深度学习时间序列预测 最新的论文清单集中在深度学习以及使用深度学习进行时间序列预测的资源，代码和实验。 经典方法与深度学习方法，竞赛... 文件 2020年 Prathamesh Deshpande等。 代码还没有。 Shruti Jadon等。 代码还没有。 HD阮等人。 代码还没有。 JánDrgona等。 代码还没有。 安格斯·登普斯特（Angus Dempster）等。 [] 袁雪，等。 代码还没有。 Castellani Andrea等。 Honda Research Institute Europe GmbH 代码还没有。 很好的参考 金晓勇，等。 代码还没有

Kalman Filtering and Neural Networks This self-contained book, consisting of seven chapters, is devoted to Kalman filter theory applied to the training and use of neural networks,and some applications of learning algorithms derived in this way.

神经网络的时间序列分析 重点比较ANN，RNN，LSTM和LSTM在时序分析中的表现 在这个项目中，我建立并比较了四种类型的ANN模型：具有Attention的完全连接的ANN，RNN，LSTM，LSTM。 有两个包含时间序列的数据集。 目的是建立深度神经网络，该网络可以学习数据中的时间模式并预测未来观察的价值。 对于那些模型，我比较了预测的准确性和训练过程的速度。 请参考Report.pdf了解详细说明和参考。 为了构建神经网络，我使用python keras库。 为了实现注意力机制，我使用了Christos Baziotis的。

Neural Networks and Deep Learning的手写数字识别例程的python3版本，亲自在python shell下修改仿真后，测试无bug

深度学习 该文件夹包含我的各种AI和机器学习项目的深度学习模型。 长短期记忆（LSTM）卷积神经网络（CNN）ResNet50

Keras TCN 与所有主要/最新的Tensorflow版本（从1.14到2.4.0+）兼容。 pip install keras-tcn Keras时间卷积网络。 [] 为什么选择时间卷积网络？ 与具有相同容量的循环体系结构相比，TCN具有更长的内存。 在各种任务（序列MNIST，添加问题，复制内存，字级PTB ...）上，其性能始终优于LSTM / GRU体系结构。 平行度，灵活的接收场大小，稳定的梯度，训练所需的低内存，可变长度的输入... 放大的因果卷积层堆栈的可视化（Wavenet，2016） API 通常的方法是导入TCN层，并在Keras模型中使用它。 下面提供了一个回归任务的示例（对于其他示例，请参阅tasks/ ）： from tensorflow . keras . layers import Dense from tensorflow . keras import Input , Model from tcn import TCN , tcn_full_summary batch_size , timesteps , input_dim = No

使用PyTorch对预训练的卷积神经网络进行微调。 产品特点 可以访问ImageNet上经过预训练的最受欢迎的CNN架构。 自动替换网络顶部的分类器，使您可以使用具有不同类数的数据集训练网络。 使您可以使用任何分辨率的图像（不仅限于在ImageNet上用于训练原始模型的分辨率）。 允许添加一个Dropout层或一个自定义池层。 支持的架构和模型 从包中： ResNet（ resnet18 ， resnet34 ， resnet50 ， resnet101 ， resnet152 ） ResNeXt（ resnext50_32x4d ， resnext101_32x8d ） Dens

Neural.Networks.Tricks.of.the.Trade.PDF【神经网络调参必备手册】

语音带宽扩展的分层递归神经网络 论文代码： Ling Zhen-Hua Ling，Yang Ai，Yu Gu和Dai Li-Rong Dai，“使用分层递归神经网络进行语音带宽扩展的波形建模和生成”，关于音频，语音和语言处理的IEEE / ACM交易，第一卷。 26号5，第883-894页，2018年。 ./HRNN_HF是本文中HRNN系统的代码。 ./CHRNN_HF是本文中的CHRNN系统的代码。

TSNE-UMAP-嵌入可视化 一种简单易用的可视化嵌入方式！ 这个项目的博客文章在。 这个项目是什么？ 该项目是从派生。 它显示了如何在图像上使用预训练的InceptionV3模型并将其绘制在交互式3d地图中。 更新2020 Google已更新了嵌入项目，以支持新功能，其中包括对UMAP的支持。 为什么在独立投影仪上使用此功能？ 该项目使您可以可视化带有轻视堆栈的向量的任何阵列。 它旨在与任何库分离。 而且，它使用静态文件系统，因此您可以在不需要服务器的情况下发布结果。 例如 。 项目结构 |-- data <-- where to put raw data |-- Feature-extractor.ipynb <-- Demo of Embedding generation in a step by step fashion |-- index.html <-- The GU