ESRGAN：增强的超分辨率生成对抗网络 用于图像超分辨率的Pipeine任务基于经常引用的论文（Wang Xintao等人），于2018年发布。 简而言之，图像超分辨率（SR）技术可从观察到的较低分辨率（LR）图像重建高分辨率（HR）图像或序列，例如将720p图像放大为1080p。 解决此任务的常用方法之一是使用能够从LR图像中恢复HR图像的深度卷积神经网络。 而ESRGAN（增强型SRGAN）就是其中之一。 ESRGAN的要点： 基于SRResNet的架构，带有残存残存块； 上下文，感性和对抗性损失的混合体。 使用上下文损失和感知损失来进行适当的图像放大，而对抗损失则使用鉴别器网络将神经网络推向自然图像流形，该鉴别器网络经过训练以区分超分辨图像和原始照片级逼真的图像。 技术领域 作为深度学习任务的管道运行者的Catalyst 。 这个新的，发展Swift的。 可以大大减少样板代

ERFNET-PyTorch 一个PyTorch实施 ，对于语义分割帕斯卡VOC。 目录： 项目结构： ├── agents | └── erfnet.py # the main training agent ├── graphs | └── models | | └── erfnet.py # model definition for semantic segmentation | | └── erfnet_imagenet.py # model definition for imagenet | └── losses | | └── loss.py # contains the cross entropy ├── datasets # contains all dataloaders for the project | └── voc2012.py #

MiniSom 自组织图 MiniSom是自组织图（SOM）的一种基于Numpy的简约实现。 SOM是一种人工神经网络，能够将高维数据项之间的复杂，非线性统计关系转换为低维显示器上的简单几何关系。 Minisom旨在使研究人员可以轻松地在其之上进行构建，并使学生能够快速掌握其细节。 有关MiniSom的更新发布在。 安装 只需使用pip： pip install minisom 或将MiniSom下载到您选择的目录并使用安装脚本： git clone https://github.com/JustGlowing/minisom.git python setup.py install 如何使用它 为了使用MiniSom，您需要将数据组织成一个Numpy矩阵，其中每一行都对应一个观测值，或者组织成如下列表的列表： data = [[ 0.80 , 0.55 , 0.22 , 0.03 ], [ 0.82 , 0.50 , 0.23 , 0.03 ], [ 0.80 , 0.54 , 0.22 , 0.03 ], [

带火炬的递归神经网络 有几种模型，例如RNN，LSTM，GRU和双向LSTM / GRU。 我的一个项目与使用LSTM，GRU等从每日天气温度预测数据获得的时间序列数据有关。 数据集下载链接 减少上传文件的容量。 这是所需数据集的下载链接：

Neural Bellman-Ford Networks: A General Graph Neural Network Framework for Link Prediction 【NeurIPS 2021】神经Bellman-Ford网络:用于链路预测的一般图神经网络框架 链接预测是图的一项非常基础的任务。在传统路径学习方法的启发下，本文提出了一种通用的、灵活的基于路径的链接预测表示学习框架。具体来说，我们将节点对的表示定义为所有路径表示的广义和，每个路径表示都是路径中各边表示的广义乘积。受求解最短路径问题的Bellman-Ford算法的启发，我们证明了所提出的路径公式可以被广义Bellman-Ford算法有效地求解。为了进一步提高路径表示的能力，我们提出了神经BellmanFord网络(NBFNet)，这是一个通用的图神经网络框架，用于解决广义Bellman-Ford算法中使用学习算子的路径表示。NBFNet将广义Bellman-Ford算法参数化，采用3个神经单元，分别对应边界条件、乘法算子和求和算子。NBFNet是非常通用的，涵盖了许多传统的基于路径的方法，并且可以应用于同构图和多关系图(例如，知识图)在转换和归纳设置。在同构图和知识图谱上的实验表明，所提出的NBFNet在转导和归纳设置方面都大大优于现有方法，取得了最新的研究结果。

文本分割作为监督学习任务 该存储库包含代码和补充材料，这些信息和补充材料是训练和评估模型所必需的，如论文“将 Downalod所需资源 wiki-727K，wiki-50数据集： word2vec： 在configgenerator.py中填充相关路径，并执行脚本（git存储库包括Choi数据集） 创建环境： conda create -n textseg python=2.7 numpy scipy gensim ipython source activate textseg pip install http://download.pytorch.org/whl/cu80/torch

神经格兰杰因果关系 Neural-GC存储库包含用于在多元时间序列中发现Granger因果网络的基于深度学习的方法的代码。 介绍了此处实现的方法。 安装 要安装代码，请克隆存储库。 您只需要Python 3 ， PyTorch (>= 0.4.0) ， numpy和scipy 。 用法 在笔记本cmlp_lagged_var_demo.ipynb ， clstm_lorenz_demo.ipynb和crnn_lorenz_demo.ipynb查看有关如何应用我们的方法的crnn_lorenz_demo.ipynb 。 这个怎么运作 在此存储库中实现的模型称为cMLP，cLSTM和cRNN，是通过分别预测每个时间序列对多元时间序列进行建模的神经网络。 在训练期间，对输入层权重矩阵的稀疏惩罚会将参数组设置为零，这可以解释为发现格兰杰非因果关系。 可以使用三种不同的惩罚训练cMLP模型：组套索

neural-networks-and-deep-learning.pdf

基于NNAEC-神经网络的声学回声消除：基于NNAEC-神经网络的声学回声消除

描述 根据论文，我有Keras的开放源代码XinLi,LidongBing,WaiLam and BeiShi. A Dual-Stage Attention-Based Recurrent Neural Network for Time Series Prediction layer_definition 这部分包括编写自己的图层。 双重注意 这部分包括数据的预处理，模型的构建和模型的训练。 数据 从（ ）下载