softmax_variants softmax变体的各种损失函数：中心损失，余面损失，高边距高斯混合，由pytorch 0.3.1实现的COCOLoss 训练数据集是MNIST 您可以直接运行代码train_mnist_xxx.py重现结果 参考文件如下： 中锋失利：温彦东，张凯鹏，李志峰和乔巧。 一种用于深度人脸识别的判别性特征学习方法。 ECCV 2016 Cosface损失：王浩，王一彤，周正，邢吉，狄宏恭，周静超，李志峰和刘伟。 CosFace：用于深脸识别的大余量余弦损失。 CVPR2018 大幅度高斯混合损失：万维涛，钟元仪，李天鹏，陈建生。 重新考虑图像分类中损失函数的特征分布。 CVPR 2018 COSO损失：刘宇，李洪阳，王小刚。 重新思考特征识别和聚合，以进行大规模识别。 NIPS研讨会2017 学到的二维嵌入功能包括： softmax损失 可可

神经关系推理（NRI） 用于交互系统的图神经网络 给定节点的时间序列数据，NRI模型会将未来的节点状态和节点之间的基础抵销关系预测为边缘。 这是Chainer中神经关系推理（NRI）的再现作品。 作者的原始实现可在此处找到： 。 请参阅本文的详细信息： 交互系统的神经关系推断。 Thomas Kipf *，Ethan Fetaya *，Kuan-Chieh Wang，Max Welling，Richard Zemel。 ：平等贡献） 数据集 粒子物理模拟数据集 cd data python generate_dataset.py 训练 粒子物理模拟数据集 python train.py --gpu 0 可视化结果 python utils/visualize_results.py \ --args-file results/2019-01-22_10-20-25_0/args.

Place365GoogLeNet 是在 Places365 数据集上训练的预训练模型，其底层网络架构与在 ImageNet 数据集上训练的 GoogLeNet 相同。 您可以使用网络阅读 句法净= googlenet net = googlenet('权重',权重) net = googlenet('Weights',weights) 返回在 ImageNet 或 Places365 数据集上训练的 GoogLeNet 网络。 如果权重等于“imagenet”，则网络具有在 ImageNet 数据集上训练的权重。 如果权重等于“places365”，则网络具有在 Places365 数据集上训练的权重。 从您的操作系统或 MATLAB 中打开 place365googlenet.mlpkginstall 文件将启动您拥有的版本的安装过程。 此 mlpkginstall 文件适用

Recent developments in laser scanning technologies have provided innovative solutions for acquiring three-dimensional (3D) point clouds about road corridors and its environments. Unlike traditional field surveying, satellite imagery, and aerial photography, laser scanning systems offer unique solutions for collecting dense point clouds with millimeter accuracy and in a reasonable time. The data acquired by laser scanning systems empower modeling road geometry and delineating road design parameters such as slope, superelevation, and vertical and horizontal alignments. These geometric parameters have several geospatial applications such as road safety management. The purpose of this book is to promote the core understanding of suitable geospatial tools and techniques for modeling of road traffic accidents by the state-of-the-art artificial intelligence (AI) approaches such as neural networks (NNs) and deep learning (DL) using traffic information and road geometry delineated from laser scanning data. Data collection and management in databases play a major role in modeling and developing predictive tools. Therefore, the first two chapters of this book introduce laser scanning technology with creative explanation and graphical illustrations and review the recent methods of extracting geometric road parameters. The third and fourth chapters present an optimization of support vector machine and ensemble tree methods as well as novel hierarchical object-based methods for extracting road geometry from laser scanning point clouds. Information about historical traffic accidents and their circumstances, traffic (volume, type of vehicles), road features (grade, superelevation, curve radius, lane width, speed limit, etc.) pertains to what is observed to exist on road segments or road intersections. Soft computing models such as neural networks are advanced modeling methods that can be related to traffic and road features to the historical accidents and generates regression equations that can be used in various phases of road safety management cycle. The regression equations produced by NN can identify unsafe road segments, estimate how much safety has changed following a change in design, and quantify the effects of road geometric features and traffic information on road safety. This book aims to help graduate students, professionals, decision makers, and road planners in developing better traffic accident prediction models using advanced neural networks.

RL4J：Java 强化学习 有关 RL4J 的支持问题，请联系 。 RL4J 是一个与 deeplearning4j 集成并在 Apache 2.0 开源许可下发布的强化学习框架。 DQN（带双 DQN 的深度 Q 学习） 异步强化学习（A3C，异步 NStepQlearning） 低维（信息数组）和高维（像素）输入。 一篇有用的博客文章，向您介绍强化学习、DQN 和 Async RL： 快速开始 安装 可视化 厄运 Doom 还没有准备好，但如果你喜欢冒险，你可以通过一些额外的步骤让它工作： 您将需要 vizdoom，编译本机库并将其移动到项目根目录中的文件夹中 export MAVEN_OPTS=-Djava.library.path=THEFOLDEROFTHELIB mvn compile exec:java -Dexec.mainClass="YOURMAINCL

在下一篇文章中，我们将预处理要输入到机器学习模型的数据集。

训练12小时后512x512鲜花，1 gpu 训练12小时后256x256朵鲜花，1 gpu 比萨 ``轻巧''GAN 在Pytorch的ICLR 2021中提出的实现。 本文的主要贡献是发生器中的跳层激励，以及鉴别器中的自动编码自监督学习。 引用单行摘要“在经过数小时培训的情况下，可以在1024 g分辨率的数百张图像上融合在单个gpu上”。 安装 $ pip install lightweight-gan 使用 一个命令 $ lightweight_gan --data ./path/to/images --image-size 512 每隔1000次迭代，模型将保存到./models/{name} ，模型中的样本将保存到./results/{name} 。 name将是default ，默认情况下。 训练设定 深度学习从业人员的自我解释能力很强 $ lightweight_ga

深度学习中RBM的Matlab代码工具包，帮助更好的理解Deep learning

DeepSpeech：DeepSpeech是一种开源嵌入式（离线，设备上的）语音到文本引擎，可以在从Raspberry Pi 4到大功率GPU服务器的各种设备上实时运行

Algebra, Topology, Differential Calculus, and Optimization TheoryFor Computer Science and Machine LearningJean Gallier and Jocelyn Quaintance Department of Computer and Information ScienceUniversity of Pennsylvania Philadelphia, PA 19104, USA e-mail: jean@cis.upenn.educ:copyright: Jean GallierAugust 2, 20192ContentsContents 31 Introduction 172 Groups, Rings, and Fields 19 2.1 Groups, Subgroups, Cosets . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.2 Cyclic Groups . . . . . . . . . .