带有元数据的文本的最小监督分类 该项目提供了一个对文本与元数据进行分类的弱监督框架。 安装 为了进行培训，强烈建议您使用GPU。 凯拉斯 该代码基于Keras库。 您可以找到安装说明。 相依性 该代码是用Python 3.6编写的。 依赖关系总结在文件requirements.txt 。 您可以像这样安装它们： pip3 install -r requirements.txt 快速开始 要在我们的论文中再现结果，您需要首先下载。 我们的论文中使用了五个数据集。 不幸的是，由于我们对数据提供者的承诺，因此无法发布GitHub-Sec数据集。 其他四个数据集可用。 解压缩下载的文件后，您可以分别看到对应于这四个数据集的四个文件夹。 数据集 文件夹名称 ＃文件 ＃班 类名（该类中的#Repository） bio/ 876 10 序列分析（210），基因组分析（176），基因表达（6

使用 CNN-MLP 的音频分类 使用深度学习（CNN、MLP）的多类音频分类 引文 如果你觉得这个项目有帮助，请引用如下： @software{vishal_sharma_2020_3988690, author = {Vishal Sharma}, title = {{vishalshar/Audio-Classification-using-CNN-MLP: first release}}, month = Aug, year = 2020, publisher = {Zenodo}, version = {v1.0.0}, doi = {10.5281/zenodo.3988690}, url = {

EfficientNet_classification。EfficientNet在pytorch框架下实现图像分类，拿走即用。该文件包含python语言编写的model文件、my_dataset文件、predict文件、train文件、配置文件等。能够实现训练自己的数据集进行图像分类，以及对训练后的网络进行测试。EfficientNet利用NAS(Neural Architecture Search)搜索技术，将输入分辨率，网络的深度、宽度三者同时考虑，搭建更nice的网络结构。EfficientNet-B0的网络框架，总体看，分成了9个Stage：Stage1 是一个卷积核大小为3x3，步距为2的普通卷积层（包含BN和激活函数Swish）；Stage2～Stage8 是在重复堆叠 MBConv 结构；Stage9 是一个普通的1x1的卷积层(包含BN和激活函数Swish) + 一个平均池化层 + 一个全连接层组成

脑电信号分类 使用机器学习进行睁眼和闭眼分类

储存库结构 controller.py-视网膜OCT图像分类的方法，包括建议的方法和微调方法。 oct_classification.py-建议方法的实现。 oct_fine_tuning.py-微调/全训练方法的实现。 split_dataset.py-将数据集分为训练集和测试集。 图形概要

视网膜光学相干断层扫描分类 Kaggle视网膜OCT图像的Pytorch实现 模型 结果 先决条件 火炬 入门 安装 从安装PyTorch和依赖项 从源头安装Torch视觉。 git clone https://github.com/pytorch/vision cd vision python setup.py install 视网膜OCT图像数据集 要训​​练模型，请修改train.py中的数据集路径 data_dir = ' dataset path ' 火车 训练模型： python train.py 测试 测试模型： python test.py

基于HuggingFace 哈工大hfl/chinese-bert-wwm-ext预训练模型微调的中文句子分类模型

社交情感分类旨在预测嵌入在由各种用户贡献的在线评论中的情感React的聚合。 这样的任务具有固有的挑战性，因为从自由文本中提取相关语义是一个经典的研究问题。 此外，在线评论通常以稀疏的特征空间为特征，这使得相应的情感分类任务非常困难。 另一方面，尽管由于深度神经网络具有将稀疏的低级特征转换为密集的高级特征的能力，因此已被证明对语音识别和图像分析任务有效，但它们在情感分类上的有效性仍需进一步研究。 本文报道的工作的主要贡献是开发了一种新型的语义丰富的混合神经网络（HNN）模型，该模型利用无监督的教学模型将语义域知识整合到神经网络中，以引导其推理能力和可解释性。 据我们所知，这是将语义纳入神经网络以增强社交情感分类和网络可解释性的第一个成功工作。 通过基于三个现实世界社交媒体数据集的实证研究，我们的实验结果证实，提出的混合神经网络优于其他最新的情感分类方法。

tensorflow的预训练bert模型转换成pb文件，提供给大家下载

matlab肌电信号处理代码EMG手腕姿势分类 EMG分类系统的M文件（计算机Matlab代码）集合，用于根据[1]中所述的来自Myo Armband的随机默认前臂EMG信号来识别九种腕手运动。 该系统使用八个时域特征的线性组合，然后进行线性判别分析（LDA）投影和多层感知器（MLP）分类。 使用Myo Armband中随附的8个主动传感器，对年龄在27±4岁的10位受试者（七名男性，三名女性）的EMG录音进行了开发和测试。 该系统在八个通道的EMG段上运行。 需要Matlab编程环境。 可以在上找到更新。 要引用此系统，请使用参考文献[1,2]。 概述： 一种基于随机获取的前臂EMG信号的九种腕手动作的低复杂度方法。 该方法是通过评估来自八个通道的256段EMG窗口中的八个时域特征而开发的。 来自八个通道的估计特征通过LDA分析进行合并和缩减，并使用数据驱动的MLP方法进行分类。 此处的代码实现了此运动分类系统，该系统已通过EMG记录进行了训练，并记录了来自10个健康受试者的100次训练中的9个运动数据。 快速开始： 使用system_parameters函数在Matlab中设置系统