有了一定的基础之后学习神经网络的经典书籍。

LeNet-5 这实现了略微修改的LeNet-5 [LeCun et al。，1998a]，并在上达到了约99％的准确度。 设置 使用以下命令安装所有依赖项 $ pip install -r requirements.txt 用法 启动visdom服务器进行可视化 $ python -m visdom.server 开始训练程序 $ python run.py 请参阅时期火车损耗实时图表。 经过训练的模型将作为ONNX导出到lenet.onnx 。 可以使用查看lenet.onnx文件 参考 [ ] Y. LeCun，L。Bottou，Y。Bengio和P. Haffner。 “基于梯度的学习应用于文档识别。” IEEE会议论文集，86（11）：2278-2324，1998年11月。

基于CNN算法（卷积神经网络）的DNN（深度神经网络）的图形处理——风格转化

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。

Neural Entity Linking 详细综述

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。

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

AdderNet：我们真的需要深度学习中的乘法吗？ 该代码是CVPR 2020论文的演示 我们提出加法器网络（AdderNets）来交换深度神经网络（尤其是卷积神经网络（CNN））中的大规模乘法运算，以更便宜的加法运算来减少计算成本。在AdderNets中，我们将滤波器和输入要素之间的L1范数距离作为输出响应。结果，在ImageNet数据集上使用ResNet-50，建议的AdderNets可以达到74.9％的Top-1精度91.7％的Top-5精度，而无需在卷积层上进行任何乘法。 更新：培训代码在6/28中发布。 运行python main.py以在CIFAR-10上进行训练。 更新：11月27日发布了有关AdderNet的Model Zoo。 CIFAR-10和CIFAR-100数据集的分类结果。 模型 方法 CIFAR-10 CIFAR-100 VGG-小 有线电视新闻网 94.