Neural Network and Deep Learning神经网络与深度学习中文版 最新版本，是深度学习的最佳入门教材。

Neural Networks and Deep Learning 中文版 Michael Nielsen 著 完整书签 很好的入门神经网络和深度学习的书籍！

PyTorch中的高效神经体系结构搜索（ENAS） 实现PyTorch实现。 ENAS通过在大型计算图中的子图模型之间共享参数，将（ NAS ）的计算需求（GPU小时）减少了1000倍。 关于Penn Treebank语言建模的SOTA。 ** [注意]请使用作者提供的官方代码：** 先决条件 Python 3.6+ tqdm，scipy，imageio，graphviz，tensorboardX 用法 安装必备组件： conda install graphviz pip install -r requirements.txt 要训​​练ENAS以发现RNN的复发细胞，请执行以下操作： python main.py --network_type rnn --dataset ptb --controller_optim adam --controller_lr 0.00035 \

利用深度神经网络学习的特征进行多类轴承故障分类 该存储库包含提交给的论文的代码，该论文使用已学习的数据驱动功能进行故障诊断。 无需手动计算特征，而是通过深度神经网络从数据中学习特征。 然后将这些学习到的功能与SVM一起用于故障分类。 还提出了一种解释数据驱动功能的经验方法。 该论文已被接受并将出现在会议记录中。 数据： 我们使用公开可用的。 该数据集实际上是为预后应用准备的。 但是，我们将其用于故障诊断任务。 我们考虑四种故障类型：正常故障，内部故障，外部故障和球形故障。 原始数据是在几个月内收集的，直到其中一个轴承发生故障。 因此，对于正常情况，我们已在实验开始时收集了数据。 同样，对于错误情况，我们已在实验结束时获取了数据，该数据更接近发生错误的时间点。 我们实验中使用的文件的详细信息可以在下面找到。 提取后，包含原始数据的压缩文件提供了三个文件夹：1st_test，2nd_tes

人脸识别[Wavelet and Neural Networks] V2：基于小波和神经网络的简单有效的人脸识别源代码。 该代码已通过AT＆T数据库进行测试，达到了97.90％的出色识别率（每个类别40个类别，5个训练图像和5个测试图像，因此总共随机选择了200个训练图像和200个测试图像，并且两者之间没有重叠训练和测试图像）。 查看更多：http://matlab-recognition-code.com/face-recognition-based-on-wavelet-and-neural-networks-matlab-code/

储存库（v0.2.3） 一个简单而灵活的代码，用于诸如Echo State Networks（ESN）之类的储层计算架构。 ReservoirPy是一个基于Python科学模块的简单易用的库。 它提供了灵活的接口来实现高效的储层计算（RC）架构，尤其侧重于回声状态网络（ESN）。 与基本的Python实现相比，ReservoirPy的高级功能可提高简单笔记本电脑上的计算时间效率。 它的一些功能包括：脱机和在线培训，并行实现，稀疏矩阵计算，快速频谱初始化等。此外，还包括图形工具，可借助hyperopt库轻松地探索超参数。 该库适用于Python 3.6及更高版本。 官方文件 请参阅以了解有关ReservoirPy的主要功能，其API和安装过程的更多信息。 实例和教程 以获取安装，示例，教程和Jupyter Notebooks。 版本号 要启用ReservoirPy的最新功能，您米格思想

使用神经网络和其他分类器进行环境声音分类ESC 使用音频数据集进行音频特征提取和分类 包含ECS-10音频数据。 它包含10类不同的环境声音（海浪，孩子们玩耍等） 主要目标是比较6个经过测试的分类器的分类准确性。 依存关系 带有Python 2.7的Anaconda 2。 （尚未测试Python 3.6） Librosa（音频加载，音频可视化和特征提取） 科学工具学习 Keras（Theano后端） Numpy，Matplotlib 熊猫（数据可视化） Jupyter笔记本 添加了Jupyter Notebook（Python 2.7内核）以说明工作流程。 用于特征提取和分类的脚本已作为.py文件添加，并随后全部加载到Jupyter Notebook中。 运行feature_extraction.py label.npy创建一个numpy数组（ feature.npy ），

CNNIQAplusplus 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。 训练 CUDA_VISIBLE_DEVICES=0 python main.py --exp_id=0 --database=LIVE --model=CNNIQAplusplus 训练前， im_dir在config.yaml被指定必须的。 可视化 tensorboard --logdir=tensorboard_logs --port=6006 # in the server (host:port) ssh -p port -L 6006:localhost:6006 user@host # in your PC. See the visualization in your PC 要求 conda create -n reproducib

辍学学生的预测 该项目的目标是确定有辍学风险的学生 介绍 从一组包含有关1000名学生的前两个学期的信息的文件中，必须将它们集成到一个文件中以进行后续分析，最后的文件必须分为三组： 100名学生进行测试 200名学生评估模型 700名学生训练模型。 学生没有被标记，因此需要对数据进行描述性分析，一旦标记了学生，就必须使用kmeans才能基于聚类分析来标记数据。 必须使用人工神经网络来训练模型，以预测哪些学生会辍学。 建立模型后，必须使用100名学生的测试数据集来了解其中哪些人会辍学，因此它将使用一种遗传算法来优化大学的资源，以便为学生提供机会，从而避免辍学。 方法 发展 变量选择和特征工程 性别：男性或女性（0或1） admision.letras ：十进制数字，代表学生在高中入学考试中的成绩。 admision.numeros ：小数，表示学生在高中入学考试中的成绩。 prom

卫星图像深度学习：通过卫星和航空影像进行深度学习的资源