堪​称​N​o​C​领​域​里​的​经​典​书​籍​之​一

UNet：使用PyTorch进行语义分割 在PyTorch中针对高清晰度图像针对Kaggle的自定义实施 。 该模型是从头开始训练的，具有5000张图像（无数据增强），并且在超过100k张测试图像上获得了0.988423（735中的511）的。 可以通过更多的培训，数据增强，微调，使用CRF后处理以及在蒙版边缘上施加更多权重来提高此分数。 Carvana数据可在上。 用法 注意：使用Python 3.6或更高版本 预言 训练好模型并将其保存到MODEL.pth后，您可以通过CLI轻松测试图像上的输出蒙版。 预测单个图像并保存： python predict.py -i image.jpg -o output.jpg 要预测多幅图像并显示它们而不保存它们： python predict.py -i image1.jpg image2.jpg --viz --no-save >

这是一本有关人工神经网络及其应用的最新书籍，向对这种不断发展的机器学习技术感兴趣的读者提供了该领域的最新进展。

许多复杂的系统由通过不同层的耦合网络组成，其中每个层代表许多可能的交互类型之一。 一个基本的问题是如何在多层网络中提取社区。 当前算法要么将多层网络分解为单层网络，要么通过使用共识聚类扩展单层网络的算法。 但是，由于批评这些方法忽略了各层之间的连接，从而导致精度低。 为了解决这个问题，提出了一种定量函数（多层模块密度），用于多层网络中的社区检测。 之后，我们证明了多层模块化密度的迹线优化等效于算法的目标函数，例如内核K均值，非负矩阵分解，频谱聚类和多视图聚类。层网络，为设计社区检测算法提供了理论基础。此外，通过同时分解与多层网络相关的矩阵，开发了一种半监督联合非负矩阵分解算法（S2-jNMF）。 与传统的半监督算法不同，部分监督被集成到S2-jNMF算法的目标中。 最后，通过在人工和现实世界网络上的大量实验，我们证明了所提出的方法优于多层网络中用于社区检测的最新方法。

深度学习4J 该存储库不再维护。 我建议您检出存储库：（ ），但是该存储库中列出的示例仍然可以使用。 如果遇到任何错误，请确保将DL4j版本更改为最新版本。 如果仍然出现，请随时在此处发布问题。 一个Java深度学习存储库，其中包含从头开始的基于DL4J的项目。 到目前为止包括的项目： 使用标准前馈网络预测客户损失 使用CNN进行动物分类 使用Java进行超参数调整 桑坦德价值预测Kaggle挑战 无论是否使用GPU，请确保根据您的方便切换pom.xml更改。 1.使用标准前馈网络预测客户损失 给定已定义的n个标签，获取客户离开银行的概率。 问题陈述来自超级数据科学团队的课程。 他们讨论了使用Keras实现的解决方案，而这是尝试使用Java来实现的解决方案。 DLJ4模型始终如一地提供85.5％的准确度，比Keras模型的83％的准确度要好。 文件链接： : 代码执行： 2.

5555555555555555555555555555555555555555555555555555555555定时器反正

集成相似度的神经网络预测药物相互作用 由于此问题在经济，工业和健康中非常重要，因此提出一种合适的计算方法来高精度预测未知DDI极具挑战性。 我们提出了一种新颖的机器学习方法，它使用两层完全连接的神经网络来预测未知的DDI，称为“ NDD”。 NDD使用药物的各种特性来获得全面的信息。 计算多个药物相似性。 NDD将多种药物相似性与称为“ SNF”的非线性相似性融合方法相结合，以实现高级功能。 论文链接： : 依赖关系： python版本3.5.3 keras库 scikit学习 代码和数据 在NDD文件夹上找到DS1-Ds3。 NDD的功能代码位于NDD文件夹中。 接触 如有任何疑问，请随时与我联系： 电子邮件： 如果您认为本研究有帮助，请引用我们。

Large Convolutional Network models have recently demonstrated impressive classification performance on the ImageNet benchmark Krizhevsky et al. [18]. However there is no clear understanding of why they perform so well, or how they might be improved. In this paper we explore both issues. We introduce a novel visualization technique that gives insight into the function of intermediate feature layers and the operation of the classifier. Used in a diagnostic role, these visualizations allow us to find model architectures that outperform Krizhevsky et al. on the ImageNet classification benchmark. We also perform an ablation study to discover the performance contribution from different model layers. We show our ImageNet model generalizes well to other datasets: when the softmax classifier is retrained, it convincingly beats the current state-ofthe- art results on Caltech-101 and Caltech-256 datasets.

N-BEATS：神经基础扩展分析，用于可解释的时间序列预测（Keras，Pytorch） 链接到[]。 作者：Philippe Remy和Jean-Sebastien Dhr 训练开始时的N-Beats 相信我，再走几步，绿色曲线（预测值）就会与地面真实情况完全匹配：-) 安装 确保您在virtualenv中（推荐）并安装了python3。 从PyPI pip install nbeats-keras ： pip install nbeats-keras 。 安装Pytorch： pip install nbeats-pytorch 。 从来源 安装基于MakeFile。 使用Keras安装N-Beats的命令： make install-keras 使用Pytorch安装N-Beats的命令： make install-pytorch 在GPU上运行 要强制使用GPU（带

Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks.pdf