皮托奇·西法尔100 pytorch在cifar100上练习 要求 这是我的实验资料 python3.6 pytorch1.6.0 + cu101 张量板2.2.2（可选） 用法 1.输入目录 $ cd pytorch-cifar100 2.数据集 我将使用来自torchvision的cifar100数据集，因为它更方便，但我还将示例代码保留了用于在数据集文件夹中编写您自己的数据集模块的示例，以作为人们不知道如何编写它的示例。 3.运行tensorbard（可选） 安装张量板 $ pip install tensorboard $ mkdir runs Run tensorboard

深度学习的attention的实现，有keras和tensorflow两种

keras-unet-collection 所述tensorflow.keras实施U型网，V-净，U-净++，R2U网，注意力U形网，ResUnet-A，U ^ 2-Net和UNET 3+具有可选ImageNet训练有素骨架。 keras_unet_collection.models包含使用超参数选项配置keras模型的函数。 U-net，U-net ++，Attention U-net和UNET 3+支持预训练的ImageNet主干。 U-net ++，UNET 3+和U ^ 2-Net支持深度监督。 有关其他选项和用例，请参见《 》。 keras_unet_collection.models 名称 参考 unet_2d 网络 vnet_2d V-net（为2-d输入修改） unet_plus_2d U网++ r2_unet_2d R2U网 att

CNN_LSTM加注意力机制对股票预测，文件有数据

对联AI 用PyTorch实现的自动对对联系统，支持多种模型。一般而言，给定一句话生成另一句话是序列生成问题，本项目根据上下联字数不同的特点将其转化为序列标注问题，即用下联去标注上联。 依存关系 python 3.6+ pytorch 1.2+ 烧瓶（可选） 数据集 数据集包含70多万条对联数据（26MB），下载请，或者（提取码：wude）。 用法 将下载到的数据集解压到当前目录（解压后的文件夹名称为couplet ） 运行preprocess.py进行数据预 运行main.py [-m model type]进行训练 运行clidemo.py <-p model path>可在控制台进行AI对对联 运行webdemo.py 可在Web端进行AI对对联 命令行参数的详细说明见文件内，你也可以在module/model.py中定义你自己的模型。 使用Docker

Attention：注意力机制在Keras当中的实现 目录 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 LSTM中的注意力机制 在本库中，我将注意力机制施加在LSTM的Step上，目的是注意输入进来的样本，每一个Step的重要程度。我们使用的样本数据如下： X = [[-21.03816538 1.4249185 ] [ 3.76040424 -12.83660875] [ 1. 1. ] [-10.17242648 5.37333323] [ 2.97058584 -9.31965078] [ 3.69295417 8.47650258] [ -6.91492102 11.00583167] [ -0.03511656 -

[实战]200类鸟类细粒度分类识别 我又来了！！！！ 一、图像分类 这次进行实战项目，鸟类细粒度分类识别实战。再讲细粒度分类之前，让我们先回顾一下图像分类吧。 图像分类是计算机视觉的最基础的一个任务，从最开始的入门级的mnist手写数字识别、猫狗图像二分类到后来的imagenet任务。图像分类模型随着数据集的增长，一步步提升到了今天的水平。计算机的图像分类水准已经超过了人类。 在这里我把图像分类任务分为了两种，一种是单标签的图像分类任务，一种是多标签的图像分类任务。 多标签的图像分类任务，更加符合人们的认知习惯。因为现实生活中的图片往往会包含多个类别物体。 而在单标签的图像分类任务中又可以

基于Convolutional Block Attention Module (CBAM)的Multi-Attention模型设计与实现。模型本质上是并行添加了 CBAM 和 DeepMoji 注意力机制，并在最后将它们的特征进行合并。

Attention Is All You Need，NLP经典论文，值得仔细阅读

DANet Attention资源包括论文原文和源代码