这是一个基于tensorflow的简单的卷及神经网络，使用MNIST数据集进行手写数字识别。网络为FCN，即全卷积神经网络，总共有四层。前两层same padding，最大池化，后两层进行1x1的卷积。使用softmax输出结果，误差为交叉熵。最终在测试集上准确率在99%左右

PyTorch中的Seq2Seq 这是用于在训练序列到序列模型的完整套件。 它由几个模型和代码组成，可以训练和推断使用它们。 使用此代码，您可以训练： 神经机器翻译（NMT）模型 语言模型 图像到字幕的生成 跳过思维的句子表示 和更多... 安装 git clone --recursive https://github.com/eladhoffer/seq2seq.pytorch cd seq2seq.pytorch; python setup.py develop 楷模 当前可用的模型： 简单的Seq2Seq递归模型 带注意解码器的递归Seq2Seq （GNMT）递归模型 变形金刚-来自的仅关注模型 数据集 当前可用的数据集： WMT16 WMT17 OpenSubtitles 2016 COCO图片标题 可以使用3种可用的分割方法对所有数据集进行标记： 基于字符的细

主要邻里聚集 在PyTorch，DGL和PyTorch Geometric中实现图网的主要邻域聚合 。 概述 我们提供PyTorch，DGL和PyTorch Geometric框架中的主要邻域聚合（PNA）的实现，以及用于生成和运行多任务基准的脚本，用于运行实际基准的脚本，灵活的PyTorch GNN框架以及其他实现用于比较的模型。 该存储库的组织方式如下： models包含： pytorch包含在PyTorch中实现的各种GNN模型： 聚合器，缩放器和PNA层（ pna ）的实现 可以与任何类型的图卷积一起使用的灵活GNN框架（ gnn_framework.py ） 本文中用于比较的其他GNN模型的实现，即GCN，GAT，GIN和MPNN dgl包含通过实现的PNA模型：聚合器，缩放器和层。 pytorch_geometric包含通过实现的PNA模型：聚合器，缩放器和图层。

关于DeepFam DeepFam是一种基于深度学习的无比对蛋白质功能预测方法。 DeepFam首先通过卷积层从原始序列中提取保守区域的特征，然后根据这些特征进行预测。 特征 免比对：不需要多重或成对序列比对来训练族模型。 取而代之的是，通过卷积单元和1-max池训练家庭中局部保留的区域。 卷积单元的工作方式与PSSM类似。 利用可变大小的卷积单元（多尺度卷积单元）来训练通常长度各异的特定于家庭的保守区域。 安装 DeepFam是在库中实现的。 CPU和GPU机器均受支持。 有关安装Tensorflow的详细说明，请参阅的。 要求 的Python：2.7 Tensorflow：超过1.0 用法 首先，克隆存储库或下载压缩的源代码文件。 $ git clone https://github.com/bhi-kimlab/DeepFam.git $ cd DeepFam 您可以通过帮

Neural Network Methods in Natural Language Processing 英文epub 本资源转载自网络，如有侵权，请联系上传者或csdn删除 本资源转载自网络，如有侵权，请联系上传者或csdn删除

关于在英语语料库上进行词嵌入训练的研究很多。 该工具包通过在德语语料库上应用深度学习，以训练和评估德语模型。 有关项目，评估结果和的概述可在或直接在此存储库中找到。 该项目是根据发布的。 开始吧 确保已安装Python 3以及以下库： pip install gensim nltk matplotlib numpy scipy scikit-learn 现在，您可以下载并在您的Shell中执行它，以自动下载此工具包和相应的语料库文件并进行模型训练和评估。 请注意，这可能需要大量时间！ 您也可以克隆此存储库，并使用我已经进行评估和可视化。 如果您只想查看不同Python脚本的工作方式，

基于神经点的图形 1 1,2- 1,23 1,2- 1三星AI中心1斯科尔科沃科技学院3 in3d.io UPD（09.02.2021） ：添加了可以在无头节点上执行的Docker容器。 请参阅。 关于 这是基于神经点的图形（NPBG）的PyTorch实现，这是一种用于对真实场景进行实时照片级逼真的渲染的新方法。 NPBG使用原始点云作为场景的几何表示，并使用可学习的神经描述符对每个点进行扩充，该描述符对局部几何形状和外观进行编码。 通过与描述符并行学习深度渲染网络，从而可以通过将来自新视点的点云的栅格化传递到该网络来获取场景的新视图。 设置 以下说明描述了conda环境的安装。 如果要设置Docker环境，请参阅docker文件夹中的自述文件。 对于无头计算机（未启用X服务器），也建议采用这种方式。 运行以下命令以使用conda安装python环境： source scri

DeepAR：自回归递归网络的概率预测 描述 这是的实现。 这是什么实现不包含 尽管实现起来很微不足道，但是目前遗漏了两个重要的部分。 用于项目分类的联合嵌入学习 对高斯分布的支持，适用于预测实际价值时间序列。 如果您决定实施高斯分布，请注意重新分配分布参数。 请参阅本文。 结果 由于该论文没有提供定量结果，因此我们使用了Amazon Sagemaker上的carparts数据集进行了测试。 所有预处理和训练/有效拆分均完全按照本文中所述进行。 SageMaker的输出（单个时期） [07/01/2018 14:22:34 INFO 139862447138624] #test_score (algo-1, wQuantileLoss[0.5]): 1.12679 [07/01/2018 14:22:34 INFO 139862447138624] #test_score (algo

请注意，该项目仍处于测试阶段。 请报告您遇到的任何问题或建议。 我们将尽力Swift解决它们。 也欢迎捐款！ 神经先知 基于PyTorch的和启发的基于神经网络的时间序列模型。 文献资料 我们目前正在改进。 有关NeuralProphet的直观介绍，请查看的演讲。 讨论与帮助 讲解 有几个可以帮助您入门。 请参阅我们的以获取更多资源。 最小的例子 from neuralprophet import NeuralProphet 导入软件包后，可以在代码中使用NeuralProphet： m = NeuralProphet () metrics = m . fit ( df , freq

马里奥matlab代码域对抗神经网络（浅层实现） 此python代码已用于进行以下JMLR论文的第5.1节中介绍的实验。 Yaroslav Ganin，Evgeniya Ustinova，Hana Ajakan，Pascal Germain，Hugo Larochelle，FrançoisLaviolette，Mario Marchand和Victor Lempitsky。 神经网络领域专业训练。 机器学习研究杂志，2016。 内容 DANN.py包含学习算法。 fit()函数是本文算法1的非常简单的实现。 experiments_amazon.py包含在Amazon情感分析数据集上执行的示例（文件夹data包含数据集文件的副本）。 计算目标测试风险（请参见论文表1）和Proxy-A-Distance （请参见论文图3）。 experiments_moons.py包含用于生成本文图2的代码（关于相互缠绕的月亮玩具问题的实验）。 mSDA.py包含用于生成mSDA表示的函数（这些是Chen et al。（2012）Matlab代码的文字翻译）