NIMA：神经影像评估 这是Hossein Talebi和Peyman Milanfar撰写的《 （在接受）的PyTorch实现。 您可以从了解更多。 实施细节 该模型在上进行了训练，该包含大约255,500张图像。 你可以从得到它。 注意：数据集中可能存在一些损坏的图像，请在开始训练之前先将其删除。 该数据集分为229,981张图像用于训练，12,691张图像用于验证和12,818张图像用于测试。 ImageNet预训练的VGG-16用作模型的基础网络，为此，我在验证集上损失了约0.072 EMD。 尚未在本文中尝试过其他两个选项（MobileNet和Inception-v2）。 非常欢迎您进行自己的扩展。 学习率设置与原始论文不同。 我似乎无法使用3e-7的转换底数和3e-6的密集区块的底线来使模型收敛于动量SGD。 另外，我没有做太多的超参数调整，因此您可能会获得更好的结果

语音性别 语音和语音分析中的性别识别 阅读完整的。 该项目训练一种计算机程序，根据语音和语音的声学特性，将语音识别为男性还是女性。 该模型在包含3168个记录的语音样本的数据集中进行了训练，这些样本是从男性和女性说话者那里收集的。 语音样本在R中通过声学分析进行预处理，然后通过人工智能/机器学习算法进行处理，以学习特定于性别的特征，从而将语音分为男性或女性。 最好的模型在训练集上达到100％的精度，在测试集上达到89％的精度。 更新：通过将分析的频率范围缩小到0hz-280hz（），可以将最佳精度提高到100％/ 99％。 数据集 将预处理的下载为CSV文件。 CSV文件包含以下字段： “ meanfreq”，“ sd”，“ median”，“ Q25”，“ Q75”，“ IQR”，“ skew”，“ kurt”，“ sp.ent”，“ sfm”，“ mode”，“ centro

Monodepth2 这是参考PyTorch实施，使用以下方法描述的方法来训练和测试深度估计模型 挖掘自我监督的单眼深度预测 ， ，和 此代码仅供非商业使用； 请参阅中的条款。 如果您发现我们的工作对您的研究有用，请考虑引用我们的论文： @article{monodepth2, title = {Digging into Self-Supervised Monocular Depth Prediction}, author = {Cl{\'{e}}ment Godard and Oisin {Mac Aodha} and

使用2-D卷积神经网络对ECG心律失常进行分类。 使用2-D卷积神经网络对ECG心律失常进行分类。 这是本文的一种实现： : 该模型在MIT-BIH心律失常数据集上进行了训练。 在NVIDIA Tesla GPU上训练模型花费了60个小时。 这是模型权重的链接： : 该模型可以检测出6种类型的心律失常，即： 房性早搏（APC） 左束支传导阻滞（LBB） 节奏拍（PAB） 室性早搏（PVC） 右束支传导阻滞（RBB） 心室逃逸跳动（VEB） 该模型还可以预测ECG是否正常。 因此，模型可以预测7个类别。 使用模型 您可以从上面提到的链接下载模型。 运行main.py并提供所需的目录。 您可以输入一个CSV心电图文件或分段心电图节拍图像作为输入。 通常，您会得到一个带心电信号的csv文件。

pix2pix：使用生成对抗网络进行图像到图像的翻译

头部姿势估计 使用TensorFlow和OpenCV进行实时人头姿势估计。 入门 这些说明将为您提供在本地计算机上运行并运行的项目的副本，以进行开发和测试。 先决条件 该代码已在Ubuntu 20.04上进行了测试。 正在安装 该存储库已经提供了用于面部标志检测的预训练模型。 只是git clone然后就可以了。 # From your favorite development directory: git clone https://github.com/yinguobing/head-pose-estimation.git 跑步 视频文件或摄像头索引应通过参数分配。 如果未提供任何来源

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～

《Convolutional neural networks for sentence classification》原文及翻译

我的代码首先受到启发 https://github.com/CuthbertCai/pytorch_DANN 神经网络领域专家训练 https://arxiv.org/pdf/1505.07818.pdf implement Domain-Adversarial Training of Neural Networks by pytorch 数据集 mnist mnist_m 从下载 结果 原始纸 我的实施 仅来源 0.52 0.5 丹恩 0.766 0.82〜0.83 去做 尝试更好地调整玩具示例 使用较少的参数来训练模型

使用长期短期记忆（LSTM）进行风能预测 有关完整的详细信息，请阅读CSE 523项目报告.pdf。 介绍 由于风速/功率具有可再生性和环境友好性，因此在地球上受到越来越多的关注。 随着全球风电装机容量的Swift增加，风电行业正在发展为大型企业。 可靠的短期风速预测在风能转换系统中起着至关重要的作用，例如风轮机的动态控制和电力系统调度。 精确的预测需要克服由于天气条件波动而导致的可变能源生产问题。 风产生的功率高度依赖于风速。 尽管它是高度非线性的，但风速在特定时间段内遵循特定模式。 我们利用这种时间序列模式来获得有用的信息，并将其用于功率预测。 LSTM用于对数据执行不同的实验并得出结论。 结论 我们的目标是改善对使用风能发电的功率的预测，并且已经实现了将LSTM用作机器学习模型并对其进行模型优化。 我们还观察到，如果风速小于4 m / s，则系统生成的功率为零。 LSTM无法学习这