍了深度学习中常用的几种归一化方法，并且使用numpy实现了几种方法，相信一定能让你有所收获。

基于深度学习的水果商品检测分类看到一个水果数据集，共包含3种水果（苹果、香蕉、橘子），正好在学习yolo，就用yolo做个实践，检测水果并识别其种类。原图及检测效果图如下：数据集介绍数据集格式为VOC格式，共包含3类图片（苹果，香蕉和橘子），每类有100张图片，其中80张用于训练集，20张用于验证集。数据集目录如下：数据集部分图片：检测模型本文采用YOLOV3算法进行目标检测，backbone选择

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

深度学习模型压缩，卷积裁剪原理及实现方法，包括L1Norm裁剪，L2Norm裁剪，FPGM裁剪。

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

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。