TF-VAE-GAN-DRAW ，和TensorFlow实现。 跑 VAE / GAN： python main.py --working_directory /tmp/gan --model vae 画： python main-draw.py --working_directory /tmp/gan 深度卷积生成对抗网络在使用默认参数的10个星期后产生了不错的结果。 ＃＃＃去做： 更复杂的数据。 添加 用空间变压器层替换当前的注意力机制

论文阅读ICCV_2019_paper How Do Neural Networks See Depth in Single Images相关ppt

介绍 一维（1D）信号/时间序列数据上的多个SOTA骨干深度神经网络（例如ResNet [1]，ResNeXt [2]，RegNet [3]）的PyTorch实现。 如果您在工作中使用此代码，请引用我们的论文 @inproceedings{hong2020holmes, title={HOLMES: Health OnLine Model Ensemble Serving for Deep Learning Models in Intensive Care Units}, author={Hong, Shenda and Xu, Yanbo and Khare, Alind and Priambada, Satria and Maher, Kevin and Aljiffry, Alaa and Sun, Jimeng and Tumanov, Alexey}, bookt

It is broadly accepted that understanding the genetic, molecular, and cellular mechanisms of neural develop- ment is essential for understanding evolution and disor- ders of neural systems. Recent advances in genetic, molecular, and cell biological methods have generated a massive increase in new information. By contrast, there is a paucity of comprehensive and up-to-date syntheses, references, and historical perspectives on this important subject. Therefore, we embarked on the formidable task of assembling a novel resource entitled ‘Comprehensive Developmental Neuroscience.’ We hope that the books in this series will serve as valuable references for basic and translational neuroscientists, clinicians, and students.

在Tensorflow上使用神经网络（SSD）进行实时手检测。 此仓库记录了用于使用Tensorflow（Object Detection API）训练手持探测器的步骤和脚本。 与任何基于DNN的任务一样，过程中最昂贵（也是最危险）的部分与查找或创建正确的（带注释）数据集有关。 我主要对检测桌子上的手感兴趣（以自我为中心的观点）。 我首先用了实验（结果不好）。 然后，我尝试了，该非常适合我的要求。 此回购/发布的目的是演示如何将神经网络应用于跟踪手（以自我为中心的视图和其他视图）的（困难）问题。 更好的是，提供可以适应其他用例的代码。 如果您在研究或项目中使用本教程或模型，请引用 。

PredRNN：时空预测学习的递归神经网络 时空序列的预测性学习旨在通过从历史情境中学习来生成未来的图像，其中视觉动态被认为具有可通过成分子系统学习的模块化结构。 NeurIPS 2017的第一个版本 此存储库首先包含PredRNN （2017）的PyTorch实现[ ]，这是一个循环网络，具有一对以几乎独立的过渡方式运行的存储单元，最后形成了复杂环境的统一表示。 具体而言，除了LSTM的原始存储单元外，该网络还具有锯齿形存储流，该存储流以自下而上和自上而下的方式在所有层中传播，从而使学习到的RNN级别的视觉动态能够进行通信。 PredRNN-V2（2021）的新功能 此回购还包括PredRNN-V2 （2021）的实现[]，它在以下两个方面改进了PredRNN。 1.内存解耦 我们发现PredRNN中的一对存储单元包含不良的冗余功能，因此会出现存储解耦损失，从而鼓励他们学习视觉动力学的

快速核磁共振 | | 通过获取更少的测量值来加快磁共振成像（MRI）的潜力，可以降低医疗成本，将对患者的压力降到最低，并使MR成像在目前速度缓慢或昂贵的应用中成为可能。 是Facebook AI Research（FAIR）和NYU Langone Health的一项合作研究项目，旨在研究使用AI来加快MRI扫描的速度。 纽约大学朗格健康中心已经发布了完全匿名的膝盖和大脑MRI数据集，可以从下载。 可以找到与fastMRI项目相关的出版物。 该存储库包含方便的PyTorch数据加载器，子采样功能，评估指标以及简单基准方法的参考实现。 它还包含fastMRI项目的某些出版物中方法的实现

通过深度学习进行语音分离和提取 此仓库总结了用于语音分离和说话人提取任务的教程，数据集，论文，代码和工具。诚挚地邀请您提出要求。 目录 讲解 [语音分离，李鸿-，2020年] [端到端神经源分离的进展，伊洛，2020] [音频源分离和语音增强，伊曼纽尔·文森特，2018年] [音频源分离，牧野昌司，2018年] [概述论文] 【概述幻灯片] [手册] 数据集 [数据集介绍] [WSJ0] [WSJ0-2mix] [WSJ0-2mix-extr] [WHAM＆WHAMR] [LibriMix] [LibriCSS] [SparseLibriMix] [VCTK-2Mix] [CHIME5和CHIME6挑战赛] [音频 [Microsoft DNS挑战] [AVSpeech] [LRW]

包含深度学习课程第一课第二周作业所需数据集、模块和相关代码。相关课程的作业的文档说明请搜索相关博客即可。 课程使用notebook做的，需要先安装juyter notebook。 在编程一开始需要导入python第三方库，包括numpy h5py matplotlib PIL scipy 统一使用pip下载安装，安装方法在命令窗口pip install 库名称 。 资源文件： assignment2.ipynb 是notebook文件可在网页book中打开，做好的作业和代码及运行结果都在里面； images 文件夹中是一些共测试的图片 datasets 文件夹中是本周课程用到的数据集，包括训练集和测试集； assignment2 文件夹是其他人做的作业； lr_utils.py 是课程提供的导入数据的模块，具体代码开始部分使用。

Complex_Convolutional_Neural_Network_Architecture 该存储库进一步体现了我对一些著名的复杂卷积神经网络架构的实现。 这些模型是使用Tensorflow的Keras功能API从零开始开发的，这是一种创建比tf.keras.Sequential API更灵活的模型的方法。 功能性API可以处理具有非线性拓扑的模型，具有共享层的模型以及具有多个输入或输出的模型。 这种架构使神经网络可以学习深度模式（使用深度路径）和简单规则（通过短路径）。 开发型号清单 从分支悬空模型到深度卷积和点卷积的模型已经进行了实验。 我还实现了U-net，这是专门用于生物医学图像分割的独特体系结构。 最后，我制作了一个自定义的复杂模型，并在上进行了训练。 AlexNet-AlexNet是卷积神经网络的名称，它对机器学习领域产生了重大影响，特别是在将深度学习应用于机器视觉