想象字幕模式 使用CNN编码器和RNN解码器为图像生成标题。 生成字幕的示例： 产生的字幕：一名穿着白衬衫的女人在网球场上打网球 产生的字幕：一个女人在田野里骑马 生成的标题：上面有很多浇头的比萨 获取数据集的相关链接： 训练图像 验证图片 训练和验证的字幕

笔记本 使用Python，Pandas和Jupyter Notebook进行数据分析，地图和图表

双频降水雷达Python软件包（DRpy） （发音为derpy） 注意：修复了io功能（2021年3月8日） 我期待使用自定义绘图功能。 在本月晚些时候给大家。 drpy.core.GPMDPR（）： 此类旨在从NASA的全球降水测量任务双频降水雷达（GPM-DPR）中读取hdf5文件到xarray数据集中。 drpy.core.APR（）： 此类旨在用于从NASA的机载降水雷达（主要在OLYMPEX中开发）中读取hdf5文件，因此，如果您使用其他活动时要当心，则某些数据集名称可能会有所不同。 创建此程序包的原因不是重新发明轮子（即h5py可以正常工作），而是允许用户访问xarray中的有用功能。 具体来说，当前支持的数据文件是2级DPR文件（2A.DPR *）。 拥有帐户后，您可以从这里免费下载它们：ftp://arthurhou.pps.eosdis.nasa.gov

机器学习代码编写 机器学习算法的数学推导和纯Python代码实现。

改善败血症治疗策略 这是论文“使用深度强化学习和专家混合改善脓毒症治疗策略”的代码库 评论者评论 表1中的数据清楚地显示了数据集幸存者/非幸存者的失衡率。 学习不平衡会导致分类器的预测模型出现偏差。 但是，作者没有详细说明他们如何通过使用特定的重新平衡方法或对成本敏感的学习方法来解决此问题，但未提供任何评论。 数据集分为固定的75％训练和验证集和25％的测试集。“->作者应使用10倍交叉验证。 如表2所示，尽管他们的专家混合（MoE）方法的性能在数值上优于医师，内核和DQN的性能，但分析这种数值增加的显着性还是不错的。 随机策略会产生什么效果？ 有没有一种方法可以衡量这些方法之间的性能差异的重要性？ 本文未介绍其方法的任何时间性能。 训练这种方法需要多长时间？ 这个培训时间对于为ICU患者制定个性化治疗策略是否可行？ RL和Deep网络都因训练时间长而臭名昭著。 动机 败血症是IC

概述 这种回购包含的集合写在Python3分析托管在一个开放的心肺数据集 ： 早产儿心脏呼吸信号数据库（picsdb） 在此处下载和描述： DOI： ： 贡献者 该存储库包含在的荣誉项目中进行的： 艾玛·奥罗克（Emma O'Rourke） 娜塔莎·库玛（Natasha Kumar）（） 弗雷德里克·冯·韦格纳（） 注释 完全开放的数据集包含来自N = 10个主题的记录。 该存储库仅包含3个主题的结果。 要运行代码，请从Physionet下载完整数据集并将其解压缩（上面的链接），然后将各个文件复制到子文件夹preterm-infant-cardio-respiratory-signals-database-1.0.0 。 要求 有效的Python 3安装，以及以下软件包： 麻木 科学的 matplotlib wfdb（读取物理数据集） xlrd（解析.xlsx文件） Ju

T2F 使用StyleGan从简单的文字描述中生成人脸

图像分类 这是我对NVIDIA DLI深度学习课程的最终评估。 由于数据集很大，因此我无法在GitHub上上传执行的代码，但是如果您想尝试一下，请通过上面.ipnyb文件中提到的Kaggle链接找到数据集。 我很快将上传更多用于对医学图像进行分类的深度学习项目，敬请期待！ 谢谢你的拜访。

Nvidia-DLI-sC-FX-01 英伟达的DLI计算机视觉深度学习基础课程

卡格勒 我的Kaggle比赛解决方案代码 网络流量预测：二等奖。