A very good textbook for researchers working on the NN theory, yet if you just want to know what is NN, it perhaps is too much for you to digest!

PyTorch-NEAT NEAT（增强拓扑的神经进化）方法的PyTorch实现，最初是由Kenneth O. Stanley创建的，是进化神经网络的一种有原则的方法。 。 实验 PyTorch-NEAT当前包含三个内置实验：XOR，单极平衡和汽车爬山。 异或实验 使用以下命令运行： python xor_run.py将运行多达150代，初始种群为150个基因组。 当/如果找到解决方案，将显示解决方案网络以及有关试验的统计信息。 随意运行多个试用版-只需​​增加xor_run.py文件中外部for循环的范围即可。 单极平衡 使用以下命令运行： python pole_run.py将运行多达150代，初始种群为150个基因组。 在OpenAI体育馆环境中跑步。 当/如果找到解决方案，则将在OpenAI体育馆中显示解决方案网络以及评估结果。 汽车登山实验 使用以下命令运行： python m

演示代码（请参阅jupyter笔记本）： 使用深度卷积自动编码器对地震信号进行非监督（自我监督）区分 您可以从这里获取论文： 连结1： 连结2： 您可以从此处获取训练数据集： 参考： Mousavi, S. M., W. Zhu, W. Ellsworth, G. Beroza (2019). Unsupervised Clustering of Seismic Signals Using Deep Convolutional Autoencoders, IEEE Geoscience and Remote Sensing Letters, 1 - 5, doi:10.1109/LGRS.2019.2909218.

概述 基于高异质/均匀时间序列多传感器数据的实时异常检测的无监督特征选择和/或无监督深度卷积神经网络和lstm自动编码器的原型。 内置时间序列预测器的可解释AI原型。 无监督特征选择的直观表示如下所示。 无监督实时点异常检测的直观表示如下所示。 从当地的解释，全球理解与解释的AI树木-从这里动机- ，图片来源-https: MSDA 1.0.8 什么是MDSA？ MSDA是Python中的开源low-code多传感器数据分析库，旨在在时序多传感器数据分析和实验中将假设减少到洞察周期。 它使用户能够快速，高效地执行端到端的概念验证实验。 该模块通过捕获变化和趋势来建立多维时间序列中的事件，以建立旨在识别相关特征的关系，从而有助于从原始传感器信号中选择特征。 此外，为精确检测实时流数据中的异常，还设计了无监督的深度卷积神经网络以及基于lstm自动编码器的检测器，以在GPU / C

GRU神经网络MATLAB代码神经解码： 包含许多用于解码神经活动的方法的python软件包 该软件包包含经典解码方法和现代机器学习方法的混合。 对于回归，我们目前包括：维纳滤波器，维纳级联，卡尔曼滤波器，朴素贝叶斯，支持向量回归，XGBoost，密集神经网络，递归神经网络，GRU，LSTM。 对于分类，我们目前包括：Logistic回归，支持向量分类，XGBoost，密集神经网络，递归神经网络，GRU，LSTM。 该软件包最初是为回归而设计的，只是添加了分类功能-因此，自述文件，示例和预处理功能仍可满足回归的需要。 我们正在为分类添加更多内容。 我们的手稿和数据集 该程序包随附一个，用于比较这些方法在多个数据集上的性能。 如果您使用我们的代码或数据进行研究，请引用该手稿，我们将不胜感激。 用于纸张的代码位于“ Paper_code”文件夹中。 在本自述文件的底部进一步进行了描述。 可以下载论文中使用的所有3个数据集（运动皮层，体感皮层和海马体）。 它们具有matlab和python格式，可以在下面描述的示例文件中使用。 安装 可以在命令行中通过pip安装此软件包，方法是键入 pip

持续学习 这是以下论文中描述的持续学习实验的PyTorch实现： 三种持续学习的方案（） 具有反馈连接的生成性重放是持续学习的通用策略（） 要求 当前版本的代码已经过测试： pytorch 1.1.0 torchvision 0.2.2 运行实验 可以使用main.py运行单个实验。 主要选项有： --experiment ：哪个任务协议？ （ splitMNIST | permMNIST ） --scenario ：根据哪种情况？ （ task | domain | class ） --tasks ：多少个任务？ 要运行特定方法，请使用以下命令： 上下文相关门（XdG）：

교과서3판 2019년5月출간，출판사 Se Se Se（Sebastian Raschka）미자리리리（Vahid Mirjalili）셀러베트스베셀러“ ” 。 주세요이나오류가있다블면이그블로그블로 알려주세요주세요주세요주세요 주세요주세요주세요 교과서1저장소는다음과다（1판이판에다2）。 노트북 도움말은 에장의장의 을을 하세요。 open_dir 폴더로이동합니다。 또는 ipynb 바로바있습니다있습니다。 nbviewer 뷰어로뷰어링크입니다。 colab （Colab）링크입니다。 [이터에서배운다[] [ ] [ ] [ ] open

循环神经网络(Recurrent Neural Networks，RNNs)已经在众多自然语言处理(Natural Language Processing, NLP)中取得了巨大成功以及广泛应用。但是，目前网上与RNNs有关的学习资料很少，因此该系列便是介绍RNNs的原理以及如何实现。

在本文中，我简要介绍了ONNX运行时和ONNX格式。

吴恩达在coursera上深度学习第一课Neural Network and Deep Learning的课后编程答案，作业是用python写的，大家一起深度学习吧