使用Flask Dockerize并将机器学习模型作为REST API部署 一个可以服务于预测机器学习模型的简单Flask应用程序。 启动Flask应用程序后，将一个腌制的sklearn模型读入内存，并通过/ predict端点返回预测。 您还可以使用/ train端点来训练/重新训练模型。 部署ML模型的步骤 安装Flask和Docker 序列化您的scikit学习模型（可以使用Pickle或JobLib完成） [可选]将列名称列表添加到scikit对象，例如：rf.columns = ['Age'，'Sex'，'Embarked'，'Survived'] 创建一个单独的flask_api.py文件，该文件将使用Flask构建Web服务 运行python flask_api.py 转到http地址检查其是否正常工作 创建一个执行以下项目的dockerfile 安装ubuntu，python和git 从git克隆代码回购或将本地python代码移动到容器中的/ app 将WORKDIR设置为/ app 在requirements.xt中安装软件包 露出端口以进行烧瓶定位

动漫素描着色器 使用参考图像自动进行草图着色 先决条件 pytorch torchvision numpy openCV2 matplotlib 数据集 Taebum Kim，“动漫素描着色对”， //www.kaggle.com/ktaebum/anime-sketch-colorization-pair 培养 请参考train.ipynb 测试 请参考test.ipynb 您可以在 ）上下载经过培训的检查点。 培训细节 参数 值 学习率 2e-4 批量大小 2 时代 25 优化器 亚当 （beta1，beta2） （0.5，0.999） （lambda1，lambd

在线交易中的欺诈检测：使用欺诈检测比率小于0.00005的Anamoly检测技术（例如过采样和欠采样）来检测在线交易中的欺诈，因此，仅应用分类算法可能会导致过度拟合

关于计算机视觉的电子书，最新版本，经典著作，适合工学理学等领域

研究@ Magic Leap（CVPR 2020，口腔） SuperGlue推理和评估演示脚本 介绍 SuperGlue是在Magic Leap完成的2020 CVPR研究项目。 SuperGlue网络是一个图形神经网络，结合了最佳匹配层，该层经过训练可以对两组稀疏图像特征进行匹配。 此存储库包含PyTorch代码和预训练权重，用于在关键点和描述符之上运行SuperGlue匹配网络。 给定一对图像，您可以使用此存储库在整个图像对中提取匹配特征。 SuperGlue充当“中端”，在单个端到端体系结构中执行上下文聚合，匹配和过滤。 有关更多详细信息，请参见： 全文：PDF： 。 作者： Pa

服务器上的YOLO 此存储库包含在服务器即服务上运行检测算法的代码，并且具有我的方法的实时实现。 自由使用它:) 强烈建议启动并运行Tensorflow-gpu。 在目录内移动之后。 运行项目： 安装虚拟环境 pip install virtualenv 启动虚拟环境 virtualenv venv 激活virtualenv . venv/bin/activate 安装要求 pip install -r requirements.txt 下载并转换yolov3和yolov3-tiny的权重 wget https://pjreddie.com/media/files/yolov3.weights ./yad2k.py yolov3.cfg yolov3.weights yolo.h5 wget https://pjreddie.com/media/files/yol

被誉为AI圣经的《DEEP LEARNING》中文版，翻译得比较好的版本。

深度学习这本书 中文最新版pdf，更新至2017年9月4日 内容包括机器学习和深度学习的数学基础，深度学习的各个方面

带有元数据的文本的最小监督分类 该项目提供了一个对文本与元数据进行分类的弱监督框架。 安装 为了进行培训，强烈建议您使用GPU。 凯拉斯 该代码基于Keras库。 您可以找到安装说明。 相依性 该代码是用Python 3.6编写的。 依赖关系总结在文件requirements.txt 。 您可以像这样安装它们： pip3 install -r requirements.txt 快速开始 要在我们的论文中再现结果，您需要首先下载。 我们的论文中使用了五个数据集。 不幸的是，由于我们对数据提供者的承诺，因此无法发布GitHub-Sec数据集。 其他四个数据集可用。 解压缩下载的文件后，您可以分别看到对应于这四个数据集的四个文件夹。 数据集 文件夹名称 ＃文件 ＃班 类名（该类中的#Repository） bio/ 876 10 序列分析（210），基因组分析（176），基因表达（6

本资源包含Pattern Recognition And Machine Learning的英文版和由马春鹏翻译的中文版。