scNym-用于单细胞分类的半监督对抗神经网络 scNym是一个神经网络模型，用于根据单细胞分析数据（例如scRNA-seq）预测细胞类型，并从这些模型中得出细胞类型表示形式。 尽管细胞类型分类是主要的用例，但是这些模型可以将单个细胞概况映射到任意输出类别（例如实验条件）。 我们已经在Genome Research的最新论文中详细描述了scNym 。 如果您发现此工具有用，请引用我们的工作。 我们也有一个研究网站，介绍scNym简报- 用于单细胞分类的半监督对抗神经网络。 雅各布·金梅尔（Jacob C.Kimmel）和大卫·凯利（David R.Kelley）。 基因组研究。 2021. doi： ： BibTeX @article{kimmel_scnym_2021, title = {Semi-supervised adversarial neural networ

3dgan-chainer 3D生成对抗网络的Chainer实现。 结果 一些好的样品产生了椅子。 （50纪元） python generate_samples.py result/trained_models/Generator_50epoch.npz 要求 链接器（2.0.1） 科学的 scikit图像 h5py pip install scipy scikit-image h5py 可选的 如果要绘制体素，则需要 。 截至2017年10月19日，未发行版本的matplotlib仅包含功能 matplotlib 2.1.0 + 323.ge6448bafc pip install git+https://github.com/matplotlib/matplotlib 数据集 我使用了ShapeNet-v2数据集。 培训脚本支持.binbox或.h5扩展名。 描述你的数据集路径DATASET_PATH在train.py 。 .binvox 只需在ShapeNet-v2中使用.binvox文件

基于生成对抗神经网络的三维多孔介质重构 Reconstruction of three-dimensional porous media using generative adversarial neural networks

人工智能导论：第二章 对抗搜索

这是一个基于机器学习和大数据的决策对抗系统，包含GIS系统，后端基于springMVC，spring，Mybatis，日志基于logback，算法部分包括机器学习，深度学习对打击做仿真。 这是一个基于机器学习和大数据的决策对抗系统，包含GIS系统，后端基于springMVC，spring，Mybatis，日志基于logback，算法部分包括机器学习，深度学习对打击做仿真。 这是一个基于机器学习和大数据的决策对抗系统，包含GIS系统，后端基于springMVC，spring，Mybatis，日志基于logback，算法部分包括机器学习，深度学习对打击做仿真。 这是一个基于机器学习和大数据的决策对抗系统，包含GIS系统，后端基于springMVC，spring，Mybatis，日志基于logback，算法部分包括机器学习，深度学习对打击做仿真。 这是一个基于机器学习和大数据的决策对抗系统，包含GIS系统，后端基于springMVC，spring，Mybatis，日志基于logback，算法部分包括机器学习，深度学习对打击做仿真。 这是一个基于机器学习和大数据的决策对抗系

matlab集成c代码 SeisCompletionGAN 构建一种对抗生成网络对有缺失的地震二维图像进行重建恢复。 代码环境 python 3.5.4 / Tensorflow 1.9.0 训练集 使用真实地震工区的地震segy格式数据，通过matlab进行读取，分割，得到了10万二维地震图片作为训练数据，5000作为测试数据。 预处理 将.mat数据通过Python转换为图片，并采用缺失道的处理，在输入网络前进行处理加速网络的收敛。 生成器/补全网络 将预处理完成的数据输入补全网络。补全网络如下 采用了白化操作——将输入数据分布变换到0均值，单位方差的分布，加速神经网络的收敛。 补全网络采用了一种编码-解码的结构，类似于自编码器，从最初为了之后的处理而降低分辨率，这样的操作可以降低存储空间和计算时间。 补全网络通过反卷积操作可以使图像在最初的降维后恢复原始的分辨率。 补全网络未采用池化操作来降低分辨率，只使用带步长的卷积操作来降低图像分辨率，相比池化能够在缺失区域产生不那么模糊的纹理。 补全网络采用均方误差作为生成器的损失。 使用加速模型的收敛，在一定程度缓解了梯度消失的问题。 激

利用GAN的思想，进行数字对抗样本生成，以LeNet作为图像分类模型，LeNet是一个小型的神经网络结构，仅包含两层卷积层、两个池化层以及三层全连接。该轻量级网络能快速、占内存小、高精确度的解决复杂度比较低的问题，如手写数字识别。 (步骤1)用LeNet网络完成手写数字识别任务。 (步骤2)利用对抗样本工具包生成针对该网络的对抗样本。 整体包括一下部分 步骤1：用`LeNet网络`完成手写数字识别任务。 LeNet 网络 数据集的下载和预处理 Image displaying pytorch 搭建LeNet LetNet 训练 超参数的设置 训练及测试模型 可视化误差曲线，准确率曲线 结果可视化，查看每一类的准确率 模型的保存与加载 步骤2：生成针对该网络的对抗样本。 威胁模型 快速梯度符号攻击 定义扰动上限 epsilons 被攻击的模型 FGSM 攻击方式 测试函数 启动攻击 对抗结果 准确性 vs Epsilon 样本对抗性示例

使用PyTorch生成对抗式模仿学习 该存储库用于使用PyTorch的生成对抗模拟学习（GAIL）的简单实现。 该实现基于原始的GAIL论文（）和我的Reinforcement Learning Collection存储库（）。 在此存储库中，诸如CartPole-v0 ， Pendulum-v0和BipedalWalker-v3类的环境。 您需要先安装它们，然后才能运行此存储库。 安装依赖项 安装Python 3。 将Python软件包安装在requirements.txt 。 如果将虚拟环境用于Python软件包管理，则可以使用以下bash命令安装所需的所有python软件包： $ pip install -r requirements.txt 安装其他软件包以运行OpenAI Gym环境。 这些取决于您机器的开发设置。 安装PyTorch。 PyTorch的版本应大于或等于

Linux单挑Windows谷歌对抗所有人.docx

AREOD 该存储库包含AREOD （用于对象检测的对抗鲁棒性评估）的代码，这是一个Python的库，用于进行对抗性机器学习研究，以正确地对标目标检测中的对抗性鲁棒性。 该存储库仍在开发中，我们使用3种针对对象检测模型的攻击来对逆向鲁棒性进行基准测试。 功能概述： 建立在tensorFlow上，并通过给定的接口支持TensorFlow和Kerasa模型 支持各种威胁模型中的多种攻击 提供现成的预训练基线模型（faster-rcnn-inception-v2-coco，多尺度GTRSB） 为bencmark模型提供方便的工具，并使用printor打印生成的对抗性样本 攻击方法清单 我们使用3种攻击方法生成对抗示例，下面的论文对此进行了介绍 ， ， ，。 稍后，我们使用连接的打印机将对抗性示例打印出来，以提供更高的性能基准。 安装 git clone https://github.c