数据为网络爬取，手机部分，可用于打电话行为识别，任务属性等任务。数据总量3W+（持续增加），包括部分私有数据，可训练baseline用，更多数据邮件yuanc000000@gmail.com

基于SCINet网络的时间序列建模和预测（Pytorch完整源码和数据） 基于SCINet网络的时间序列建模和预测（Pytorch完整源码和数据） 基于SCINet网络的时间序列建模和预测（Pytorch完整源码和数据） 基于SCINet网络的时间序列建模和预测（Pytorch完整源码和数据） SCINet 时间序列 Pytorch完整源码和数据

基于Seasonal-Trend的时间序列预测（PyTorch完整源码和数据） 基于Seasonal-Trend的时间序列预测（PyTorch完整源码和数据） 基于Seasonal-Trend的时间序列预测（PyTorch完整源码和数据） Seasonal-Trend 时间序列预测 PyTorch 完整源码和数据

基于Pytorch实现的EcapaTdnn声纹识别，训练中文数据集，这个模型使用的是spectrogram 源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-Pytorch/tree/develop

框架：pytorch/python 3.7 调度问题为：作业车间调度（JSP） 算法：Actor critic

该项目研究了图神经网络在电力系统分析中的应用。 它旨在比较图神经网络 (GNN) 与传统多层感知器 (MLP) 模型在相同模型复杂度下的性能。 代码是在 Jupyter Notebook IDE 中使用 pytorch 框架开发的。 神经网络（NN）的最新进展框架被称为图神经网络（GNN），在电力系统中，电网可以被表示为一个具有高维特征和总线之间相互依赖关系的图，为电力系统分析提供更好的机器学习状态，在GNN框架中整合电网拓扑结构用于电力流的应用。 在电网中，总线可以被看作是节点，而线可以被看作是边。节点的特征是电压、电压角、有功功率和无功功率，而线路的特征可以是线路电流和线路电阻。 Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包） Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包） Pytorch实现图神经网络 (GNN) 与传统多层感知器 (MLP)的电力系统分析 （完整源码和数据包）

AlexNet pytorch

动手学深度学习（pytorch）中的d2lzh_pytorch资源，望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望望采纳！

基于Pytorch实现的EcapaTdnn声纹识别，训练超大数据集，这个模型使用的是spectrogram 源码地址：https://github.com/yeyupiaoling/VoiceprintRecognition-Pytorch/tree/develop

pytorch-DQN DQN的Pytorch实现 DQN 最初的Q学习使用表格方法（有关更多详细信息和实现，请参见 ）来解决，但是，表格Q学习的问题在状态增长时出现因为table不足以存储环境中给定的数亿个状态。 例如，环境为210x180黑白像素的游戏。 将有$ 2 ^ {180 * 210} $个可能的状态，对于一个表来说，这太多了。 DeepMind通过深度神经网络以DQN形式将DQN形式的深度学习和Q学习相结合，以近似值，首先在游戏中击败人类。 简而言之，DQN用深度神经网络（CNN或DNN）替换了表格，并使用目标网络来执行Bellman方程更新。 为了实现它，使用了一些技巧，例如目标网络和体验重播。 引入目标网络以收敛模型，因为频繁更新会使模型处于不稳定状态。 体验重播使用缓冲区存储所有过去（状态，动作，next_state）对，并通过对过去的体验进行采样来训练模型，这有