准确率98%的深度学习交通标志识别是如何做到的？
我们可以创建一个能够对交通标志进行分类的模型，并且让模型自己学习识别这些交通标志中最关键的特征。在这篇文章中，我将演示如何创建一个深度学习架构，这个架构在交通标志测试集上的识别准确率达到了98％。
卷积神经网络实战（可视化部分）——使用keras识别猫咪
在近些年，深度学习领域的卷积神经网络（CNNs或ConvNets)在各行各业为我们解决了大量的实际问题。但是对于大多数人来说，CNN仿佛戴上了神秘的面纱。我经常会想，要是能将神经网络的过程分解，看一看每一个步骤是什么样的结果该有多好！这也就是这篇博客存在的意义。
实践：基于深度学习的卫星图像超分辨率处理技术（一）
Yann Lecun曾将无监督学习比作蛋糕，将监督学习比作蛋糕上的糖霜，声称我们仅懂得如何做糖霜却不知道怎样才能做出蛋糕。在本篇文章中，我们提供了一份训练无监督学习算法的“蛋糕”配方，用来增强卫星图像。
深度学习训练，选择P100就对了
本文使用NVCaffe、MXNet、TensorFlow三个主流开源深度学习框架对P100和P40做了图像分类场景的卷积神经网络模型训练的性能对比，并给出了详细分析，结论是P100比P40更适合深度学习训练场景。