Unsupervised Learning of Probably Symmetric Deformable 3D Objects from Images in the Wild.pdf

非监督学习图像形变配准

作者：Vidal, René, Ma, Yi, Sastry, S.S. 2016年新书。据作者说：研究 unsupervised learning，从一百多年前的PCA讲到压缩感知，知识纵跨上百年。横跨代数几何，数理统计，高维数据处理，优化算法。而应用更涉及科学和工程各个领域，是数据科学的入门基础

SimCLR-in-TensorFlow-2 （至少）在TensorFlow 2中实现SimCLR（Chen等人）。使用tf.keras和TensorFlow的核心API的许多功能。 提供报告。 致谢 我没有从头开始编写所有代码。 这份特殊的研究论文读起来超级棒，而且常常很自然地被理解，这就是为什么我想亲自尝试一下并提出一个最小的实现的原因。 我将以下作品用于不同目的- 数据扩充政策来自此处： : 。 损失函数来自这里： : 。 从此处引用的TSNE可视化效果： : 。 除了本文之外，以下是我为了理解SimCLR而研究的文章： （此人在解释损失函数“ NT-XEnt损失”方面做得非常出色） 多亏了ML-GDE程序提供了我可以运行实验的GCP积分，并根据需要将中间结果存储在GCS存储桶中。 所有的笔记本都可以在Colab上运行。 数据集 ImageNet的子集：

借助生成对抗网络实现无人监督的深度图像增强 IEEE图像处理事务（T-IP） 1 ，1 ，1 ，2 ， 1 [ ] [ ] 1香港城市大学， 2美团集团 介绍 该网站共享IEEE图像处理事务（T-IP），第一卷，“通过生成的对抗网络实现无监督的深度图像增强”的代码。 2020年9月29日，第9140-9151页。 抽象的 对于公众而言，提高图像的美学质量是充满挑战和渴望的。 为了解决这个问题，大多数现有算法都是基于监督学习方法来学习用于配对数据的自动照片增强器，该照片增强器由低质量的照片和相应的专家修饰版本组成。 但是，专家修饰的照片的样式和特征可能无法满足一般用户的需求或偏好。 在本文中，我们提出了一种无监督的图像增强生成对抗网络（UEGAN），该网络以无监督的方式从一组具有所需特征的图像中学习相应的图像到图像的映射，而不是学习大量的成对图像。 所提出的模型基于单个深层GAN，该

模糊C均值算法 类型：聚类算法 使用的数据集：虹膜数据集 要求： Google colab或jupyter笔记本 套餐： 熊猫-https: numpy- //numpy.org/install/ Matplotlib- //matplotlib.org/stable/users/installing.html sklearn- //scikit-learn.org/stable/install.html 涉及的步骤： 打开“ fuzzy_c_means_algorithm_implementation.ipynb”文件。您可以在Google colab上或通过jupyter笔记本打开它。 如果您使用的是Jupyter笔记本，请安装上述必需的软件包。 在google colab或jupyter Notebook中打开文件后，运行所有单元格并查看输出。 观察图以了解算

绝对经典的神经网络ppt，看了收获很大，风格也很好，内容讲得很透彻，初学神经网的一定要好好看看～

β-VAE 下面两篇论文的Pytorch复制： 依赖关系 python 3.6.4 pytorch 0.3.1.post2 visdom 数据集 用法 初始化visdom python -m visdom.server 您可以通过以下方式重现结果 sh run_celeba_H_beta10_z10.sh sh run_celeba_H_beta10_z32.sh sh run_3dchairs_H_beta4_z10.sh sh run_3dchairs_H_beta4_z16.sh sh run_dsprites_B_gamma100_z10.sh 或者您可以通过手动设置参数来运行您自己的实验。 对于客观和模型参数，您有两个选项 H 和 B 表示 Higgins 等人提出的方法。 和 Burgess 等人，分别。 参数--C_max和--C_stop_iter应该在--obj

Unsupervised Learning: Deep Auto-encoder Auto-encoder Deep Auto-encoder Auto-encoder – Text Retrieval Auto-encoder – Similar Image Search Auto-encoder for CNN CNN -Unpooling CNN - Deconvolution

Kohonen的自组织地图（SOM） 背景 Teuvo Kohonen在1990年撰写的原始是第一个能够进行无监督学习的神经网络模型之一。 在算法的不同实现中，该算法几乎完全遵循原始论文。 更新功能定义为 哪里 和 是当前时代。 而且，每个神经元都与其他所有神经元相连，因此该图是 完整的图形，其中 是神经元的数量。 例 from sklearn . datasets import load_iris from sklearn . decomposition import PCA import matplotlib . pyplot as plt import numpy as np from som . mapping import SOM dataset = load_iris () train = dataset . data # Reducing the dimensiona