与经典的卷积神经网络（CNN）相比，提出的胶囊网络欣顿可以使用更少的网络层来很好地完成分类任务，并以更快的速度达到收敛。 胶囊网络的原理是基于CNN，只是将神经元形式从标量转换为向量，即一个胶囊，然后通过动态路由方法选择适合最终输出的胶囊1 。在胶囊网络的基础上，使用反卷积来还原图像并优化原始图像和还原图像之间的误差。 通过数据增强处理的名为Cohn- Kanade Database Plus（CK +）的经典面部情绪数据库用于进行实验。 最近，分类结果与NAO机器人结合在一起。 NAO机器人可以通过改变眼睛的颜色并说出结果来形象化情感，从而达到将理论与实践相结合的目的。

深度共鸣论文 最近的论文包括神经符号推理，逻辑推理，视觉推理，自然语言推理以及其他与深度学习和推理相关的主题。 0调查或谈话 [1] Yoshua Bengio，从系统1深度学习到系统2深度学习 [2] Yann Lecun，自我监督学习 [3]用于算法推理的PetarVeličković图表示学习 1数学问题 [1] Saxton，David等。 分析神经模型的数学推理能力。 arXiv预印本arXiv：1904.01557（2019）。 [2] Ortega，Pedro A.等人。 顺序策略的元学习。 arXiv预印本arXiv：1905.03030（2019）。 [3] Lample，Guillaume和FrançoisCharton。 象征性数学的深度学习。 arXiv预印本arXiv：1912.01412（2019）。 [4]卓，陶和莫汉·坎坎哈利（Mohan K

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

动画化神经网络的优化轨迹 loss-landscape-anim允许您在神经网络的损耗格局的2D切片中创建动画优化路径。 它基于 ，如果要添加自己的模型，请遵循其建议的样式。 请查看我的文章以获取更多示例和一些直观说明。 0.安装 从PyPI： pip install loss-landscape-anim 从源头上讲，您需要。 克隆此存储库后，请运行以下命令以安装依赖项。 poetry install 1.基本范例 使用提供的和默认的多层感知器MLP模型，您可以直接调用loss_landscape_anim来获得示例动画GIF，如下所示： # Use default MLP model and sample spirals dataset loss_landscape_anim ( n_epochs = 300 ) 注意：如果您在笔记本电脑上使用它，请不要忘记在顶部包括以

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

《Neural Network and Deep Learning》《神经网络和深度学习》 最好的入门教材

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

RNN时间序列异常检测 在Pytorch中实现的基于RNN的时间序列异常检测器模型。 这是基于RNN的时间序列异常检测器的一种实现，它由时间序列预测和异常分数计算的两阶段策略组成。 要求 Ubuntu 16.04+（在Windows 10上报告了错误。请参阅。欢迎提出建议。） Python 3.5+ 火炬0.4.0+ 脾气暴躁的 Matplotlib Scikit学习 数据集 1.纽约市出租车乘客人数 提供的纽约市出租车乘客数据流 Cui，Yuwei等人进行了预处理（以30分钟为间隔汇总）。 在中 ， 2.心电图（ECG） ECG数据集包含对应于心室前收缩的单个异常 3. 2D手势（视频监控） 视频中手势的XY坐标 4.呼吸 一个病人的呼吸（通过胸廓扩展测量，采样率10Hz） 5.航天飞机 航天飞机Marotta阀的时间序列 6.电力需求 荷兰研究机构一年的电力需求 时

pro_gan_pytorch 包包含 ProGAN 的实现。 论文题为“渐进式增长的 GAN 以提高质量、稳定性和变化”。 链接 -> 训练示例 -> :star: [新] 预训练模型： 请找下预训练模型saved_models/在目录 :star: [新]演示： 存储库现在在samples/目录下包含一个潜在空间插值动画演示。 只需从上面提到的 drive_link 下载所有预训练的权重，并将它们放在demo.py脚本旁边的samples/目录中。 请注意，在demo.py脚本的开头有一些demo.py参数，以便您可以使用它。 该演示加载随机点的图像，然后在它们之间进行线性插值以生成平滑的动画。 你需要有一个好的 GPU（至少 GTX 1070）才能在演示中看到强大的 FPS。 然而，可以优化演示以并行生成图像（目前它是完全顺序的）。 为了在 Generator 中加载权重，该过程是 P

Neural Network with Extended Kalman Filter