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。
浅析GPU通信技术（上）-GPUDirect P2P
1. 背景
GPU在高性能计算和深度学习加速中扮演着非常重要的角色， GPU的强大的并行计算能力，大大提升了运算性能。随着运算数据量的不断攀升，GPU间需要大量的交换数据，GPU通信性能成为了非常重要的指标。
Kubeflow 使用指南
Kubeflow（https://github.com/kubeflow）是基于Kubernetes（https://kubernets.io，容器编排与管理服务软件）和TensorFlow(https://tensorflow.org，深度学习库)的机器学习流程工具，使用Ksonnet进行应用包的管理。
DenseNet的应用--语义分割--(DenseASPP )
转载自：https://blog.csdn.net/u011974639
DenseASPP
DenseASPP for Semantic Segmentation in Street Scenes
原文地址：DenseASPP
收录：CVPR2018(IEEE Conference on Computer Vision and Pattern Recognition)
代码:
PyTorch
简介：
将DeepLab系列中的ASPP和DenseNet中的密集连接相结合，构成了DenseASPP。
DCGAN 代码简单解读
之前在DCGAN文章简单解读里说明了DCGAN的原理。本次来实现一个DCGAN,并在数据集上实际测试它的效果。本次的代码来自github开源代码DCGAN-tensorflow,感谢carpedm20的贡献!
1. 代码结构
代码结构如下图1所示:
图1 代码结构
我们主要关注的文件为download.py,main.py,model.py,ops.py以及utils.py。
云栖科技评论第69期：“未来思维”是企业持续发展的基本条件
就中国千万家身处传统产业的企业来说，企业业务的未来、产业形态的终局尚待摸索，但“数字化增长的未来终局已定”：企业应当以云计算为基础、大数据为介质、人工智能为手段、物联网为连接方式，成为“数字化企业”——这是数字化时代企业发展的未来和终局。
