焦点损失 降低了分类良好的示例的权重。 这样做的净效果是，将更多的培训重点放在难以分类的数据上。 在我们的数据不平衡的实际环境中，由于我们拥有更多的数据，我们的多数阶级将很快得到很好的分类。 因此，为了确保我们在少数族裔班上也能达到很高的准确性，我们可以使用焦点损失在训练过程中为那些少数族裔班级提供更多的相对权重。 焦点损失可以很容易地在Keras中实现为自定义损失函数。 用法 以焦点损失为样本编译模型： 二进位 model.compile（损失= [binary_focal_loss（alpha = .25，gamma = 2）]，指标= [“准确性”]，优化程序= adam） 分类的 model.compile（损失= [categoical_focal_loss（alpha = [[。25，.25，.25]]，gamma = 2）]，指标= [“准确性”]，优化程序= ad

Michael Nielsen 大神的 《Neural Networks and Deep Learning》中文+英文+Python3代码，Michael Nielsen 大神的 《Neural Networks and Deep Learning》中文+英文+Python3代码

深度学习在图像处理中的应用教程 前言 本教程是对本人研究生期间的研究内容进行整理总结，总结的同时也希望能够帮助更多的小伙伴。 本教程会以视频的方式进行分享，教学流程如下： 1）介绍网络的结构与创新点2）使用Pytorch进行网络的建造与训练3）使用Tensorflow（内部的keras模块）进行网络的建造与训练 教程目录，单击重新相应视频（后续会根据学习内容增加） 图像分类 LeNet（已​​完成） AlexNet（已​​完成） VggNet（已​​完成） GoogLeNet（已​​完成） ResNet（已​​完成） ResNeXt（已完成） MobileNet（已​​完成） ShuffleNet（已​​完成） 目标检测篇 Faster-RCNN / FPN（进行中） SSD / RetinaNet（进行中） YOLOv3 SPP（进行中） 目标分割 所需环境 Anaconda3（建

寻找快速入门的JetBot吗？ 现在有许多第三方工具包！ JetBot是一款基于NVIDIA Jetson Nano的开源机器人，价格合理-不到$ 150的Jetson Nano附加组件JetBot寻找快速上手的捷径吗？ 现在有许多第三方工具包！ JetBot是一款基于NVIDIA Jetson Nano的开源机器人，价格合理-不到$ 150到Jetson Nano Educational的附加组件-从基本动作到基于AI的防撞教程都非常有趣！ -通过Web浏览器进行交互式编程构建并使用JetBot可提供创建全新AI项目所需的实践经验。 首先，请阅读JetBot Wiki。

焦炉火中的DALL-E 在实现/复制 （OpenAI的文本到图像转换器）。 它还将包含用于对世代进行排名。 ， 和正在开发 ！ 如果您想了解DALL-E在TPU上的培训，请帮助他们。 在复制此内容之前，我们可以适应“或“ 状态 设法在仅2000张风景图像的数据集上训练了一个小的6层DALL-E！ （2048个视觉标记） 安装 $ pip install dalle-pytorch 用法 火车VAE import torch from dalle_pytorch import DiscreteVAE vae = DiscreteVAE ( image_size = 256 ,

本文旨在研究利用信息瓶颈原理来解释深度神经网络的泛化能力的分散努力，并将它们整合到这个新的一般深度学习理论的综合摘要中。

Keract：Keras激活+梯度 pip install keract 您刚刚找到了一种获取Keras模型每一层（LSTM，转换网络...）的激活（输出）和渐变的方法。 API 获取激活（节点/层输出为Numpy数组） keract . get_activations ( model , x , layer_names = None , nodes_to_evaluate = None , output_format = 'simple' , nested = False , auto_compile = True ) 获取Keras模型和输入X的激活（作为Numpy数组的节点/层

深度学习matlab工具箱,包括深度deep belief nets,stacked autoencoder,convolutional neural nets等网络。-Matlab/Octave toolbox for deep learning. Includes Deep Belief Nets, Stacked Autoencoders, Convolutional Neural Nets, Convolutional Autoencoders and vanilla Neural Nets. Each method has examples to get you started.

使用Pytorch Python 3.7 3.6 3.5状态的人脸识别这是pytorch中Inception Resnet（V1）模型的存储库，已在VGGFace2和CASIA上进行了预训练-我们使用Pytorch Python 3.7 3.6 3.5状态这是用于Inception Resnet（V1）模型的存储库在pytorch中，已在VGGFace2和CASIA-Webface上进行了预训练。 使用从David Sandberg的tensorflow facenet存储库移植的参数来初始化Pytorch模型权重。 此回购中还包括用于推理之前的人脸检测的MTCNN的有效pytorch实现。 这些模型也经过预训练。 据我们所知，这是最快的MTCNN实现

用于语义图像分割的CRF-RNN-PyTorch版本 现场演示： ： Caffe版本： ： Tensorflow / Keras版本： ：//github.com/sadeepj/crfasrnn_keras 该存储库包含“ CRF-RNN”语义图像分割方法的官方PyTorch实现，该方法在ICCV 2015论文《。 该项目的在2015 ICCV上获得了最佳演示奖。此PyTorch代码的结果与上述基于Caffe和Tensorflow / Keras的版本相同。 如果您使用此代码/模型进行研究，请引用以下论文： @inproceedings{crfasrnn_ICCV2015, author = {Shuai Zheng and Sadeep Jayasumana and Bernardino Romera-Paredes and Vibhav Vineet and