GraphNeuralNetwork 《深入浅出图神经网络：GNN原理解析》配套代码 关于勘误 由于作者水平有限，时间仓促，书中难免会有一些错误或不准确的地方，给读者朋友造成了困扰，表示抱歉。 仓库中提供了目前已经发现的一些问题的,在此向指正这些错误的读者朋友表示感谢。 在5.4节图滤波器的介绍中，存在一些描述错误和概念模糊的问题，可能给读者理解造成偏差，勘误中对相关问题进行了更正 环境依赖 python>=3.6 jupyter scipy numpy matplotlib torch>=1.2.0 Getting Start FAQ Cora数据集无法下载 Cora数据集地址是：。 仓库中提供了一份使用到的cora数据，可以分别将它放在 chapter5/cora/raw 或者 chapter7/cora/raw 目录下。 新代码直接使用本地数据.

matlab精度检验代码用MATLAB进行神经网络和深度学习 我是深度学习的初学者，我发现Michael Nielsen的在线电子书很棒！ 同时，我是具有10年经验的MATLABer 。 在这个项目中，我将重写Michael使用MATLAB在Python中所做的工作。 我这样做的一部分是摘录Michael的书，另一部分是让其他MATLAB用户阅读和欣赏本书。 档案内容 nnet.m ：对应于network.py nneto.m ： nnet.m的另一个矢量化版本，不对应于Michael的书中的任何代码。 但是迈克尔确实评论了与network.py进一步向量化有关的内容 test_nnet_MNIST.mlx ：这是包含实时输出的MATLAB实时脚本。 使用与迈克尔在书中说明的配置相同的配置。 即净尺寸[784、30、10]这大约需要600秒才能完成30个纪元 __NNET_MNIST_README_20190118.txt ： test_nnet_MNIST.mlx中显示的结果的可读版本。 请注意，它们来自不同的试验，因此不完全相同 test_nneto_MNIST.mlx ：再次运行

多步骤提前预测 该项目的目的是研究时空数据的多步提前预测中的两个方面： 动态模型与静态模型：我们将比较几种静态模型和动态模型的性能。 动态模型都具有递归神经网络作为其体系结构的一部分。 在这些模型中，先前时间步长中的时间序列值用于导出循环网络的“状态”。 然后，将循环网络的输出扩充到数据中的其他要素，以形成完整的要素集。 相反，在静态模型中，没有递归的体系结构，并且先前时间步长上的时间序列值直接增加到其他特征上。 数据拆分方法：我们将研究将数据拆分为训练和验证模型对测试数据性能的影响的不同方法的效果。 与其他情况相比，为时间序列数据形成验证集更具挑战性。 具体来说，许多机器学习任务可以看作是插值，其中训练和测试集中的特征范围是相似的。 另一方面，时间序列预测（特别是多步提前预测）是一项外推任务。 我们要提出的问题是，在形成验证集时应考虑到这一点。 我们将研究形成验证集的不同方法。 我

启用可审计自主性的神经回路政策 神经回路策略（NCPs）是基于LTC神经元和突触模型设计的稀疏循环神经网络，受到神经的神经系统的启发。 本页描述了NCP的Keras（TensorFlow 2.0软件包）参考实现。 有关论文的再现性材料，请参见。 安装 要求： Python 3.6 TensorFlow 2.0 （可选）PyTorch 1.7 pip install keras-ncp 2021年1月更新：添加了实验性PyTorch支持 随着keras-ncp 2.0版，添加了实验性PyTorch支持。 下面的文件夹和一个Colab笔记本中有一个有关如何使用PyTorch绑定的。 请注意，

MotioNet 该库提供的源代码[[Transaction on Graphics（ToG）2020]，这是一种运动学的深度神经网络，可以从单眼视频中重建3D骨骼人体运动。 基于通用运动表示设计的网络及其直接输出可以转换为bvh文件，而无需任何后处理步骤。 MotioNet：具有骨架一致性的单眼视频的3D人体运动重构：| | 先决条件 Linux 的Python 3 NVIDIA GPU + CUDA CuDNN 2D姿势检测工具（用于评估野生视频，现在支持： ） 根据您的Cuda版本，选择合适的版本并安装它，然后运行以下命令来安装其他软件包： pip install -r requirements.txt 快速开始 我们提供了一个预训练的模型和一些演示示例，这些示例演示了我们的框架是如何工作的。 为了运行演示，请从 下载1.预训练的模型并将其放置在./checkpoin

Neural Network and Deep Learning 中文翻译版本

人工智能（AI） 基于项目的人工智能（AI）游乐场。 专案 贡献 欢迎大多数贡献。 联络人 如有任何疑问，请随时与我联系（ ）。

神经网络的时间序列分析 重点比较ANN，RNN，LSTM和LSTM在时序分析中的表现 在这个项目中，我建立并比较了四种类型的ANN模型：具有Attention的完全连接的ANN，RNN，LSTM，LSTM。 有两个包含时间序列的数据集。 目的是建立深度神经网络，该网络可以学习数据中的时间模式并预测未来观察的价值。 对于那些模型，我比较了预测的准确性和训练过程的速度。 请参考Report.pdf了解详细说明和参考。 为了构建神经网络，我使用python keras库。 为了实现注意力机制，我使用了Christos Baziotis的。

破产机器学习 破产数据研究的目的是为给定数据确定预测破产的最佳分类方法。 破产数据是从COMPUSTAT收集的1980年至2000年的数据，其中有5436个观察值和13个变量。 9个基于会计的变量和1个市场变量是：R1：WC / TA，营运资金/总资产R2：RE / TA，未分配利润/总资产R3：EBIT / TA，息税前利润/总资产R4：ME / TL，权益/总负债的市场价值R5：S / TA，销售/总资产R6：TL / TA，总负债/总资产R7：CA / CL，流动资产/流动负债R8：NI / TA，净收入/总资产R9：破产成本，对数（销售）R10：市值，对数（绝对（价格）*流通股数/ 1000） 对于本研究，由于没有明显的破产趋势，因此可以假定可以将多年来的数据汇总在一起并进行研究。 在这13个变量中，其中一个是“ DLRSN”-一种表示默认值的分类变量，即预测的因变量。 总体而

Tensorflow 中的领域对抗神经网络 域对抗神经网络在 Tensorflow 中的实现。 重新创建 MNIST 到 MNIST-M 实验。 使用tensorflow-gpu==2.0.0和python 3.7.4 。 MNIST 到 MNIST-M 实验 生成 MNIST-M 数据集 改编自 要生成MNIST-M数据集，您需要下载 ，并将其放置在./Datasets/BSR_bsds500.tgz 。 运行create_mnistm.py脚本。 或者，如果在目录中找不到，脚本create_mnistm.py将为您提供下载的选项。 python create_mnistm.py 这应该会生成./Datasets/MNIST_M/mnistm.h5文件。 数据集也可在此处获得： 训练 运行DANN.py脚本。 python DANN.py 取消注释#train('so