anaGo anaGo是一个在Keras中实现的用于序列标记（NER，PoS标记等）的Python库。 anaGo可以解决序列标记的任务，例如命名实体识别（NER），词性标记（POS标记），语义anaGo anaGo是用于序列标记（NER，PoS标记等）的Python库，在Keras中实现。 anaGo可以解决序列标记任务，例如命名实体识别（NER），词性标记（POS标记），语义角色标记（SRL）等。 与传统的序列标签求解器不同，anaGo不需要定义任何语言相关的功能。 因此，我们可以轻松地将anaGo用于任何语言。 作为anaGo的示例，下图显示了英语的命名实体识别：

在智能手机上使用递归神经网络（RNN），LSTM和Tensorflow进行人类活动识别 这是我硕士课程的项目，其中涉及使用无线传感器数据挖掘实验室（WISDM）的数据集为端到端系统构建机器学习模型，以使用智能手机加速度计，Tensorflow框架，递归神经网络预测人类的基本活动网络和多个长期短期存储单元（LSTM）堆栈，用于构建具有隐藏单元的深度网络。 训练模型后，将其保存并导出到android应用程序，并使用模型作为概念验证和UI界面进行预测，以使用文本语音API讲出结果。 处理： 清理并合并数据 根据模型要求，通过将每个序列活动的固定长度序列（200个）作为训练数据来进行数据预处理，以最大程度地提高模型的效率。 将数据分为训练（80％）和测试（20％）集。 通过堆叠带有2个完全连接的RNN的多层LSTM内存单元（这将解决消失的梯度问题）来构建一个深层网络。 使用Tensorflow框架构建整个模型，并创建占位符以供模型在端到端系统中访问。 创建最小化损失的损失函数，我们使用最小二乘误差（LSE）或L2范数，因为它将通过一个解决方案提供稳定的解决方案。 在整个训练期间，

ml-projects：基于ML的项目，例如垃圾邮件分类，时间序列分析，使用随机森林进行文本分类，深度学习，贝叶斯，Python中的Xgboost

快速神经风格 :sunset: :rocket: 注意：该代码库已不再维护，请使用提供的pytorch examples存储库中的代码库。 该存储库包含艺术风格转换算法的pytorch实现。 该算法可用于将图像的内容与另一图像的样式混合。 例如，这是一张以彩色玻璃绘画风格渲染的门拱的照片。 该模型使用所述的方法以及。 README中显示的示例的已保存模型可以从下载。 免责声明：此实现也是存储库的一部分。 此存储库中的实现使用预训练的Caffe2 VGG，而pytorch示例存储库实现使用预训练的Pytorch VGG。 这两个VGG具有不同的预处理，这导致不同的--content-weight和--style-weight参数。 样式化的输出图像看起来也略有不同。 要求 该程序是用Python编写的，并使用 ， 。 GPU不是必需的，但可以显着提高速度，尤其是在训练新模型时。 可以使用保存的模型在笔记本电

重装 一个Python实用程序，可在每次迭代时从源代码重新加载循环体而不会丢失状态 在训练深度学习模型期间对编辑源代码有用。 这样，您可以添加日志记录，打印统计信息或保存模型而无需重新开始训练，因此也不会丢失训练进度。 安装 pip install reloading 用法 要在每次迭代之前从源重新加载for循环的主体，只需使用reloading包装迭代器，例如 from reloading import reloading for i in reloading ( range ( 10 )): # here could be your training loop print

数据融合matlab代码使用深度和惯性传感器的深度多级多模式（M2）融合进行人体动作识别的数据集和代码（最新发表在IEEE传感器杂志上） 从链接下载数据集： ImageFolders_KinectV2Dataset文件夹具有与Kinect V2数据集相关的所有图像。 要在Matlab上运行代码，请将文件夹“ ImageFolders_KinectV2Dataset”的所有子文件夹和matlab文件放置在同一Matlab的工作目录中。 运行Matlab文件“ FirstDeepFusionFramework.m”，以查看有关Kinect V2数据集上First融合框架准确性的结果。 类似地，运行Matlab文件“ ThirdDeepFusionFramework”，以查看有关Kinect V2数据集上的Third融合框架准确性的结果。 名称为“ XONet”的Matlab文件在Kinect V2数据集的图像文件夹上经过训练的CNN模型。 Inertial2SignalImages.m将原始惯性数据转换为图像。 引文 如果您发现提出的工作和对您的研究有用的代码，请引用以下论文。 @arti

包括两本书，书名都是Deep Learning with Python，一本作者：Nikhil Ketkar，2017版，带目录，另一本作者是一直在维护Keras的谷歌工程师：Francois Chollet

PyTorch的官方实现： 深度学习中域内不确定性估计和集合的陷阱，ICLR'20 / / // 海报视频（5分钟） 环境设定 以下内容允许使用创建并运行具有所有必需依赖项的python环境： conda env create -f condaenv.yml conda activate megabayes 日志，图表，表格，预训练砝码 在文件夹中，我们提供： 保存的日志以及所有计算结果 ipython笔记本示例，可重现绘图，表格并计算深整体等效（DEE）分数 某些模型的预训练权重可以在以下： 和等。这些权重还可以通过通过命令行界面下载： pip3 install wldhx.yadisk-direct % ImageNet curl -L $(yadisk-direct https://yadi.sk/d/rdk6ylF5mK8ptw?w=1) -o deepens_imag

人脸识别 通过深度学习实现的人脸检测和识别系统。 人脸数据集 非人脸数据集 带有滑动窗口的人脸检测

深度学习的显著成功引发了人们对其在医学诊断中的应用的兴趣。即使最先进的深度学习模型在对不同类型的医疗数据进行分类时达到了人类水平的准确性，但这些模型在临床工作流程中很难被采用，主要是因为它们缺乏可解释性。深度学习模型的黑盒性提出了设计策略来解释这些模型的决策过程的需要，这导致了可解释人工智能(XAI)这个话题的产生。在此背景下，我们提供了XAI应用于医疗诊断的全面综述，包括可视化、文本和基于示例的解释方法。此外，这项工作回顾了现有的医学成像数据集和现有的指标，以评估解释的质量。作为对大多数现有综述的补充，我们包含了一组基于报告生成方法之间的性能比较。最后，还讨论了XAI在医学影像应用中的主要挑战。 https://www.zhuanzhi.ai/paper/f6e90091666dbcaa5b40c1ab82e9703b 引言 人工智能(AI)领域在过去十年取得的进展，支持了大多数计算机视觉应用的准确性的显著提高。医学图像分析是在对不同类型的医学数据(如胸部X光片[80]、角膜图像[147])进行分类时取得人类水平精确度的应用之一。然而，尽管有这些进展，自动化医学成像在临床实践中很少