RL飞扬的鸟 概述 该项目是强化学习的基本应用。 它集成了以使用DQN来训练代理。 预训练模型在单个GPU上以3M步进行训练。 您可以找到解释培训过程的，或。 构建项目并运行 该项目支持使用Maven进行构建，您可以使用以下命令进行构建： mvn compile 以下命令将开始在没有图形的情况下进行训练： mvn exec:java -Dexec.mainClass="com.kingyu.rlbird.ai.TrainBird" 上面的命令将从头开始训练。 您也可以尝试使用预先训练的体重进行训练： mvn exec:java -Dexec.mainClass="com.kingyu.rlbird.ai.TrainBird" -Dexec.args="-p" 要直接使用模型进行测试，您可以执行以下操作 mvn exec:java -Dexec.mainClass="com.ki

人脸识别 这个仓库是使用TensorFlow 2.0框架，并基于 论文上完成的，其中主要分为四大块：人脸检测、人脸矫正、提取特征和特征比对。各个模块的大小和在我的 17 款 macbook-pro 的 CPU 上跑耗时如下： 人脸检测：使用的是 mtcnn 网络，模型大小约 1.9MB，耗时约 30ms； 人脸矫正：OpenCV 的仿射变换，耗时约 0.83ms； 提取特征：使用 MobileFaceNet 和 IResNet 网络，耗时约30ms； 特征比对：使用曼哈顿距离，单次搜索和完成比对耗时约 0.011 ms； 注册人脸 注册人脸的方式有两种，分别是: 打开相机注册: $ python register_face.py -person Sam -camera 按 s 键保存图片，需要在不同距离和角度拍摄 10 张图片或者按 q 退出。 导入人脸图片: 保证文件的名字与注册人名相

Kaggle National Datascience Bowl 2017第二名 这是我在Kaggle.com主办的第二名解决方案中我的源代码。 有关该方法的文档，请访问： ://juliandewit.github.io/kaggle-ndsb2017/ 请注意，这是我的代码部分。 我的队友Daniel Hammack的工作可以在以下位置找到： : 依赖关系和数据 该解决方案是使用Keras和Windows 64位上的tensorflow后端构建的。 接下来，我使用了scikit-learn，pydicom，simpleitk，beatifulsoup，opencv和XgBoost。

Keras可视化工具包 keras-vis是用于可视化和调试已训练的keras神经网络模型的高级工具包。 当前支持的可视化包括： 激活最大化 显着图 类激活图 默认情况下，所有可视化都支持N维图像输入。 即，它推广到模型的N维图像输入。 该工具包通过干净，易于使用和可扩展的界面将上述所有问题归纳为能量最小化问题。 与theano和tensorflow后端兼容，具有“ channels_first”，“ channels_last”数据格式。 快速链接 阅读位于的文档。 日语版为 。 加入闲暇来提问/讨论。 我们正在中跟踪新功能/任务。 如果您愿意帮助我们并提交PR，将非常乐意。 入门 在图像反向传播问题中，目标是生成使某些损失函数最小化的输入图像。 设置图像反向传播问题很容易。 定义加权损失函数 在中定义了各种有用的损失函数。 可以通过实现来定义自定义损失函数。 from vis . losses import ActivationMaximization from vis . regularizers import TotalVariation , LPNorm fil

完善的机器学习：笔记，练习和Jupyter笔记本 在下面，您将找到补充第二版《机器学习精炼》（剑桥大学出版社出版）的一系列资源。 目录 小部件样本和我们的教学法 我们相信，只有对以下三个问题中的每一个回答都是肯定的，才能精通某种机器学习概念/主题。 Intuition你能用一个简单的图景描述这个想法吗？ Mathematical derivation您可以用数学符号表达直觉并推导基础模型/成本函数吗？ Implementation您可以在不使用高级库的情况下使用Python这样的编程语言对派生代码进行编码吗？ Intuition comes first. 直观的飞跃先于知识的飞跃，因此，我们在书中包括了300多种彩色插图，这些彩色插图经过精心设计，可以直观地掌握技术概念。 这些插图中的许多是动画的快照，这些动画显示了某些算法的收敛性，某些模型从不完全拟合到过度拟合的演变等。可以使用动画（与静态图形相对）来最好地说明和理解此类概念。 您可以在此存储库中找到大量这样的动画-您也可以通过这些注释的原始Jupyter笔记本版本来修改自己。 这里只是几个例子： 交叉验证（回归）

脸部活跃度检测 描述 深度学习管道，能够发现人脸与合法人脸，并在人脸识别系统中执行反人脸欺骗。 它是在Keras，Tensorflow和OpenCV帮助下构建的。 样本数据集已上传到sample_dataset_folder中。 方法 检测伪造的面Kong与真实/合法面Kong的问题被视为二进制分类任务。 基本上，给定输入图像，我们将训练一个卷积神经网络，该卷积神经网络能够将真实面Kong与伪造/欺骗面Kong区分开。 该任务涉及四个主要步骤： 构建图像数据集本身。 实现一个能够执行活动检测器（Livenessnet）的CNN。 训练活动度检测器网络。 创建一个能够采用我们训练有素的活动检测器模型的Python + OpenCV脚本，并将其应用于实时视频。 创建一个Web平台以交互方式访问活动度检测算法。 该存储库的内容 sample_liveness_data：包含样本数据集。

这是（深度学习框架MXnet）mxnet-the-straight-dope-master的一些资料。关于如何安装mxnet模块，这个我在博客中记录过，欢迎大家交流学习。

文件夹说明： 1. ./divert -- 全部进行像素反转后的 60000 张训练集图片； 2. ./divert_test -- 全部进行像素反转后的 60000 张测试集图片； 3. ./rotate -- 全部进行图像旋转后的 60000 张训练集图片； 4. ./rotate_test -- 全部进行图像旋转后的 60000 张测试集图片； 5. ./divert_and_rotate -- 像素反转后的 30000 张训练集图片 + 图像旋转后的 30000 张训练集图片； 6. ./divert_and_rotate_test -- 像素反转后的 30000 张测试集图片 + 图像旋转后的 30000 张测试集图片； 7. ./raw -- 手动创建的测试集图片，1-9 没有进行旋转，r1-r9 进行了不同角度的旋转 8. label_train.txt -- 训练集 label 9. label_test.txt -- 测试集label

英文原版 Tap The Power of TensorFlow and Theano with Keras, Develop Your First Model, Achieve State-Of-The-Art Results

信息网 通过提出的MIRNet架构的Tensorflow实现，。 Lanuch笔记本： Wandb日志： ://wandb.ai/19soumik-rakshit96/mirnet MIRNet的TFLite变体： : 。 Tensorflow Hub上的TFLite模型： ://tfhub.dev/sayakpaul/lite-model/mirnet-fixed/dr/1 。 MIRNet的Tensorflow JS变体： : 。 预先训练的体重 在128x128补丁程序上进行了训练： ：//drive.google.com/file/d/1sUlRD5MTRKKGxtqyYDpTv7T3jOW6aVAL/view usp = sharing 已针对256x256补丁进行了培训： https ：//drive.google.com/file/d/1sUlRD5MTR