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

颜世伟 我们的目标是创建一个能够生成现实中不存在的逼真的人类图像的模型。 （将来，我将在GAN及其变体上上传一些用例）。 这些AI背后的技术称为GAN，即“生成对抗网络” 。 与其他类型的神经网络（GAN）相比，GAN采取的学习方法不同。 GAN的算法体系结构使用了两个神经网络，分别称为生成器和鉴别器，它们相互“竞争”以产生所需的结果。 生成器的工作是创建看起来逼真的假图像，而鉴别器的工作是区分真实图像和假图像。 如果两者均能正常工作，则结果是看起来像真实照片的图像。 GAN架构： 数据集可以从以下下载： : 您可以在上关注本文，以逐步了解它，并检查我的以进行实施。 输入图像样本： 输出：

太阳能预报 该项目是我最后一个学期的硕士学位课程工作的一部分。 此处的主要范围和目标是预测来自亚洲地理位置的年度太阳能发电量（取决于数据），然后减少产生的总软成本。 下文提供的文档和项目报告中详细介绍了这项工作。