班级增量学习 文件 用于班级增量学习的自适应聚合网络，CVPR2021。[ ] [] 助记符训练：无需忘记的多级增量学习，CVPR2020。[ ] [] 引文 如果它们对您的工作有帮助，请引用我们的论文： @inproceedings { Liu2020AANets , author = { Liu, Yaoyao and Schiele, Bernt and Sun, Qianru } , title = { Adaptive Aggregation Networks for Class-Incremental Learning } , booktitle = { The IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) } , year = { 20

对抗图书馆 该库包含与PyTorch中实施的对抗性攻击有关的各种资源。 它针对寻求最新攻击实施方案的研究人员。 编写代码是为了最大程度地提高效率（例如，通过偏爱PyTorch的底层函数），同时保持简单性（例如，避免抽象）。 因此，大多数库（尤其是攻击）都是使用纯函数实现的（只要有可能）。 在着重于攻击的同时，该库还提供了一些与对抗性攻击有关的实用程序：距离（SSIM，CIEDE2000，LPIPS），可见回调，预测，损失和辅助功能。 最值得注意的是，来自utils/attack_utils.py的功能run_attack对具有给定输入和标签且具有固定批处理大小的模型进行了攻击，并报告了与复杂性相关的指标（运行时和向前/向后传播）。 依存关系 该库的目标是使用最新版本的PyTorch进行更新，以便可以定期更新依赖项（可能会导致重大更改）。 pytorch> = 1.7.0 火炬视觉>

用于学习分子图的分层消息间传递 这是用于学习分子图的分层消息间传递的 PyTorch 实现，如我们的论文中所述： Matthias Fey、Jan-Gin Yuen、Frank Weichert：(GRL+ 2020) 要求 (>=1.4.0) (>=1.5.0) (>=1.1.0) 实验 可以通过以下方式运行实验： $ python train_zinc_subset.py $ python train_zinc_full.py $ python train_hiv.py $ python train_muv.py $ python train_tox21.py $ python train_ogbhiv.py $ python train_ogbpcba.py 引用 如果您在自己的工作中使用此代码，请引用： @inproceedings{Fey/etal/2020,

对 Deep convolutional network cascade for facial point detection[CVPR13]一文的复现，可演示的可执行文件。 目前只实现了第一层。

Hands-On Machine Learning with Scikit-Learn and TensorFlow.zip

超网络 适用于ResNet的PyTorch实施（Ha等人，ICLR 2017）。该代码主要用于CIFAR-10和CIFAR-100，但是将其用于任何其他数据集都非常容易。将其用于不同深度的ResNet架构也非常容易。 我们使用pytorch闪电来控制整个管道。 怎么跑 python train.py --dataset {cifar10/cifar100} --gpus $num_gpu -j $num_workers --distributed_backend ddp 已过期。此回购协议已将HyperNet修改为逐层实施，使用起来更加方便。需要注意的是，我们发现尽管作者设置了in_size和out_size 。实际上，您应该将in_size和out_size设置为16，否则将失败。

Deep Learning with PyTorch,介绍了PyTorch在深度学习上的应用。

主成分回归代码matlab及示例机器学习（Coursera） 这是我对Andrew Ng教授的所有机器学习（Coursera）编程任务和测验的解决方案。 完成本课程后，您将对机器学习算法有一个广泛的了解。 首先尝试自己解决所有任务，但是如果您陷入困境，请随时浏览代码。 内容 讲座幻灯片 编程分配的解决方案 解决测验 斯坦福大学的吴安德（Andrew Ng） 第一周 视频：简介 测验：简介 视频：具有一个变量的线性回归 测验：具有一个变量的线性回归 第二周 视频：具有多个变量的线性回归 测验：具有多个变量的线性回归 视频：八度/ Matlab教程 测验：八度/ Matlab教程 编程分配：线性回归 第三周 视频：Logistic回归 测验：逻辑回归 视频：正则化 测验：正则化 编程分配：逻辑回归 第四周 视频：神经网络：表示 测验：神经网络：表示形式 编程作业：多类分类和神经网络 第五周 视频：神经网络：学习 测验：神经网络：学习 编程作业：神经网络学习 第六周 视频：应用机器学习的建议 测验：应用机器学习的建议 视频：编程分配：正则线性回归和偏差/方差 机器学习系统设计 测验：机器学习

预测Covid 深度学习模型，用于使用X射线图像检测Covid-19。这是一个简单的分类模型，基线准确度为94％。 严谨 以下命令将根据配置文件requirements.txt安装所有必需的软件包。 pip install -r requirements.txt 要运行该应用程序，请使用以下命令 streamlit run app.py

基于深度学习的生物信息学聚类方法 ”期刊的“”中发表的论文“基于深度学习的生物信息学聚类方法”的代码和补充材料。 此仓库将定期更新。 特别是，将添加更完整的Jupyter笔记本。 在本文中，我们回顾了基于深度学习的聚类分析方法，包括网络训练，表示学习，参数优化和制定聚类质量指标。 我们还讨论了在不同的场景（例如生物成像，基因表达聚类）中，基于不同的自动编码器体系结构（例如，香草，变异，LSTM和卷积）的表示学习如何比基于ML的方法（例如，PCA）更有效。 ，以及将生物医学文本聚类。 基于深度学习的无监督/聚类方法，链接到论文和代码 我们提供了基于深度学习的无监督/聚类方法，论文链接和代码的列表。 此外，还将列出提出新方法和论文的文章。 敬请期待！ 标题 文章 会议/期刊 代码 卷积自动编码器（DCEC）的深度聚类 ICONIP'2017 用于一致性培训（UDA）的无监督数据增强 Arx