通过卡尔曼滤波进行有效GP回归 基于两篇论文的存储库，其中包含相对于同类项目的简单实现代码： [1] A.Carron，M.Todescato，R.Carli，L.Schenato，G.Pillonetto，机器学习遇到了Kalman Filtering ，《 2016年第55届决策与控制会议论文集》，第4594-4599页。 [2] M.Todescato，A.Carron，R.Carli，G.Pillonetto，L.Schenato，通过卡尔曼滤波的有效时空高斯回归，ArXiv：1705.01485，已提交JMLR。 PS。 该代码尽管基于上述论文中使用的代码，但与之稍有不同。 它是它的后来的改进和简化版本。 而且，此处仍未提供[2]中介绍的用于实现自适应方法的代码。 文件内容是很容易解释的（有关每个文件的简要介绍，请参考相应的帮助）： main.m：包含主程序 plotResul

自动驾驶食谱（预览） 注意： 该项目由Microsoft Garage的开发并维护。 目前这项工作正在进行中。 我们将根据用户的要求和合作者的可用性继续添加更多的教程和方案。 在过去的大约五年时间里，自动驾驶已经超越了疯狂的登月计划。 它已Swift成为当今最大的技术之一，有望塑造我们的明天，与汽车首次出现时并没有什么不同。 推动此变化的主要动力是软件（人工智能），硬件（GPU，FPGA等）和云计算的最新进展，这些进展使得能够提取和处理大量数据，从而使公司有可能推动新的水平自治的4和5。 兰德的显示，要达到这些自治水平，就需要对数亿甚至有时是数千亿英里的训练数据进行训练，以证明其可靠性。

毕业设计 这是我使用“深度学习”的学士学位毕业项目的仓库。

元转移学习，少量学习 该存储库包含针对论文的TensorFlow和PyTorch实现，作者孙倩*，*，（ ）和（ （* =相等贡献）。 如果您对此存储库或相关文章有任何疑问，请随时或。 检查快照分类排行榜。 概括 介绍 入门 数据集 表现 引文 致谢 介绍 已经提出将元学习作为解决具有挑战性的一次性学习设置的框架。 关键思想是利用大量类似的少量任务，以学习如何使基础学习者适应新的任务，对于该新任务，只有少量标记的样本可用。 由于深度神经网络（DNN）仅仅使用少数几个样本就趋于过拟合，因此元学习通常使用浅层神经网络（SNN），因此限制了其有效性。 在本文中，我们提出了一种称为元转移学习（MTL）的新颖的少拍学习方法，该方法可以学习将深度神经网络适应于少拍学习任务。 具体来说，meta是指训练多个任务，并且通过学习每个任务的DNN权重的缩放和移位功能来实现传递。 我们在两个具有挑

派尔蒙 PyLMNN是用于在纯python中进行度量学习的算法的实现。 此实现紧密遵循在找到的Kilian Weinberger的原始MATLAB代码。 此版本解决了无限制的优化问题，并使用L-BFGS作为后端优化器找到了线性变换。 该软件包还可以使用出色的软件包通过贝叶斯优化找到LMNN的最佳超参数。 安装 该代码是在Ubuntu 16.04下的python 3.5中开发的，并且也在Ubuntu 18.04和python 3.6下进行了测试。 您可以使用以下命令克隆存储库： git clone https://github.com/johny-c/pylmnn.git 或通过pip安装它： pip3 install pylmnn 依存关系 numpy的> = 1.11.2 scipy> = 0.18.1 scikit_learn> = 0.18.1 可选依赖项 如果要使用超参

ML-MT-WebApp 这是我的本科学位课程的主要项目之一。 在这里，我开发了一种疾病预测网络应用程序，该应用程序使用机器学习的概念来预测各种疾病，例如疟疾，肺炎，糖尿病等。 下面是使用的各种模型文件的名称： 癌症模型=模型 糖尿病模型=模型1 心脏模型= model2 肝模型= model4 肾脏模型= model3 疟疾模型= model111.h5 肺炎模型= my_model.h5 用于训练深度学习模型的内核 疟疾核心模型： : 肺炎模型的核心-https: 用于模型开发的各种数据集的详细信息： 癌症：cancer.csv [在资源库中] 糖尿病：dialysis.csv [在资源库中] Heart ：heart.csv [在资源库中] 肝脏： : Patient- 肾脏： : 疟疾： : 疟疾 肺炎： ： //www.kaggle.c

(1) CNN实现MNIST手写数字识别 (2) TensorFlow入门1-CNN网络及MNIST例子讲解 (3) Tensorflow 实现 MNIST 手

sagemaker-pytorch-training-toolkit：用于在SageMaker上运行PyTorch培训脚本的工具包。 用于构建SageMaker Pytorch容器的Dockerfile位于https：//github.comawsdeep-learning-containers

OmniNet：用于多模式多任务学习的统一架构 OmniNet是用于多模式多任务学习的Transformer体系结构的统一和扩展版本。 单个OmniNet体系结构可以对几乎任何现实领域（文本，图像，视频）的多个输入进行编码，并能够跨多种任务进行异步多任务学习。 OmniNet体系结构包含多个称为神经外围设备的子网，用于将特定于域的输入编码为时空表示形式，并连接到称为中央神经处理器（CNP）的通用中央神经网络。 CNP实现了基于变压器的通用时空编码器和多任务解码器。 该存储库包含用于的官方Pytorch实施（Pramanik等）。 本文演示了OmniNet的一个实例，该实例经过联合训练以执行

角膜外科医生 一个用于在经过训练的Keras模型上进行网络手术的库。 对于深度神经网络修剪很有用。 Keras外科医生提供了简单的方法来修改训练有素的模型。 当前实现了以下功能： 从图层中删除神经元/通道 删除图层 插入图层 替换图层 Keras-Surgeon与任何模型架构兼容。 一次遍历网络可以修改任意数量的层。 这些修改有时被称为网络手术，这激发了该软件包的名称。 背景 这个项目的动机是我对深度学习的兴趣以及对尝试使用研究文献中已经了解的一些修剪方法进行试验的愿望。 我创建此程序包是因为找不到从Keras模型中修剪神经元的简单方法。 希望对其他人有用。 安装 使用pip从安装Keras-Surgeon。 pip install kerassurgeon 如果您要安装示例的依赖项，请执行以下操作： pip install kerassurgeon[examples] 它