轻型GBM 高性能渐变增强-适用于Ruby 安装 将此行添加到您的应用程序的Gemfile中： gem 'lightgbm' 在Mac上，还要安装OpenMP： brew install libomp 培训API 准备数据 x = [ [ 1 , 2 ] , [ 3 , 4 ] , [ 5 , 6 ] , [ 7 , 8 ] ] y = [ 1 , 2 , 3 , 4 ] 训练模型 params = { objective : "regression" } train_set = LightGBM :: Dataset . new ( x , label : y ) booster = LightGBM . train ( params , train_set ) 预测 booster . predict ( x ) 将模型保存到文件 booster . save_mode

菌素 phygnn （fi-geon | ˈfi-jən）名词。 物理学指导的神经网络 一只稀有的神话鸟 物理学指导的神经网络的这种实现通过通用的损失项增强了传统的神经网络损失功能，该损失项可用于指导神经网络学习物理或理论约束。 phygnn使科学软件开发人员和数据科学家能够轻松地将机器学习模型集成到物理和工程应用程序中。当将纯数据驱动的机器学习模型应用于科学应用时，例如当机器学习模型产生物理上不一致的结果或难以推广到样本外场景时，此框架应有助于缓解一些经常遇到的挑战。 有关phygnn类框架的详细信息，请参见 例如，使用phygnn架构进行回归，分类甚至GAN应用，请参见 在国家可再生能源实验室（NREL），我们使用phygnn框架来补充传统的基于卫星的云属性预测模型。当传统的机械模型失效时，我们使用phygnn预测云的光学特性，并使用基于张量的完整辐射传递模型作为物理损耗函数，将预测

THUMT：神经机器翻译的开源工具包 内容 介绍 机器翻译是一种自然语言处理任务，旨在自动使用计算机翻译自然语言。 最近几年见证了端到端神经机器翻译的飞速发展，这已成为实际MT系统中的新主流方法。 THUMT是由开发的用于神经机器翻译的开源工具包。 THUMT的网站是： ://thumt.thunlp.org/。 在线演示 THUMT的在线演示可从。 涉及的语言包括古代汉语，阿拉伯语，中文，英语，法语，德语，印尼语，日语，葡萄牙语，俄语和西班牙语。 实作 THUMT当前具有三个主要实现： ：与开发的新实现。 它实现了Transformer模型（ Transformer ）（ ）。

BB-SVM模型用于论文数据集的自动人格检测（大五人格标记特征） 该存储库包含基于BERT模型的Bagging SVM，用于对Essays数据集进行分类。 安装 有关可以通过以下方式安装的相关软件包的列表，请参阅requirements.txt。 pip -r requirements.txt 本文使用指定的版本。 请注意，需求模块的更新版本可能会更改结果。 一些实验证明，更新的sklearn可以提高准确性。 但是，还请检查按需要求（例如，要求1.10 3.8

SiamMask的C ++实现SiamMaskCpp SiamMask的C ++实现口号：numpy操作→cv :: Mat操作CNN→Torch :: jit :: script :: Module其他张量操作→torch :: Tensor操作比原始实现更快（速度从在单个NVIDIA GeForce GTX 1070上测试时为22fps至40fps）要求OpenCV> = 3（在3.4.0下测试）PyTorch> = 1（在1.3.0下测试）将SiamMask模型转换为Torch脚本您可以使用模型（带有优化模块）训练有素

PoseRBPF：用于6D对象姿势跟踪的Rao-Blackwellized粒子滤波器PoseRBPF：用于6D对象姿势跟踪的Rao-Blackwellized粒子滤波器PoseRBPF纸自我监督纸姿势估计视频机器人操纵视频引用PoseRBPF如果您发现PoseRBPF代码有用，请考虑引用：@inproceedings {deng2019pose，作者= {Xinke Deng和Arsalan Mousavian和Yu Xiang和Fei Xia和Timothy Bretl和Dieter Fox}，标题= {PoseRBPF：用于6D对象姿态跟踪的Rao-Blackwellized粒子滤波器}，书名= {机器人技术：科学

neural-machine-translation

该资源包涵这本书的英文版，中文版和课本中的代码。本资源都是高清版本

Gluon CV工具包 | | | | GluonCV提供了计算机视觉中最先进的（SOTA）深度学习模型的实现。 它是为工程师，研究人员和学生设计的，用于基于这些模型快速制作原型产品和研究思路。 该工具包提供四个主要功能： 训练脚本以重现研究论文中报告的SOTA结果 同时支持PyTorch和MXNet 大量的预训练模型 精心设计的API，可大大降低实施复杂性 社区支持 演示版 在或检查高清视频。 支持的应用 应用 插图 可用型号 识别图像中的物体。 50多个模型，包括 ， ， ， ，... 用它们的检测多个对象图像中的边界框。 ， ， 关联图像的每个像素带有分类标签。 ， ， ， ， ， ， 检测物体并关联对象区域内的每个像素都有一个实例标签。 检测人体姿势从图像。 认识人类的行为在视频中。 MXNet： ， ， ， ， ， ， ，， PyTorch： ， ， ， ，， ， ， 预测深度图从图像。 生成视觉欺骗性图像 ， ， 重新识别场景中的行人 安装 GluonCV构建在MXNe

拟无监督的颜色恒定性 本文所述方法的实现： 西蒙妮·比安科（Simone Bianco），克劳迪奥·库萨诺（Claudio Cusano），“准无监督色彩恒定性”-CVPR 2019 该文件可。 另请参见或尝试。