用tensorflow实现的分布式CNN代码，用于识别手写数字。代码中的数据集目录设置的是F：/tmp/data,可以自己改变路径，从下面链接下载数据集，链接：https://pan.baidu.com/s/1uO-GOwkhLWx4Z26WqPV0LA 提取码：v4w5，下载后是一个data.zip压缩包，将其解压后放到你自己的路径里，总共有四个压缩文件，不用继续解压，程序可以处理压缩文件形式。
2021-08-05 09:46:51
2KB
1
这是VGG16的notop，vgg16_weights在多伦多大学的开源镜像，因直接在该原网站下载较慢且费时间，大家需要请自取
2021-08-05 09:13:51
52.2MB
1
基于NLTK工具包，批次读取目录下面的文本数据，利用python实现了TF_IDF算法。其中，可以自行输入目录文件的绝对路径以及请输入你想显示词频的前top数量。
2021-08-04 16:47:50
4KB
1
BERTopic是一种主题建模技术，它利用BERT嵌入和c-TF-IDF创建密集的群集，从而使主题易于理解，同时又在主题描述中保留了重要的单词。
BERTopic是一种主题建模技术，它利用BERT嵌入和c-TF-IDF创建密集的群集，从而使主题易于理解，同时又在主题描述中保留了重要的单词。
相应的中等职位可以在这里找到。
关于项目算法的目录2.1。
句子转换器2.2。
UMAP + HDBSCAN 2.3。
c-TF-IDF入门3.1。
安装3.2。
基本用法3.3。
概述Google合作实验室1.关于项目返回目录
2021-08-03 10:35:53
5.78MB
1
Tensorflow 2.0的TabNet
本文的Tensorflow 2.0端口，其原始代码库可从。
上面的图像是从论文中获得的，其中模型是由两个阶段的块构成的-一个阶段用于关注输入要素，另一个阶段则用于构建模型的输出。
与纸张的差异
与本文和官方实施有两个主要区别。
此实现在规范化方法中提供了一种选择，可以是来自纸张的常规Batch Normalization ，也可以是Group Normalization 。
已经观察到，本文使用非常大的批处理大小来稳定“批处理归一化”并获得良好的概括性。 与此相关的一个问题是计算成本。
因此，组归一化（将组数设置为1，又称为实例归一化）提供了一个与批大小无关的合理选择。
可以将num_groups的Instance Normalization类型的行为设置为1，或-1的Layer Normalization类型的行为设置为-1。
此
2021-07-26 14:21:53
391KB
1