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。

MATLAB Deep Learning With Machine Learning, Neural Networks and Artificial Intelligence 英文无水印pdf pdf所有页面使用FoxitReader和PDF-XChangeViewer测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 本资源转载自网络，如有侵权，请联系上传者或csdn删除

matlab如何进行交叉交叉验证的代码场景分类 杰西卡·斯宾塞（Jessica Spencer）进行的研究，由康涅狄格大学的Ozgur Izmirli教授建议，2016年秋季-2017年Spring 为什么？ 图像中的场景分类是许多领域的重要机器学习问题，包括归档，博物馆作品和社交媒体标记。 场景分类可用于定位社交媒体中的广告，预标记图像以及了解有关公司受众的更多信息。 这项研究是在不依赖于对象检测的情况下创建场景分类器的尝试（很多人都这样做）。 从我获得的所有研究中，我使用了一个数据集。 怎么办？？ 该分类器的准确度为78.6％，交叉验证为10倍。 ！ 所需成分 为了正确运行此代码，您需要使用Matlab机器学习工具箱，该工具箱需要花一些钱（或者您可以免费试用30天）。 它还需要将数据库从上传到名为allPhotos的文件夹。 专家提示：“旧建筑物”和“田野”的类别是模糊的，因此如果将其包括在内，结果将有所不同。 我该如何运行？ 运行framework.m之后，转到matlab工具栏中的Apps，然后打开分类学习器。 点击显示“新会话”的黄色+，然后选择“ T”作为变量。 在所有SV