持续学习基准 使用流行的持续学习算法评估三种类型的任务转移。 该存储库使用PyTorch实现并模块化了以下算法： EWC： ，（克服神经网络中的灾难性遗忘） 在线EWC： ， SI： ，（通过突触智能持续学习） MAS： ，书面（“内存感知突触：学习（不）忘记的内容”） 创业板： ，（用于持续学习的梯度情景记忆） （更多即将到来） 将以上所有算法与具有相同静态内存开销的以下基准进行比较： 天真彩排： L2： ， 关键表： 如果此存储库对您的工作有所帮助，请引用： @inproceedings{Hsu18_EvalCL, title={Re-evaluating Continual Learning Scenarios: A Categorization and Case for Strong Baselines}, author={Yen-Chang Hsu a

使用暹罗网络进行脱机签名验证 使用暹罗卷积神经网络进行脱机签名验证。 数据集=> 上面的数据集包含160个个体的印地语签名和100个个体的孟加拉语签名。 我只使用了印地语签名数据集。 参考：

CNNIQA 以下论文的PyTorch 1.3实施： 笔记 在这里，选择优化器作为Adam，而不是本文中带有势头的SGD。 data /中的mat文件是从数据集中提取的信息以及有关火车/ val /测试段的索引信息。 LIVE的主观评分来自。 训练 CUDA_VISIBLE_DEVICES=0 python main.py --exp_id=0 --database=LIVE 训练前， im_dir在config.yaml被指定必须的。 可以在config.yaml设置数据库内实验中的Train / Val / Test拆分比率（默认值为0.6 / 0.2 / 0.2）。 评估 测试演示 python test_demo.py --im_path=data/I03_01_1.bmp 交叉数据集 python test_cross_dataset.py --help TODO：

基于双阶段注意力的时间序列预测神经网络，基于Chandler Zuo的。 我已经将代码扩展为适用于多元时间序列，并添加了一些预处理功能，但是鉴于我基本上是从他的帖子中复制代码，因此版权可能归他所有。 最近使用PyTorch JIT的分支称为jit 。 有一个不同的，但是据我所知，它只是单变量。

卷积神经网络的开发，用于音乐音频文件的多标签自动标记 初步步骤 下载mp3文件，然后使用以下方法将其组合：cat mp3.zip。*> single_mp3.zip从以下子文件夹中提取文件：find。 -mindepth 2型f -print -exec mv {}。 ; 介绍 通常，音乐音频文件可以随附与其内容有关的元数据，例如自由文本描述或标签。 事实证明，标签更有用，因为它们可以提供对音频文件的更直接描述，并且可以用于与音乐相关的推荐系统中的任务，如按性别分类，艺术家，乐器等。 由于并非所有音频文件都带有标签，因此需要自动标记。 广泛使用的一种方法涉及使用无监督特征学习，例如K均值，稀疏编码和Boltzmann机器。 在这些情况下，主要关注的是捕获低水平音乐结构，这些结构可用作某些分类器的输入。 另一种方法涉及受监督的方法，例如各种体系结构类型（MLP，CNN，RNN）的深层神经

关于Relu文章的理解翻译，原文见paper：Deep Sparse Rectifier Neural Networks

SSD：单发MultiBox检测器 介绍 这是我的2种模型的pytorch实现： SSD-Resnet50和SSDLite-MobilenetV2 。 这些模型基于论文描述的原始模型（SSD-VGG16）。 此实现支持混合精度训练。 SSD Resnet50的输出示例。 动机 为什么在已经有许多ssd实现的情况下存在此实现？ 我相信许多人在看到此实现时都会想到这个问题。 实际上，Pytorch中已经有许多SSD及其变体的实现。 但是，其中大多数是： 过于复杂 模块化 增加了许多改进 未评估/可视化 以上几点使学习者难以理解原始ssd的外观。 因此，我将重点放在简单性上来重新实现这个众所周知的模型。 我相信此实现适合不同级别的ML / DL用户，尤其是初学者。 与本文中描述的模型相比，有一些小的更改（例如主干），但是其他部分严格遵循本文。 数据集 数据集 班级 ＃火车图片 ＃验证图片

BigGAN-PyTorch 作者的正式非官方PyTorch BigGAN实现。 此仓库包含由Andrew Brock，Jeff Donahue和Karen Simonyan的训练中的BigGAN的4-8 GPU训练代码。 这段代码是由Andy Brock和Alex Andonian编写的。 如何使用此代码 你会需要： 版本1.0.1 tqdm，numpy，scipy和h5py ImageNet培训集 首先，您可以选择为目标数据集准备经过预处理的HDF5版本，以实现更快的I / O。 遵循此步骤（或不执行此操作），您将需要计算FID所需的Inception时刻。 这些都可以通过修改

类激活图 通过可视化对于这些模型的预测（或视觉解释）“重要”的输入区域，可以使基于卷积神经网络（CNN）的模型更加透明的技术。 使用VinBigData图像和Inception架构的示例

美国运输模式 US-Transporation是我们数据集的名称，其中包含来自13个以上用户的传感器数据。 鉴于文献中缺乏针对TMD的通用基准，我们通过一个简单的Android应用程序收集了一大套属于不同主题的度量。 我们公开发布数据集，以便其他研究人员可以从中受益，以进行进一步的改进和提高研究的可重复性。 我们的数据集是由不同性别，年龄和职业的人构建的。 此外，我们不对应用程序的使用施加任何限制，因此，每个用户都记录自己习惯执行该操作的数据，以便评估现实世界的状况。 除了可下载的数据集之外，在此页面中，您还可以找到Python的代码以提取特征，并建立机器学习模型以进行预测。 您可以在找到有关数据集和我们的工作的更多信息。 如果对您的研究有所帮助，请在您的出版物中引用以下论文： @article{carpineti18, Author = {Claudia Carpineti,