流感预报员 基于实验性深度学习和基因型网络的系统，用于预测新的流感蛋白序列。 基本原理 在我任职期间，Flu Forecaster最初是作为Insight Health Data Fellow全面开发的。 预计的业务用例是预测未来的流感株，这将有助于为疫苗的先发制人提供信息。 我们不再需要选择当前正在传播的菌株。 取而代之的是，我们可以预测未来6个月内会出现什么样的菌株，先发制人（使用合成生物学方法）将其合成，并Swift扩大用于流感疫苗的菌株的生产规模。 入门 查看流感预报器 Flu Forecaster托管在，但也可以本地托管。 显示组件和从此GitHub存储库下载数据都需要Interne

python 深度学习 PDF版 高清有目录。

SiamFC-TensorFlow TensorFlow端口的跟踪方法在论文《描述。 特别是，它是在作为基线呈现的改进版本，可在高帧速率下实现最新性能。 本文中介绍的其他方法（性能相似，网络较浅）尚未移植。 注意1 ：结果应该与我们的MatConvNet实现类似（即稍好或差）。 但是，要进行直接比较，请参阅项目页面中提供的预先计算的结果或原始代码，您可以在找到这些原始代码。 注意2 ：目前，此代码仅允许在正向模式下使用预训练的网络。 使用virtualenv进行设置 如果尚未pip install virtualenv 使用Python 2.7创建新的virtualenv virtu

RL图 用于深度强化学习的模块化计算图。 RLgraph是一个在研究和实践中快速原型化，定义和执行强化学习算法的框架。 RLgraph与大多数其他库不同，因为它可以支持TensorFlow（或通常的静态图），也可以通过单个组件接口支持急切/按运行定义执行（PyTorch）。 您还可以在此处找到介绍性博文： 。 RLgraph公开了使用代理的良好定义的API，并提供了用于测试和组装机器学习模型的新颖组件概念。 通过分离图定义，编译和执行，无需修改代理定义即可访问多个分布式后端和设备执行策略。 这意味着它特别适合从应用用例原型到大规模分布式培训的平稳过渡。 版本0.4.0中RLgraph的

Neural Network and Deep Learning-中文版

1.2 深度学习(Deep Learning)介绍

文件测试用deep leak

matlab界面选择代码深层神经网络转移学习EEG-MEG- 该代码具有两个基于SGD和adam的CNN模型（模型1和2）。 还包括维格纳维尔（Wigner-ville）分发代码 功能：RAW EEG，短时傅立叶变换，Wigner-ville分布 深度学习参数适应：贝叶斯优化 平台：Matlab，Python 该代码用于复制题为“单一模型深度学习方法可以增强基于EEG的脑机接口的分类精度吗？”的论文。 如果您使用的是部分代码，请引用这些论文： 罗伊·苏吉特（Roy，Sujit）等。 “通道选择改善了基于MEG的脑机接口。” 2019年第9届国际IEEE / EMBS神经工程会议（NER）。 IEEE，2019年。 Roy，S.，McCreadie，K.和Prasad，G.，2019年10月。 单一模型深度学习方法能否提高基于EEG的脑机接口的分类精度？ 在2019年IEEE系统，人与控制论国际会议（SMC）（pp.1317-1321）中。 IEEE。 正在开发中

vq-vae-2-pytorch在PyTorch中使用VQ-VAE-2生成各种高保真图像的实现必需的Python> = 3.6 PyTorch> = 1.1 lmdb（用于存储提取的代码）VQ-VAE pretra vq-vae-2的检查点-pytorch在PyTorch更新2020-06-01中使用VQ-VAE-2生成各种高保真图像的实现现在支持分布式训练。train_vqvae.py和vqvae.py现在支持分布式训练。 您可以对train_vqvae.py使用--n_gpu [NUM_GPUS]个参数在训练期间使用[NUM_GPUS]。 必需的Python> = 3.6 PyTorch> = 1.1 lmdb（用于存储提取的代码）在FFHQ上预先训练的VQ-VAE的检查点用法当前支持256px（顶部/底部优先级）Stage 1（VQ-VAE）python train_v

TFCudnnLSTM TensorFlow的高效CudnnLSTM模块的简单模板 依存关系 TensorFlow v1.8 + CUDA v9.0 + cuDNN v7.0 + scikit学习 tqdm 计算性能 TensorFlow的性能指南包括 ，其中指出： 在NVIDIA GPU上，始终应首选使用tf.contrib.cudnn_rnn除非您需要不支持的图层归一化。 根据，与TensorFlow的其他LSTM实现相比， CudnnLSTM实现了显着的加速（比LSTMBlockFused快约2倍，比BasicLSTM快约5倍）。 语言建模实验 我们还采用并尝试运行在那里实现的三个LSTM版本： BasicLSTMCell ， LSTMBlockCell和CudnnLSTM 。 我们发现由于API的更改， CudnnLSTM示例无法在TF v1.8中运行，但是在解决了一些