fastMRI可再现基准 该存储库的想法是要有一种方法可以在fastMRI数据集单线圈磁道上针对现有的重建算法快速对新解决方案进行基准测试。 迄今为止，已实现或适用于fastMRI数据集的重建算法包括： 零填充重建 ，使用 使用的基于小波的重构（即用贪婪的FISTA解决基于L1的分析公式优化问题） 网络 ，适用于MRI重建 ，一种模块化的展开重建算法，您可以在其中插入最佳的降噪器。 ，一种用于非笛卡尔采集的展开式重建算法，具有密度补偿。 所有神经网络都通过Keras API在TensorFlow中实现。 较旧的（不要认为这是我论文的开始）是使用功能性API进行编码的。 最新的版本在子类API中进行了编码，并且更加模块化。 对于LORAKS重建，由于A / D过采样，您将无法重建正确的fastMRI数据。 重建设置 主要的重建设置是具有随机和“定期采样”的笛卡尔单线圈和多线

最初的以太网设计论文，由Robert M. Metcalfe和David R. Boggs完成。施乐帕洛阿尔托研究中心提供支持。

"On the Effects of Batch and Weight Normalization in Generative Adversarial Networks"代码

CMD 域不变表示学习的中心矩差异-ICLR 2017 注意：及其和均可使用 该存储库包含用于重现实验的代码，该论文在Werner Zellinger，Edwin Lughofer和Susanne Saminger-Platz的美国国际学习表示会议（ICLR2017）上发表了报告的实验。 JKU Linz的基于知识的数学系统，以及软件能力Hagenberg的数据分析系统小组的Thomas Grubinger和ThomasNatschläger。 在源代码中，CMD域正则化器用'mmatch'表示。 要求 该实现基于Theano和神经网络库Keras。 要安装Theano和Keras，请按照各自github页面上的安装说明进行操作。 您还需要：numpy，熊猫，seaborn，matplotlib，sklearn和scipy 数据集 我们在论文中报告两个不同基准数据集的结果：Amazo

使用PyTorch进行深度学习 该存储库包含由Manning Publications出版的Eli Stevens，Luca Antiga和Thomas Viehmann撰写的《用PyTorch进行深度学习》一书的代码。 该书的曼宁网站是： : 这本书也可以在亚马逊上购买： ： （会员链接；根据规则：“作为亚马逊合作伙伴，我从有资格的购买中获得收入。”） 该书的勘误表可在配员网站上找到，或在 关于使用PyTorch进行深度学习 本书旨在为PyTorch提供深度学习的基础，并在实际项目中展示它们的实际作用。 我们努力提供深度学习的关键概念，并展示PyTorch如何将其交到从业者手中

连体神经网络的单次图像识别 PyTorch中的的实现，在数据集上进行了培训和测试。 要求 火炬视觉== 0.5.0 火炬== 1.4.0 numpy == 1.16.3 pytorch_lightning == 0.5.3.2 枕头== 7.0.0 提供requirements.txt 指示 该项目使用 ，它是上的轻量级包装。 该项目遵循格式。 只需运行cpu_run.py或gpu_run.py即可下载MNIST数据集并开始训练。 结果 保持测试集上的最高10次单发准确性为97.5％，可与监督分类模型相提并论。 手动选择支持集。 参考 暹罗火炬

BGP,by Iljitsch van Beijnum,building reliable networks with the border gateway protocol

暹罗网络-omniglot-pytorch PyTorch实现的“用于一幅图像分类的暹罗神经网络”。 论文详细信息-https //www.cs.cmu.edu/~rsalakhu/papers/oneshot1.pdf Omniglot数据集可从 要求 火炬0.3.0 火炬视觉0.2.0 结果 验证任务：0.85以上 一击分类：0.50

我的是 WIN 7 EN 64bit ，两个不兼容，无法安装，悲哀，啥地方能找到适用于 Win 7 64bit 的呀？？？急人那。