深度学习 通过深度强化学习制作简单的游戏AI简介 Keras和Gym中最小和简单的深度Q学习实现。 不到100行代码！ 博客文章包含dqn.py代码的说明。 为了方便起见，我对该存储库进行了一些细微的调整，例如load和save功能。 我还使memory成为双端队列，而不只是列表。 这是为了限制内存中元素的最大数量。 训练对于dqn.py可能是不稳定的。 ddqn.py减轻了此问题。 我将在下一篇文章中介绍ddqn 。

在用户生成的内容上使用2D CNN识别Twitter中的机器人帐户 Marco Polignano，Marco Giuseppe de Pinto，Pasquale Lops，Giovanni Semeraro ， ， ， 全文可在上 抽象 在网络上自动发布内容的帐户数量正在快速增长，遇到它们非常普遍，尤其是在社交网络上。 它们通常用于发布广告，虚假信息和用户可能会遇到的骗局。 这样的帐户称为bot，是机器人的缩写（又称社交bot或sybil帐户）。 为了支持最终用户确定社交网络帖子来自何方，机器人还是真实用户，至关重要的是自动准确地自动识别这些帐户并及时通知最终用户。

KelpNet：纯C＃机器学习框架 /* SampleCode */ FunctionStack nn = new FunctionStack ( new Convolution2D ( 1 , 32 , 5 , pad : 2 , name : " l1 Conv2D " ), new ReLU ( name : " l1 ReLU " ), new MaxPooling ( 2 , 2 , name : " l1 MaxPooling " ), new Convol

持续学习基准 使用流行的持续学习算法评估三种类型的任务转移。 该存储库使用PyTorch实现并模块化了以下算法： EWC： ，（克服神经网络中的灾难性遗忘） 在线EWC： ， SI： ，（通过突触智能持续学习） MAS： ，书面（“内存感知突触：学习（不）忘记的内容”） 创业板： ，（用于持续学习的梯度情景记忆） （更多即将到来） 将以上所有算法与具有相同静态内存开销的以下基准进行比较： 天真彩排： L2： ， 关键表： 如果此存储库对您的工作有所帮助，请引用： @inproceedings{Hsu18_EvalCL, title={Re-evaluating Continual Learning Scenarios: A Categorization and Case for Strong Baselines}, author={Yen-Chang Hsu a

Apress源代码 该存储库随附于 Hisham El-Amir和Mahmoud Hamdy的（Apress，2020年）。 使用绿色按钮将文件下载为zip格式，或使用Git将存储库克隆到您的计算机上。 发行版 版本v1.0对应于已出版书籍中的代码，没有更正或更新。 会费 请参阅文件Contributing.md，以获取有关如何为该存储库做出贡献的更多信息。

stockDL：用于股票价格预测和计算的深度学习库 复制粘贴不是您应该共享代码的方式。 特征 基于2种传统股票市场算法[买入，持有和移动平均]和2种深度学习算法[LSTM网络和Conv1D + LSTM网络]的单一股票交易和价格比较 以JSON格式返回结果，包括总总收益，年总收益，总净收益和年净收益。 此JSON结果可用于基于Web的价格预测。 考虑到印度的经纪人佣金和资本利得税[可以修改] 每次运行库时都进行动态模型训练，从而使模型不受上帝行为，大流行，突然亏损，股价上涨引起的异常股票市场变化的影响。 Yahoo Finance API的最新财务数据收集（从股票开始日期到当前数据）。 与Flask或另一个python后端轻松进行后端集成，以进行Web部署。 在带有4992 NVIDIA CUDA和24 GB VRAM的Tesla K80 GPU上，结果处理时间不到90秒。 比其

Xception 是一个预训练模型，已经在 ImageNet 数据库的一个子集上进行了训练。 该模型接受了超过一百万张图像的训练，可以将图像分类为1000个对象类别（例如键盘，鼠标，铅笔和许多动物）。 从操作系统或在MATLAB中打开xception.mlpkginstall文件将启动具有该发行版的安装过程。 此 mlpkginstall 文件适用于 R2019a 及更高版本。 用法示例： % 访问训练好的模型净 = xception(); % 查看架构细节网络层 % 读取图像进行分类I = imread('peppers.png'); % 调整图片大小sz = net.Layers(1).InputSize I = I(1:sz(1),1:sz(2),1:sz(3)); % 使用 Xception 对图像进行分类标签 = 分类（净，我） % 显示图像和分类结果数字显示（

Python深度学习食谱 这是发布的的代码库。 它包含从头到尾完成本书所必需的所有支持项目文件。 关于这本书 深度学习正在彻底改变各种行业。 在许多应用中，深度学习已被证明可以做出更快，更准确的预测，从而胜过人类。 本书提供了自上而下和自下而上的方法，以演示针对不同领域的现实问题的深度学习解决方案。 这些应用程序包括计算机视觉，自然语言处理，时间序列和机器人技术。 Python深度学习食谱提供了针对所提出问题的技术解决方案，以及对解决方案的详细说明。 此外，提供了有关使用诸如TensorFlow，PyTorch，Keras和CNTK的流行框架之一实施建议的解决方案的利弊的讨论。 这本书包括与神经网络的基本概念有关的食谱。 所有技术以及经典网络拓扑。 本书的主要目的是为Python程序员提供详细的配方列表，以将深度学习应用于常见和不常见的场景。 说明和导航 所有代码都组织在文件夹中。 每个

随着大数据的引入及其在图像采购设备中的惊人进步，将医学数据转换为有价值的知识已成为生物信息学领域的重要挑战。 采购的医学图像需要对图像进行大量分析和诊断，这可以使用人工智能技术（例如机器学习和深度学习）来完成，这些技术可以提供自动诊断解决方案。 深度学习方法可以为医学图像诊断提供优化和精确的解决方案，并且可以作为即将到来的医疗保健应用的重要方法。 本文将讨论一些当代深度学习神经网络及其在各种疾病检测中的应用。

基于深度学习的毫米波系统的信道估计和混合预编码 将“ matlab”和“ python”文件夹放在根目录中 “ matlab”文件夹包含传统的HBF算法，信道估计算法和数据生成代码。 “ python”文件包含已定义的神经网络模型和经过训练的模型。 如果要直接测试HBF-Net和CE-HBF-Net，则可以 运行“ matlab / channel_gen.m”以生成测试通道。 运行“ matlab / gen_testdata.m”以生成测试数据集 您也可以单击（提取代码：om9r）下载数据集，而无需生成新的测试数据集。 训练后的模型保存在“ python / model”中。 在测试模式（train_flag = 0）下运行“ python / main.py”，可以测试HBF-Net和CE-HBF-Net的性能。 如果您想对HBF-Net和CE-HBF-Net进行再培训，则可以