SleepEEGNet：具有序列到序列深度学习方法的自动睡眠阶段评分 在这项研究中，我们介绍了一种新颖的深度学习方法，称为SleepEEGNet，用于使用单通道EEG进行自动睡眠阶段评分。 纸 我们的论文可以从下载。 模型架构 CNN架构 人才招聘 Python 2.7 张量流/张量流-gpu 麻木 科学的 matplotlib scikit学习 matplotlib 学习失衡（0.4.3） 大熊猫 ne 数据集和数据准备 我们使用2013年和2018年发布评估了我们的模型。 我们使用了提供的源代码来准备数据集。 要从Sleep_EDF（2013）数据集下载SC主题，请使用以下脚本： cd data_2013 chmod +x download_physionet.sh ./download_physionet.sh 要从Sleep_EDF（2018）数据集下载SC主题，

基于 An Introduction to deep learning for physical layer 论文进行的one hot vector的autoencoder的matlab仿真实现。 文件包含： m文件 autoencoder_one_hot 主程序包含网络的定义，训练及测试 NormalizationLayer 归一化层 gaussianNoiseLayer 噪声层 BLER_test 测试网络的BLER constellation_test 测试网络生成信号的星座图 mat文件 autoencoder_2_2 保存的（n,k）为（2，2）的仿真结果 autoencoder_7_4保存的（n,k）为（7，4）的仿真结果

d4rl-小球 使用Pybullet环境进行数据驱动的深度强化学习的数据集。 这项工作旨在通过开源项目符号模拟器为数据驱动的深度强化学习提供数据集，从而鼓励更多的人加入该社区。 该存储库建立在。 但是，当前，如果不检查MuJoCo激活密钥就无法导入d4rl，这会使程序失败。 因此， d4rl_pybullet.offline_env是直接从复制的。 安装 $ pip install git+https://github.com/takuseno/d4rl-pybullet 用法 该API与原始d4rl基本相同。 import gym import d4rl_pybullet # dataset will be automatically downloaded into ~/.d4rl/datasets env = gym . make ( 'hopper-bullet-mixed-v0

深度学习中的不确定性量化 此回购包含文献调查和基线的实现，以用于深度学习中的预测不确定性估计。 文献调查 不确定性估算的基本背景 埃夫隆（B. Efron）和蒂布希拉尼（R. Tibshirani）。 “用于标准误差，置信区间和其他统计准确性度量的引导方法。” 统计科学，1986年。 R. Barber，EJ Candes，A。Ramdas和RJ Tibshirani。 “用折刀+进行预测性推论。” arXiv，2019年。 B.埃夫隆。 “ Jackknife-bootstrap之后的标准错误和影响功能。” 皇家统计学会杂志：B系列（方法论），1992年。 J.罗宾斯和A. Van Der Vaart。 “自适应非参数置信集。” 统计年鉴，2006年。 V. Vovk等人，“跨等角预测分布”。 JMLR，2018年。 M. H Quenouille。，“时间序列相关

文本分类模型 在Pytorch中实现最新的文本分类模型 实施模型 fastText：fastText模型， TextCNN：提出的用于文本分类的CNN TextRNN：用于文本分类的双向LSTM网络 RCNN：在提出的的RCNN模型的实现 CharCNN： 提出的字符级CNN的实现 带有注意力的Seq2seq ：，从注意实现seq2seq模型 变压器：提出的变压器模型的实现 要求 Python-3.5.0 熊猫0.23.4 Numpy-1.15.2 Spacy-2.0.13 Pytorch-0.4.1.post2 火炬文字-0.3.1 用法 将数据下载到“ data /”目录中或使

此文当仅用于自己学习，不可用于商业运作，否则后果自负；

必须阅读的有关机器阅读理解的论文。 由林彦凯，叶德明和季好哲贡献。 模型架构内存网络。 杰森·韦斯顿（Jason Weston），苏米特·乔普拉（Sumit Chopra）和安东尼·博德斯（Antoine Bordes）。 arXiv预印本arXiv：1410.3关于机器阅读理解的必读论文。 由林彦凯，叶德明和季好哲贡献。 模型架构内存网络。 杰森·韦斯顿（Jason Weston），苏米特·乔普拉（Sumit Chopra）和安托万·鲍德（Antoine Bordes）。 arXiv预印本arXiv：1410.3916（2014）。 纸阅读和理解教学机器。 Karl Moritz Hermann，TomášKočiský，Edward Grefenstette，Lasse Espeholt，Will Kay，Mustafa Suleyman和Phil Blunsom。 NIPS2015。论文《注意和读者网络的文本理解》。 鲁道夫·卡德莱克（Rudolf Kadlec），马丁·施密德（Martin Schmid）

用于定量金融自动股票交易的深度强化学习库FinRL：用于定量金融自动股票交易的深度强化学习库该存储库引用了我们的论文代码，该代码出现在Deep RL Workshop，NeurIPS 2020中。 DRL）已被认为是量化金融的一种有效方法，动手实践经验对初学者很有吸引力。 但是，要训练一个实际的DRL交易代理，该代理决定在哪里进行交易，以什么价格和什么数量进行交易就容易出错。

使用TensorFlow-2.0进行深度学习 使用Tensorflow 2.0从零开始实现自己的深度学习模型 这是由发布的的代码存储库。 它包含从头到尾完成视频课程所需的所有支持项目文件。 关于视频课程 您是否渴望深入研究神经网络的细节，并愿意尝试使用它？ 您是否想学习深度学习技术，以使用最新的Tensorflow 2.0构建项目。 您可以使用Keras，但这是一个高级实现，它本身在后端使用Tensorflow，并且在TensorflowKeras之前，您无法在模型中进行最高级别的更改。 一位优秀的数据科学家必须具备幕后运作方式的技能。 本课程将通过提供Tensorflow 2.0的实践知识，帮助您成为一名优秀的数据科学家。 您将实现真正的深度学习算法，并将在所有实现中使用。 使用实现，您将学习神经网络的核心细节，例如正向传播，即如何初始化权重和反向传播，即如何使用梯度下降算法更新权重，成

CVPR2021-代码 论文开源项目（带代码的文件）合集！CVPR 2021论文收录列表： : 注1：等2021年2月28日开奖后，欢迎各位大佬提交issue，分享CVPR 2021本文和开源项目！ 注2：CVPR 2021已交稿成立！已投稿且想要进来的群同学，可以添加微信： CVer9999 ，请备注： CVPR2021已投稿+姓名+学校/公司名称！一定要根据格式申请！ 【推荐阅读】 论文开源项目合集： : ECCV 2020论文开源项目合集： : 关于往年CV顶会论文（如ECCV 2020，CVPR 2019，ICCV 2019）以及其他优质CV论文和大盘点，详见： : 【CVPR 2021论文开源目录】 [人脸活体检测（面部防欺骗）]（＃面部防欺骗） 骨干 RepVGG：使VGG样式的ConvNets再次出色 论文： : 代码： ： 甘 通过分层样式分