CBIS-DDSM深度学习

前端进阶 JavaScript基础： JavaScript数据类型 JavaScript代码运行机制 作用域和作用域链 let/const/var的区别 JavaScript高阶编程技巧 原型和原型链的底层运行机制 this指向 数据类型检测 JavaScript类的继承方案 JavaScript对象的浅/深拷贝 JavaScript事件解析 使用es5实现class以及extends关键字 ES Module模块化 浏览器： 浏览器渲染机制 异步编程： Promise和Async/Await入门[译] EventLoop[译] 翻译Promise/A+规范 从零到一实现完全符合Promise/A+的Promise 手写Promise周边方法 深入Async/Await底层实现 Node.js中的EventLoop 手写自己的HTTP请求库-axios源码分析 设计模式： 手写发布订阅模式

一个用于高性能整体学习的Python库 ML-Ensemble将Scikit学习高级API与低级计算图形框架结合在一起，以尽可能少的代码行来构建内存有效的，最大程度并行化的集成网络。 只要基础学习者可以使用，ML-Ensemble就是线程安全的，并且可以依赖于内存映射的多处理来实现基于内存中立的基于进程的并发。 有关教程和完整文档，请访问项目。 集成为计算图 集成体建立在计算图的顶部，使用户拥有极大的设计自由度。 可以使用递归，动态评估（例如if-else ）等构建集成。 高级API将常见的集成体系结构包装到Scikit学习估计器中。 集合中图层的示例计算图 记忆有效的并行学习 ML-Ensemble已针对速度和最小的内存消耗进行了优化。 不管使用多线程还是多处理，都不会发生数据序列化。 此外，多线程是无酸洗的。 便于使用 现成的合奏是通过向实例添加图层来构建的。 无论合奏多么复杂，对其进行训练都可以调用fit方法： ensemble = Subsemble () # First layer ensemble . add ( list_of_estimators ) # Seco

音频深度学习（DLA） 每周的讲座和研讨会资料位于./week*文件夹中，有关资料和说明，请参阅README.md。 任何技术问题，想法，课程资料中的错误，贡献想法-添加问题 该课程的当前版本于2020年秋季在的进行 教学大纲 数字信号处理简介 讲座：信号，傅立叶变换，频谱图，MFCC等 研讨会：PyTorch简介，DevOps，深度学习研发 自动语音识别I 讲座：指标，注意力，LAS，CTC，BeamSearch 研讨会：Docker，W＆B，音频增强 自动语音识别II 演讲：LM融合，RNN传感器，进度表采样，BPE 研讨会：Jasper，QurtzNet，混合精度培训，DDP / DP 关键字（KWS）和语音活动检测（VAD） 演讲：（DNN，CNN，RNN + Attention）基于KWS，SVDF，正交正则化和其他技巧 研讨会：加速神经网络：张量分解，量化，修剪

lstm-cnn- pytorch版学习

Keras的深度强化学习 它是什么？ keras-rl在Python中实现了一些最先进的深度强化学习算法，并与深度学习库无缝集成。 此外， keras-rl可与一起使用。 这意味着评估和使用不同算法很容易。 当然，您可以根据自己的需要扩展keras-rl 。 您可以使用内置的Keras回调和指标，也可以定义自己的回调和指标。 更重要的是，只需扩展一些简单的抽象类，即可轻松实现自己的环境甚至算法。 文档可。 包含什么？ 到目前为止，已实现以下算法： 深度Q学习（DQN） ， Double DQN 深度确定性策略梯度（DDPG） 连续DQN（CDQN或NAF） 交叉熵方

人脸识别,物体分类,数字识别,人脸检测源码

DL信道估计-MaMIMO 该存储库包含M. Belgiovine等人在论文中再现结果所需的代码。 2021年4月在IEEE无线通信杂志（WCM）上接受了“超越5G大规模MIMO的信道估计边缘的深度学习”。

TensorFlow_学习 学习创建张量和深度学习

sklearn机器学习源码（黑皮书） 常用算法原理及编程实战