论文Deep_Convolutional_Neural_Network_for_Inverse_Problems_in_Imagin

COCO LM预训练（WIP） 在Pytorch中实现 ，纠正和对比文本序列以进行语言模型预训练。 他们能够以自我监督的方式进行对比学习，以进行语言模型预训练。 似乎是Electra的坚实后继者。 安装 $ pip install coco-lm-pytorch 用法 使用x-transformers库的示例 $ pip install x-transformers 然后 import torch from torch import nn from x_transformers import TransformerWrapper , Encoder from coco_lm_pytorch import COCO # (1) instantiate the generator and discriminator, making sure that the generator is ro

程序源码 亲测可用 HAL库版本 带串口测试代码 测试方便 MS5803采用的是SPI通信 测试精准可靠！！！！

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。

深度照片增强器的Pytorch实现 该项目基于论文《深度照片增强器：使用GAN进行照片增强的不成对学习》。 作者的项目地址为： 我的代码基于 中文文档说明请看 要求 Python 3.6 CUDA 10.0 要安装的要求： pip install -r requirements.txt 先决条件 数据 Expert-C 资料夹 所有超参数都在libs\constant.py 所有这些额外的饲料都是通过调用 python directory_strcture.py 需要创建一些文件夹，只需调用python directory_structure.py即可： images_LR ：用于存储数据集 Expert-C input 在以上两个文件夹的每个文件夹中，需要创建以下三个新文件夹： Testing Training1 Training2 models ：用于存储所