教材1 语义分割2 应用：背景虚化3 应用：路面分割4 语义分割VS实例分割教材1 图像分割和实例分割2 Pascal VOC2012 语义分割数据集2.1 预处理数据2.2 自定义语义分割数据集类2.3 读取数据集2.4 整合所有组件3 小结

在此仅做翻译尽管近年来在图像恢复领域取得了重大进展，但最先进的(SOTA)方法的系统复杂性也在增加，这可能会阻碍方法的方便分析和比较。在本文中，我们提出了一个简单的基线，它超过了SOTA方法，并且计算效率很高。为了进一步简化基线，我们揭示了非线性激活函数，如Sigmoid, ReLU, GELU, Softmax等是不必要的:它们可以用乘法代替或删除。因此，我们从基线推导出一个非线性激活自由网络，

课件（单发多框检测SSD）生成锚框SSD模型效果总结课件（YOLO）YOLO（你只看一次）效果

端到端 end-to-end

ResNet1 Summary总结遇到的问题？解决方案？成果？2 Introduction神经网络叠的越深，则学习出的效果就一定会越好吗？深度残差学习 Deep Residual Learning相关工作Related Work3 Deep Residual Learning3.1 残差学习Residual Learning3.2 Identity Mapping by Shortcuts3.3

计算机视觉——图像增强课件图像增强使用增强数据训练翻转切割颜色总结教材1 常用的图像增广方法1.1 翻转和裁剪1.2 改变颜色1.3 结合多种图像增广方法2 使用图像增广进行训练2.1 多GPU训练2.2 单GPU训练3 小结

最好的卷积层超参数？Inception：全都要Inception块GoogLeNet段1$2段3段4&5Inception各种变种Inception-V3，段3Inception-V3，段4Inception-V3，段5总结教材1 Inception块2 GoogLeNet模型3 训练模型4 小结

课件样式迁移易于CNN的样式迁移教材1 方法2 阅读内容和风格图像3 预处理和后处理4 抽取图像特征5 定义损失函数5.1 内容损失5.2 风格损失5.3 全变分损失5.4 损失函数6 初始化合成图像7 训练模型8 小结参考文献

课件多GPU并行数据并行VS模型并行数据并行总结教材1 问题拆分2 数据并行性3 简单网络4 数据同步5 数据分发6 训练7 小结多GPU的简洁实现1简单网络2 网络初始化3 训练4 小结

课件（分布式训练）分布式计算GPU机器架构计算一个小批量同步SGD性能性能的权衡实践的建议总结教材（参数服务器）1 数据并行训练2 环同步（Ring Synchronization)3 多机训练4 键值存储5 小结