弹性重量合并 通过弹性体重合并，深度强化学习和有监督的设置进行终身学习。 部分结果 链接

Multilayer feedforward networks are universal approximators

在大多数自然和工程系统中，一组实体以复杂的模式相互交互，这些模式可以包含多种类型的关系、随时间变化并包括其他类型的复杂性。 此类系统包括多个子系统和连接层，重要的是要考虑此类“多层”特征，以尝试提高我们对复杂系统的理解。 因此，有必要通过开发（和验证）一个框架和相关工具来以综合方式研究多层系统，从而概括“传统”网络理论。 这种努力的起源可以追溯到几十年前，并出现在多个学科中，现在对多层网络的研究已成为网络科学中最重要的方向之一。 在本文中，我们讨论了多层网络（和相关概念）的历史，并回顾了此类网络上爆炸性的工作。 为了统一近期大量工作中的不同术语，我们讨论了多层网络的一般框架，构建了一个术语词典将众多现有概念相互联系起来，并提供了在相关概念之间进行比较、对比和翻译的深入讨论例如多层网络、多路复用网络、相互依赖的网络、网络的网络等等。 我们还调查和讨论了可以表示为多层网络的现有数据集。 我们回顾了将单层网络诊断推广到多层网络的尝试。 我们还讨论了对多层网络模型和概念（如社区结构、连接组件、张量分解和多层网络上的各种类型的动态过程）的快速扩展的研究。 我们以总结和展望结束。

狗品种分类器 在该项目中，首先，我实施了卷积神经网络，使用转移学习对狗的品种进行分类。 在转移学习中，我们使用的是经过预训练的网络，例如VGG-16，Resnet，Inception，Xception等。 目标 对狗的品种进行分类 依存关系 麻木 大熊猫 凯拉斯 球状 matplotlib cv2 斯克莱恩 tqdm 皮尔 我用jupyter笔记本来实现 信用 Udacity深度学习纳米学位

mppt matlab代码MPPT使用神经网络 使用神经网络跟踪最大功率点的另一种方法。 使用多项式回归的 MPPT 的 matlab 代码，显示出有希望的结果。

KGCN-火炬 这是 （ ）的Pytorch实现： 推荐系统的知识图卷积网络王宏伟，赵M，谢星，李文杰，郭敏仪。 在2019年网络会议论文集（WWW 2019）中 数据集 电影 电影的原始分级文件太大，无法包含在此仓库中。 首先对评级数据进行分类 $ wget http://files.grouplens.org/datasets/movielens/ml-20m.zip $ unzip ml-20m.zip $ mv ml-20m/ratings.csv data/movie/ 音乐 没事做 其他数据集 如果要使用自己的数据集，则需要准备2个数据。 评分数据 每行应包含（user-item-rating） 在此回购中，它是pandas数据框结构。 （看看data_loader.py ） 知识图 每个三元组（头-关系尾）由知识图组成 在此仓库中，它是字典类型。 （看看data_

希望网 Hopenet是一个准确且易于使用的头部姿势估计网络。 在300W-LP数据集上对模型进行了训练，并在具有良好定性性能的真实数据上进行了测试。 有关方法和定量结果的详细信息，请查看CVPR Workshop。 新的 新的 要使用，请安装和 （用于视频）-我相信，除了numpy之类的常用库之外，您只需要这些即可。 您需要一个GPU才能运行Hopenet（目前）。 要使用dlib人脸检测在视频上进行测试（头部中心会跳动）： python code/test_on_video_dlib.py --snapshot PATH_OF_SNAPSHOT --face_model PATH

自然语言处理方向机器翻译的经典论文之一。

深度演示 概述 该存储库包含一些使用深度学习方法的示例，这些示例用于在MoveIt Task构造函数中掌握姿势的生成。 这些软件包是在运行ROS Melodic的Ubuntu 18.04上开发和测试的。 配套 ：使用深度学习方法在MoveIt Task构造函数中的把握生成阶段构造一个拾取和放置任务 ：使用Dex-Net从深度图像中采样抓取 moveit_task_constructor_gpd ：使用GPD采样来自3D点云的抓取 入门 首先，完成“ 入门指南” 。 在安装依赖项之前，建议先运行： sudo apt update sudo apt upgrade 重要说明：建议在catkin工作区之外安装不是ROS软件包的依赖项。 对于GPD，这包括PCL，OpenCV和GPD库。 对于Dex-Net，这包括gqcnn ， autolab_core ，悟性和可视化。 下面的步骤