有各种各样的NLP问题可以用图结构最好地表达。基于图的深度学习技术(即图神经网络(GNNs))在建模非欧氏数据(如图)方面的巨大优势，为解决具有挑战性的图类NLP问题打开了一扇新的大门，并取得了巨大的成功。尽管取得了成功，但在图上的深度学习(DLG4NLP)仍然面临许多挑战(如自动图的构造、复杂图的图表示学习、复杂数据结构之间的映射学习)。 本教程将介绍深度学习技术在自然语言处理中的应用，包括自然语言处理的自动图构造、自然语言处理的图表示学习、自然语言处理的基于GNN的高级模型(如graph2seq和graph2tree)，以及GNN在各种自然语言处理任务中的应用(如机器翻译、图像处理和图像处理)。自然语言生成、信息提取和语义解析)。此外，还将包括实践演示会议，以帮助听众获得应用GNNs解决具有挑战性的NLP问题的实际经验——使用我们最近开发的开源库Graph4NLP，这是第一个为研究人员和实践者提供的用于各种NLP任务的轻松使用GNNs的库。

深度学习在 医学图像处理，病灶识别，药品开发等方面的应用； 实例是用python实现； 药品开发部分涉及到的lib 和model下载后配置好环境可以直接使用；

自我监督预测的好奇心驱动探索 在ICML 2017中 ， ， ，加州大学伯克利分校 这是我们基于ICLS 基于张量流的实现，该。 当来自环境的外部奖励稀疏时，想法是用内在的基于好奇心的动机（ICM）来培训代理商。 令人惊讶的是，即使环境中没有可用的奖励，您也可以使用ICM，在这种情况下，代理仅出于好奇而学会探索：“没有奖励的RL”。 如果您发现这项工作对您的研究有用，请引用： @inproceedings{pathakICMl17curiosity, Author = {Pathak, Deepak and Agrawal, Pulkit and Ef

PyTorch中的PeleeNet 该存储库包含用于“ ”的peleenet（在PyTorch中）。 从修改而成”。 接触 欢迎任何讨论或关注！ 引文 如果您发现本文对您的研究有用，请考虑引用： @article{wang2018pelee, title={Pelee: A Real-Time Object Detection System on Mobile Devices}, author={Wang, Robert J and Li, Xiang and Ao, Shuang and Ling, Charles X}, journal={arXiv preprint arXiv:1804.06882}, year={2018} }

PyTorch问答 该存储库包含一些最重要的问题解答论文的实现。 这些实现以教程的形式进行，并且大致是所述论文的注释。 对于那些了解深度学习和NLP基础知识，想要开始阅读稍微复杂的论文并了解其实现方式的人来说，该存储库可能会有所帮助。 尽管我已尽力以简单的方式分解所有内容，但该存储库还假定您对PyTorch基础有所了解。 问题回答 问答是一项重要的任务，基于此，可以判断NLP系统和AI的智能。 QA系统将给出有关某个主题的简短段落或上下文，并根据文章内容提出一些问题。 这些问题的答案是上下文的跨度，也就是说，它们可以直接在文章中找到。 为了训练这样的模型，我们使用数据集。 入门 名为“ QA的

## Malsite-Deep Malsite-Deep：基于NearMiss-2策略的深度学习和多信息融合预测蛋白质丙二酸化位点 ### Malsite-Deep使用以下依赖项： Python 3.6 麻木 科学的 scikit学习 大熊猫 TensorFlow 凯拉斯 ###指导原则：**数据集文件包含五类数据集，其中包含训练数据集和独立测试数据集。 **特征提取： PseAAC.py是PseAAC的实现。 exchange_matrix.m和be_extract_feature是BE的实现。 Bi_profile_bayes.m是BPB的实现。 DPC.py是实施DC的实现。 EBGW_DATA.m和EBGW.m是EBGW的实现。 BLOSUM62.py是BLOSUM62的实现。 EAAC.py是EAAC的实现。 PWAA_Y1.m是PWAA的实现。 **

YOLObile 这是的实现使用。多亏了原作者。 arXiv： ：//arxiv.org/abs/2009.05697在AAAI 2021中进行 对于那些可能对编译器代码（如何将其部署到Android上）感兴趣的人：编译器源代码与我们在William＆Mary的合作者相关联，并且具有与IP相关的联合知识。我们现在没有计划将此部分开源。带来不便敬请谅解。 对于IOS开发人员：由于高度开源的优势，我们仅使用Android平台来构建和测试编译器。我们还相信可以在Apple IOS平台上应用相同的技术，但我们尚未对其进行测试。 介绍 物体检测技术的Swift发展和广泛应用引起了对物体检测器的准确性和速度的关注。但是，当前的最新对象检测工作要么使用大型模型以准确性为导向，但会导致高延迟，或者使用轻量级模型以速度为导向，但会牺牲准确性。在这项工作中，我们提出了YOLObile框架，该框架是通过压缩

这个代码使用matlab实现D Q-network同时也实现了MDP算法，使用这两个算法分别来对一个简单的游戏进行处理，来完成密室摸金的实验

NLP领域取得最重大突破！谷歌AI团队新发布的BERT模型，在机器阅读理解顶级水平测试SQuAD1.1中表现出惊人的成绩：全部两个衡量指标上全面超越人类，并且还在11种不同NLP测试中创出最佳成绩。毋庸置疑，BERT模型开启了NLP的新时代！

pytorch-a2c-ppo-acktr请使用本自述文件中的超级参数。 使用其他超级参数，可能无法正常工作（毕竟是RL）！ 这是Advantage Actor Critic（A2C）的PyTorch实现，同步pytorch-a2c-ppo-acktr请使用本自述文件中的超级参数。 使用其他超级参数，可能无法正常工作（毕竟是RL）！ 这是Advantage Actor Critic（A2C）的PyTorch实现，这是A3C近端策略优化PPO的同步确定性版本，用于使用Kronecker因子近似ACKTR生成的对抗模仿学习GAIL进行深度强化学习的可扩展信任区域方法另请参阅OpenAI帖子：A2C / ACKTR和PPO获得更多信息