DLology博客 怎么跑 简单方法：运行 。 另外，如果您想使用图像而不是图像，则此仓库随附。 需要安装 。 分叉并将此存储库克隆到本地计算机。 https://github.com/Tony607/object_detection_demo 安装所需的库 pip3 install -r requirements.txt 第1步：注释一些图像 使用自定义对象保存一些照片，最好将jpg扩展名保存到./data/raw目录。 （如果您的对象很简单，例如此存储库随附的对象，则20张图像就足够了。） 将那些照片调整为统一大小。 例如(800, 600)与 python resize_images.py --raw-dir ./data/raw --save-dir ./data/images --ext jpg --target-size "(800, 600)" 调整大小的图像位于.

PyTorch中的Point2Mesh SIGGRAPH 2020 Point2Mesh是一种用于从输入点云重建曲面网格的技术。该方法通过优化CNN的权重以使某些初始网格变形以收缩包装输入点云，从而从单个对象中“学习”。沿着这条路线走的理由是：由于（局部）卷积核是在整个形状上全局优化的，因此鼓励了在重建的形状表面上进行局部尺度的几何自相似性。 该代码由和。 入门 安装 克隆此仓库： git clone https://github.com/ranahanocka/point2mesh.git cd point2mesh 设置Conda环境 依赖于 1.4版（或1.5版）和 0.2.0版。通过conda环境安装conda env create -f environment.yml （创建一个名为point2mesh的环境） 安装“ Manifold”软件 此代码依赖于。首先cd到您要

人脸分类 Computer Vision项目，可在检测到面部后检测出情绪，年龄和性别。

OctoBot Octobot社区 描述 Octobot是一个功能强大的完全模块化的开源加密货币交易机器人。 该存储库包含漫游器的所有功能（交易工具，用户界面，服务等）。 包含了该机器人的策略。 要安装带有触角的OctoBot，只需使用，您的OctoBot就准备好了！ 您的Octobot OctoBot使用其配置和触手系统可高度自定义。 您可以使用无限的可能性（例如技术分析，社交媒体处理甚至是Google趋势等外部统计信息管理）来构建自己的机器人。 OctoBot支持AI ：Python是OctoBot的主要语言，可以轻松集成机器学习库（如或任何其他库），并利用所有可用数据并创建非常强大的交易策略。 Octobot的主要功能是演进：您可以，甚至想要构建理想的加密货币交易机器人的任何触手。 您甚至可以分享您的OctoBot演变！ 安装 OctoBot的安装非常简单...因为有据可查！ 有关更多信息，请参见 。 打开OctoBot-Binary 打开最新版本的“资产”面板 下载适用于您平台的OctoBot可执行文件 启动OctoBot 使用Docker进行自我托管： dock

无线通信领域的快速发展和移动数据的高流量导致引入了一种称为深度学习（DL）的高级模型。 它已经在文献中提出，它是机器学习的一个子集。 这项技术被认为是移动数据流量管理的发展。 无线系统会生成大量异构数据，这些数据很难计算，因此为了控制这些数据，讨论了各种优化工具。 DL使无线通信更加智能和通用。 在此，总结了对DL平台的概述以及在无线通信中启用DL的不同技术。 无线网络中有不同的域，例如使用DL的网络，路由和调度。 本文讨论了所有这些领域。 讨论了进一步不同的优化技术和该领域的最新进展。

ddpg-aigym 深度确定性策略梯度 Tensorflow中深度确定性策略梯度算法的实现（Lillicrap等人 。） 如何使用 git clone https://github.com/stevenpjg/ddpg-aigym.git cd ddpg-aigym python main.py 培训期间 一旦训练 学习曲线 InvertedPendulum-v1环境的学习曲线。 依存关系 Tensorflow（在tensorflow版本0.11.0rc0 ） OpenAi体育馆 Mujoco 产品特点 批量归一化（提高学习速度） 梯度转换器（在arXiv中提供： ） 注意 使用不同

swinUnet权重资源

pytorch-polygon-rnn Pytorch实现。 注意，我使用另一种方法来处理第一个顶点，而不是像本文中那样训练另一个模型。 与原纸的不同 我使用两个虚拟起始顶点来处理第一个顶点，如图像标题所示。 我需要在ConvLSTM层之后添加一个LSTM层，因为我需要输出为D * D + 1维度才能处理结束符号。 如何训练和测试 从下载数据，组织图像文件和注释json文件，如下所示： img ├── train │ ├── cityname1 │ │ ├── pic.png │ │ ├── ... │ ├── cityname2 │ │ ├── pic.png │ │ ├── ... ├── val │ ├── cityname │ │ ├── pic.png │ │ ├── ... ├── test │ ├── ci

2016最新版Bengio写的MIT Press《Deep learning》PDF

Nyc-Taxi-Kaggle-挑战 目标 Kaggle竞赛预测纽约出租车的行驶时间。 该项目的报告在capstone.pdf。 （在这个项目中，我提供了许多链接，如果您是初学者，可以通过这些链接来弄清楚您的概念，如果不理解的话，可以通过project和readme中提供的链接和pdf来了解。） 问题陈述 在本报告中，我们使用来自纽约市出租车和高级轿车委员会的数据来考察Kaggle竞赛，该竞赛要求竞争对手预测纽约市出租车旅行的总行驶时间（trip_duration）。 Kaggle提供的数据是作为CSV文件提供的结构化数据。 CSV文件中的数据包括多种格式：时间戳，文本和数字数据。 这是回归分析，因为输出（总行驶时间）是数字。 我将使用几种机器学习方法来完成预测任务，这些方法是线性回归，k最近邻回归，随机森林和XGBoost。 将使用均方根对数误差对模型进行评估。 总览 我使用Jupyter_Notebook在dekstop上执行此项目，并且在使用python的远程服务器上也无需使用Jupyter_notebook来执行。 软件和库 Python 3 Scikit-learn：Pyt