网络视觉 NeAt（Neural Attention）Vision是一种可视化工具，用于自然语言处理（NLP）任务的深度学习模型的注意力机制。 产品特点 可视化注意力得分，有很多选择。 将可视化文件导出为SVG格式。 如果要在学术论文中使用可视化效果，这将非常方便。 但是，您可能必须将SVG转换为PDF。 可视化模型预测。 显示类的后验分布，回归任务中的错误等。 对于调试模型和检查其行为很有用。 支持分类，多标签分类和回归。 进行了整齐的可视化，以可视化自然语言处理（任务）任务的注意机制的权重。 目前，整洁的视觉只支持可视化的自我注意机制，在句子级别上执行以下任务： 回归：预测单个连

在大数据时代下，深度学习、强化学习以及分布式学习等理论和技术取得的突破性进展，为机器学习提供了数据和算法层面的强有力支撑，同时促进了机器学习的规模化和产业化发展.然而，尽管机器学习模型在现实应用中有着出色的表现，但其本身仍然面临着诸多的安全威胁。

基于TensorFlow / PyTorch的50多种机器学习模型（和测试）

机器学习：不同数据集上的机器学习模型

我总结的关于深度学习模型编程优化加速、硬件加速、以及模型本身加速有关的经验

DDoSDN 这是一个有关将机器学习模型应用于软件定义网络中的DDoS攻击检测的存储库。 先决条件 通过以下pip3 install -r requirements.txt所需的软件包： pip3 install -r requirements.txt 请注意，该程序是使用Python 3.x版编写和测试的，pip也是如此。 手册 通过Python创建虚拟环境： python3 -m venv venv 。 之后，按照所述安装所有要求。 接下来分别在不同的shell中运行下面的每个。 通过运行以下命令启动Ryu控制器： ryu-manager customCtrl.py 通过运行以下pyth

心脏病预测：该项目涉及训练机器学习模型（K邻居分类器），以87％的准确性预测某人是否患有心脏病

inception V3 的深度学习模型权重文件，可作为预训练模型，提升学习效率

在Google街景视图中进行虚拟漫步 在， 。 在隔离期间，由于COVID-19大流行，我们目前遇到的情况是，为了共同的福祉，我们减少了在街上自由活动的权利。 人们只能在杂货店等特定情况下外出。 在许多国家，许多边界都是封闭的，旅行被完全禁止。 Virtual Walks是一个使用Pose Estimation模型和LSTM神经网络一起在Google Street View中模拟步行的项目。 对于姿势估计，已修改了模型，而对于动作检测部分，已使用开发了LSTM模型。 该项目能够借助模拟世界各地的街道。 Tensorflow 2.0，Selenium和Python 3.7是该项目中使用的

GBDT作为近年很热门的模型，其性能非常突出，用途也是涵盖了从特征选择到分类、回归，被广大从业者和爱好者所使用。