以cifa-10分类为例，包含train from scratch，Finetune以及固定某些参数不参与训练。 参考neuron-selectivity-transfer，https://github.com/TuSimple/neuron-selectivity-transfer

Apache MXNet Gluon中的LSTNet实现 该存储库包含本文的实现： ://arxiv.org/abs/1703.07015，基于该存储库中作者的原始PyTorch实现： : 请参考该论文以获取有关网络体系结构的背景知识。 运行脚本 要获取命令行参数列表： python train.py-帮助

基于MXNet的物联网数据处理实现，王诗瑶，章洋，深度神经网络近年来得到了快速发展，被广泛应用于各种数据处理、模式识别等问题中。本文针对物联网数据处理的难点，基于优秀的深

神经网络的三种可视化方法——用keras和MXNet(gluon)实现 目录神经网络的三种可视化方法——用keras和MXNet(gluon)实现概述keras实现keras特征图可视化keras可视化滤波器(卷积核)的最大响应图keras可视化热力图MXNet(Gluon)实现Gluon可视化特征图Gluon可视化滤波器(卷积核)的最大响应图Gluon可视化热力图 keras之父弗朗西斯科肖莱在他的书中提到了CNN的三种常用可视化方法, 同样的算法原理在李宏毅深度学习教程的ExplainableML单元也有提及, 本博客分别使用keras和MXNet(gluon)框架实现了这三种可视化算法,

学习卷积神经网络的面部反欺骗 “”论文的实现 结果 CASIA内测 原始数据集：或（密码：h5un） 规模 1.0 1.4 1.8 2.2 2.6 吝啬的 开发EER 0.1094 0.0408 0.0346 0.0339 0.0670 0.0571 测试HTER 0.1033 0.0492 0.0568 0.0675 0.0875 0.0729 测试EER 0.0923 0.0461 0.0578 0.0665 0.0790 0.0683

对抗式自动编码器 通过实现。 要求 MXNet 麻木 matplotlib scikit学习 OpenCV 无监督对抗自动编码器 请运行aae_unsupervised.py进行模型训练。 在visualize.ipynb中将task设置为unsupervised以显示结果。 请注意，二维潜变量的所需先验分布可以是{高斯，高斯混合，瑞士卷或均一}中的一种。 在这种情况下，培训过程中不会使用任何标签信息。 一些结果： 将z_prior设置为高斯分布的p（z）和q（z）。 将z_prior设置为10高斯混合分布的p（z）和q（z）。 将z_prior设置为瑞士卷分布的p（z）和q（z）。 监督对抗自动编码器 请运行aae_supervised.py进行模型训练。 在visualize.ipynb中将任务设置为supervised ，以显示结果。 注意，二维潜变量的期望的先验分布可以

yolo-mxnet的运动跟踪算法，大家可以看看，应该会有所帮助

1.用Mxnet实现图像分类——比较LR & MLP & CNN区别 2.图像数据包括43种交通指示牌图像，每种图像数量200多，总图像数量为10000+ 3.主要代码为ipynb格式，内含判分模块 4.Mxnet网上教程非常少，此资源可作为学习Mxnet&CV的很好参考资料

动手学深度学习-mxnet源代码

基于MNIST样式的自动编码器 （AAE）模型，可在高斯分布多元变量上对MNIST图像的样式信息进行编码。 这里使用的模型是从在第4所讨论的一个（监督对抗性自动编码）略有不同。 在本文中，仅解码器具有指示数字的标签。 鉴于此，我们还为编码器提供了标签。 路线图 简单的自动编码器 可视化潜在特征空间（样式空间）的脚本。 对抗式自动编码器，可将样式空间调整为高斯分布。 一个脚本，用于从随机样式矢量生成所有数字的图像。 设置 $ python3 -m venv pyenv $ source pyenv/bin/activate $ pip3 install -r requirements.txt 用法 $ ./mnist-sae.py --help usage: mnist-sae.py [-h] [--batch-size B] [--epochs E] [--lr LR]