深度学习4J 该存储库不再维护。 我建议您检出存储库：（ ），但是该存储库中列出的示例仍然可以使用。 如果遇到任何错误，请确保将DL4j版本更改为最新版本。 如果仍然出现，请随时在此处发布问题。 一个Java深度学习存储库，其中包含从头开始的基于DL4J的项目。 到目前为止包括的项目： 使用标准前馈网络预测客户损失 使用CNN进行动物分类 使用Java进行超参数调整 桑坦德价值预测Kaggle挑战 无论是否使用GPU，请确保根据您的方便切换pom.xml更改。 1.使用标准前馈网络预测客户损失 给定已定义的n个标签，获取客户离开银行的概率。 问题陈述来自超级数据科学团队的课程。 他们讨论了使用Keras实现的解决方案，而这是尝试使用Java来实现的解决方案。 DLJ4模型始终如一地提供85.5％的准确度，比Keras模型的83％的准确度要好。 文件链接： : 代码执行： 2.

5555555555555555555555555555555555555555555555555555555555定时器反正

集成相似度的神经网络预测药物相互作用 由于此问题在经济，工业和健康中非常重要，因此提出一种合适的计算方法来高精度预测未知DDI极具挑战性。 我们提出了一种新颖的机器学习方法，它使用两层完全连接的神经网络来预测未知的DDI，称为“ NDD”。 NDD使用药物的各种特性来获得全面的信息。 计算多个药物相似性。 NDD将多种药物相似性与称为“ SNF”的非线性相似性融合方法相结合，以实现高级功能。 论文链接： : 依赖关系： python版本3.5.3 keras库 scikit学习 代码和数据 在NDD文件夹上找到DS1-Ds3。 NDD的功能代码位于NDD文件夹中。 接触 如有任何疑问，请随时与我联系： 电子邮件： 如果您认为本研究有帮助，请引用我们。

N-BEATS：神经基础扩展分析，用于可解释的时间序列预测（Keras，Pytorch） 链接到[]。 作者：Philippe Remy和Jean-Sebastien Dhr 训练开始时的N-Beats 相信我，再走几步，绿色曲线（预测值）就会与地面真实情况完全匹配：-) 安装 确保您在virtualenv中（推荐）并安装了python3。 从PyPI pip install nbeats-keras ： pip install nbeats-keras 。 安装Pytorch： pip install nbeats-pytorch 。 从来源 安装基于MakeFile。 使用Keras安装N-Beats的命令： make install-keras 使用Pytorch安装N-Beats的命令： make install-pytorch 在GPU上运行 要强制使用GPU（带

AdderNet：我们真的需要深度学习中的乘法吗？ 该代码是CVPR 2020论文的演示 我们提出加法器网络（AdderNets）来交换深度神经网络（尤其是卷积神经网络（CNN））中的大规模乘法运算，以更便宜的加法运算来减少计算成本。在AdderNets中，我们将滤波器和输入要素之间的L1范数距离作为输出响应。结果，在ImageNet数据集上使用ResNet-50，建议的AdderNets可以达到74.9％的Top-1精度91.7％的Top-5精度，而无需在卷积层上进行任何乘法。 更新：培训代码在6/28中发布。 运行python main.py以在CIFAR-10上进行训练。 更新：11月27日发布了有关AdderNet的Model Zoo。 CIFAR-10和CIFAR-100数据集的分类结果。 模型 方法 CIFAR-10 CIFAR-100 VGG-小 有线电视新闻网 94.

引文 文章： ： 如果您发现此存储库对您的研究有用，请引用此工作： Martinsson, J., Schliep, A., Eliasson, B. et al. J Healthc Inform Res (2019). https://doi.org/10.1007/s41666-019-00059-y 先决条件 该代码旨在在OhioT1DM数据集上运行。 因此，要使用它（例如，示例实验YAML配置）中的xml_path需要指向XML数据文件所在的磁盘上的路径。 例如，更改“ / home / ubuntu / ohio_data / OhioT1DM-training /”以指向包含ohio数据集XML文件的Ohiot1DM-training文件夹。 当然可以编写一个新的数据集模块，该模块将数据加载为所需格式并在其他数据上训练模型。 安装 $> chmod +x setup

股票价格预测器：建立LSTM递归神经网络来预测股票市场价格

田春伟，徐永，李作勇，左望萌，费伦和刘宏的Atent-guided CNN for图像降噪（ADNet）由神经网络（IF：5.535）于2020年发布（ ），并由Pytorch实现。 这篇论文被推到了Nueral Networks的主页上。 此外，微信公众号还在和 。 本文是第一篇通过深度网络属性解决复杂背景图像降噪的论文。 抽象 深度卷积神经网络（CNN）在低级计算机视觉中引起了相当大的兴趣。 研究通常致力于通过非常深的CNN来提高性能。 但是，随着深度的增加，浅层对深层的影响会减弱。 受这一事实的启发，我们提出了一种注意力导向的去噪卷积神经网络（ADNet），主要包括稀疏块（SB），特征增强块（FEB），注意块（AB）和重构块（RB）图像降噪。 具体而言，SB通过使用膨胀的和普通的卷积来去除噪声，从而在性能和效率之间进行权衡。 FEB通过很长的路途整合了全球和局部特征信息，以增强去噪

The challenge posed by the many-body problem in quantum physics originates from the difficulty of describing the non-trivial correlations encoded in the exponential com- plexity of the many-body wave function. Here we demonstrate that systematic machine learning of the wave function can reduce this complexity to a tractable computational form, for some notable cases of physical interest. We introduce a variational repre- sentation of quantum states based on artificial neural networks with variable number of hidden neurons. A reinforcement-learning scheme is then demonstrated, capable of either finding the ground-state or describing the unitary time evolution of complex interacting quantum systems. We show that this approach achieves very high accuracy in the description of equilibrium and dynamical properties of prototypical interacting spins models in both one and two dimensions, thus offering a new powerful tool to solve the quantum many-body problem.

神经网络与模式识别方面的经典书籍，没下过的来下