《Deep Learning》 Ian Goodfellow Yoshua Bengio Aaron Courville.zip

这是一个框架，可针对经典基准运行用于点云分析任务的通用深度学习模型。 它在很大程度上依赖于和 。 该框架允许以最少的工作量和良好的可重复性构建精简而又复杂的模型。 它还提供了高级API，以使Pointcloud上的深度学习民主化。 有关最新网络的框架功能和基准的概述，请参见3DV上的。 目录 总览 要求 CUDA 10或更高版本（如果需要GPU版本） Python 3.7或更高版本+标头（python-dev） PyTorch 1.5或更高版本（1.4和1.3.1也应正常工作，但没有得到积极支持） 稀疏卷积后端（可选），请参阅以获取安装说明 与安装 pip install torch

基于卷积神经网络的语音活动检测器 该GitHub存储库是以下论文的代码伴奏： 用于实时语音活动检测的卷积神经网络智能手机应用程序Abhishek Sehgal和Nasser Kehtarnavaz-达拉斯德克萨斯大学 摘要：本文提出了一种智能手机应用程序，该应用程序基于卷积神经网络执行实时语音活动检测。 讨论了实时实现问题，这些问题显示了如何解决与卷积神经网络相关的缓慢推理时间。 开发的智能手机应用旨在充当助听器信号处理管道中降噪的开关，从而能够在嘈杂的语音信号的仅噪声部分进行噪声估计或分类。 将开发的智能手机应用程序与以前开发的语音活动检测应用程序以及两种被引用率很高的语音活动检测算法进行比较。 实验结果表明，使用卷积神经网络开发的应用程序优于以前开发的智能手机应用程序。 资源 可通过以下链接获得与该工作有关的支持材料： 关联 描述 IEEE访问手稿 在Android和iOS智

NVIDIA Redtail项目 使用深度学习的无人机和地面车辆的自主视觉导航组件。 有关如何入门的更多信息，请参阅 。 该项目包含深层神经网络，计算机视觉和控制代码，硬件指令以及其他工件，允许用户建造无人驾驶飞机或地面车辆，这些无人机或地面车辆可以在高度非结构化的环境（例如森林步道，人行道等）中自主导航。导航在NVIDIA的Jetson嵌入式平台上运行。 我们的详细介绍了TrailNet和其他运行时模块。 可以使用公开数据从头开始训练项目的深度神经网络（DNN）。 作为该项目的一部分，还提供了一些 。 如果您想从头开始训练TrailNet DNN，请按照上的步骤进行操作。 该项目还包含

KerasGA：使用遗传算法训练Keras模型 是库的一部分，用于使用遗传算法（GA）训练模型。 项目有一个名为kerasga.py模块，该模块具有一个名为KerasGA的类，用于准备KerasGA模型参数的初始填充。 是一个开放源代码的Python库，用于构建遗传算法和训练机器学习算法。 在查看图书馆的： : 在使用此项目之前，通过pip安装 。 对于Windows： pip install pygad 对于Linux / Mac： pip3 install pygad 捐款 您可以通过捐款： 。 要使用PayPal捐款，请使用以下链接： 或电子邮件地址ahmed.f.gad@gmail.com 。 安装 要安装PyGAD ，只需使用pip从PyPI （Python软件包索引）下载并安装该库。 该库位于此页面https://pypi.org/project/p

全球首个临床级病理AI系统原始码及复现。 介绍： 官方Github ： : 个人补充部分 数据集下载。自己申请的，可直接使用， 50G左右。下载，密码： i8fv 数据集准备。官方接口需要指定格式，参考code/README.md 。这里我自己写了一个脚本，见code/dataPrepare_for_CNN.py和code/dataPrepare_for_Rnn.py ，改一下相关路径就好。 训练及测试。将官方代码改成单机数据并行训练，加速训练，单GPU也无需更改代码。具体运行命令，参考code/README.md 具体代码运行流程 运行： code/dataPrepare_for_CNN.py ，生成MIL所需的数据 运行code/MIL_train.py和code/MIL_test.py （很慢） 运行： code/dataPrepare_for_Rnn.py ，生成RNN所需的数据

神经图协同过滤 这是我对本文的PyTorch实现： 王翔，何湘南，王萌，冯福利和蔡达生（2019）。 神经图协同过滤， 或。 在SIGIR'19，法国巴黎，2019年7月21日至25日。 TensorFlow实现可以在找到。 介绍 我的实现主要是指原始的TensorFlow实现。 它具有与原始项目一样的评估指标。 这是Gowalla数据集的示例： Best Iter=[38]@[32904.5] recall=[0.15571 0.21793 0.26385 0.30103 0.33170], precision=[0.04763 0.03370 0.02744 0.02359 0.02088], hit=[0.53996 0.64559 0.70464 0.74546 0.77406], ndcg=[0.22752 0.26555 0.29044 0.30926 0.32406]

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