经过研究人员和金融专家对股票市场预测的多年研究之后，似乎没有确定的方法可以既准确又持续地预测股票价格。 这是由于股票走势的不确定性以及决定市场表现的众多参数所致。 人们已经研究了许多技术来预测股市价格。 另外，已经进行了各种比较研究以找到可以帮助交易者做出决定的最佳技术。 本文提出将Rainbow DQN，LSTM和GRU等集成技术用于实时股票市场预测和指示买/卖信号。 仔细检查了所用这些技术的结果，以检查是否过度拟合。 使用准确性，投资回报率来评估技术的性能。 很少有人使用MACD和RSI等著名指标来验证结果。 测试在NIFTY50，Microsoft和Google上进行，并以1分钟为间隔构建实时数据。

深度神经网络自监督视觉特征学习综述 为了在计算机视觉应用中学习得到更好的图像和视频特征，通常需要大规模的标记数据来训练深度神经网络。为了避免收集和标注大量的数据所需的巨大开销，作为无监督学习方法的一个子方法——自监督学习方法，可以在不使用任何人类标注的标签的情况下，从大规模无标记数据中学习图像和视频的一般性特征。本文对基于深度学习的自监督一般性视觉特征学习方法做了综述。首先，描述了该领域的动机和一些专业性术语。在此基础上，总结了常用的用于自监督学习的深度神经网络体系结构。接下来，回顾了自监督学习方法的模式和评价指标，并介绍了常用的图像和视频数据集以及现有的自监督视觉特征学习方法。最后，总结和讨论了基于标准数据集的性能比较方法在图像和视频特征学习中的应用。 https://ieeexplore.ieee.org/document/9086055 https://www.zhuanzhi.ai/paper/0e9852bb57c7fe00cc59723fc0ee899f 引言 由于深度神经网络具有学习不同层次一般视觉特征的强大能力，它已被作为基本结构应用于许多计算机视觉应用，如目标检测[1]、[2]、[3]、语义分割[4]、[5]、[6]、图像描述[7]等。从像ImageNet这样的大规模图像数据集训练出来的模型被广泛地用作预训练模型和用于其他任务的微调模型，主要有两个原因:(2)在大规模数据集上训练的网络已经学习了层次特征，有助于减少在训练其他任务时的过拟合问题;特别是当其他任务的数据集很小或者训练标签很少的时候。 深度卷积神经网络(ConvNets)的性能在很大程度上取决于其能力和训练数据量。为了增加网络模型的容量，人们开发了不同类型的网络架构，收集的数据集也越来越大。各种网络，包括AlexNet [9]， VGG [10]， GoogLeNet [11]， ResNet [12]， DenseNet[13]和大规模数据集，如ImageNet [14]， OpenImage[15]已经被提出训练非常深的ConvNets。通过复杂的架构和大规模的数据集，ConvNets的性能在许多计算机视觉任务[1]，[4]，[7]，[16]，[17]，[18]方面不断突破先进水平。 然而，大规模数据集的收集和标注是费时和昂贵的。ImageNet[14]是pre-training very deep 2D convolutional neural networks (2DConvNets)中应用最广泛的数据集之一，包含约130万张已标记的图像，覆盖1000个类，而每一幅图像由人工使用一个类标签进行标记。与图像数据集相比，视频数据集由于时间维度的原因，其采集和标注成本较高。Kinetics数据集[19]主要用于训练ConvNets进行视频人体动作识别，该数据集由50万个视频组成，共600个类别，每个视频时长约10秒。许多Amazon Turk工作人员花了大量时间来收集和注释如此大规模的数据集。 为了避免费时和昂贵的数据标注，提出了许多自监督方法来学习大规模无标记图像或视频的视觉特征，而不需要任何人工标注。一种流行的解决方案是提出各种各样的前置任务让网络来解决，通过学习前置任务的目标函数来训练网络，通过这个过程来学习特征。人们提出了各种各样的自监督学习任务，包括灰度图像着色[20]、图像填充[21]、玩图像拼图[22]等。藉口任务有两个共同的特性:(1)图像或视频的视觉特征需要被ConvNets捕捉来解决前置任务;(2)监控信号是利用数据本身的结构(自我监控)产生的。 自监督学习的一般流程如图1所示。在自监督训练阶段，为ConvNets设计预定义的前置任务，并根据数据的某些属性自动生成前置任务的伪标签。然后训练卷积神经网络学习任务的目标函数。当使用前置任务进行训练时，ConvNet的较浅的块集中于低级的一般特征，如角、边和纹理，而较深的块集中于高级任务特定的特征，如对象、场景和对象部分[23]。因此，通过藉由任务训练的ConvNets可以学习内核来捕获低级特征和高级特征，这对其他下游任务是有帮助的。在自监督训练结束后，学习到的视觉特征可以作为预训练的模型进一步转移到下游任务中(特别是在数据相对较少的情况下)，以提高性能和克服过拟合。通常，在有监督的下游任务训练阶段，仅从前几层传递视觉特征。

shenduxuexi,Deep Convolutional Network Cascade for Facial Point Detection

| | PyTorch几何态是时间（动态）扩展文库。 该库包含来自各种已发表研究论文的各种动态和时间几何深度学习，嵌入以及时空回归方法。此外，它还提供了易于使用的数据集加载器和迭代器，用于动态和时间图以及gpu支持。它还附带了许多带有时间和动态图的基准数据集（您也可以创建自己的数据集）。 引用 如果您发现PyTorch Geometric Temporal和新的数据集对您的研究有用，请考虑添加以下引用： @misc { pytorch_geometric_temporal , author = { Benedek, Rozemberczki and Paul, Scherer and Yixuan, He and Oliver, Kiss and Nicolas, Collignon } , title = { {PyTorch Geometric Tempor

MotioNet 该库提供的源代码[[Transaction on Graphics（ToG）2020]，这是一种运动学的深度神经网络，可以从单眼视频中重建3D骨骼人体运动。 基于通用运动表示设计的网络及其直接输出可以转换为bvh文件，而无需任何后处理步骤。 MotioNet：具有骨架一致性的单眼视频的3D人体运动重构：| | 先决条件 Linux 的Python 3 NVIDIA GPU + CUDA CuDNN 2D姿势检测工具（用于评估野生视频，现在支持： ） 根据您的Cuda版本，选择合适的版本并安装它，然后运行以下命令来安装其他软件包： pip install -r requirements.txt 快速开始 我们提供了一个预训练的模型和一些演示示例，这些示例演示了我们的框架是如何工作的。 为了运行演示，请从 下载1.预训练的模型并将其放置在./checkpoin

Deep Attributed Network Embedding by Preserving Structure and Attribute Information

Learning a Deep Convolutional Network for Image Super-Resolution论文地址简介模型图模型框架算法流程Patch extraction and representationnon-linear mapping 非线性映射Reconstruction训练测试实验结果Pytorch代码实现使用说明文件存放运行代码model.pydata.pymain.pyrun.py运行操作图片对比Original imageBicubic imageSRCNN image后续工作参考文章 论文地址 简介 超分辨率技术（Super-Resolution）

深度网络（DBN）的简单指导代码

DBN 爬虫入门

Deep Belief Network深度信念网络（DBN的Matlab代码），可以运行test_example_DBN.m对手写数字进行训练学习