构建智能反恶意软件系统：使用支持向量机进行恶意软件分类的深度学习方法 全文可在阅读。 抽象的 有效和高效地缓解恶意软件是信息安全社区的一项长期努力。 开发可以抵制以前未知的恶意软件的反恶意软件系统是一项可能使多个行业受益的多产活动。 我们设想了一个利用深度学习 (DL) 模型强大功能的智能反恶意软件系统。 使用此类模型可以通过数学概括来检测新发布的恶意软件。 也就是说，找到给定恶意软件x与其对应的恶意软件家族y 、 f : x → y 之间的关系。 为了实现这一壮举，我们使用了 Malimg 数据集 [ ]，其中包含从恶意软件二进制文件中处理的恶意软件图像，然后我们训练以下 DL 模型 1 来对每个恶意软件系列进行分类：CNN-SVM[ ]、GRU-SVM [ ]和MLP-SVM。 经验证据表明，GRU-SVM在DL模型中脱颖而出，其预测准确度约为84.92％。 这是有道理的，因为

Ian Goodfellow那本大名鼎鼎的deep learning中文版 来着github上的好翻译

设置matlab代码深风暴 该代码随附本文： 更新（06/2020） ：如果您没有配备GPU的工作站和/或想要跳过此代码所需的软件的安装，则可以使用Deep-STORM的实现。 笔记本电脑是该功能的一部分，具有易于说明的易于使用的图形用户界面。 除了方便用户外，强烈建议使用笔记本电脑，因为它具有输出本地化列表等其他优点。 内容 概述 Deep-STORM是单分子定位显微镜代码，用于训练自定义的全卷积神经网络估计器并从密集闪烁的电影中恢复超分辨率图像： 系统要求 该软件已在具有Ubuntu 16.04版的Linux系统和具有Windows 10 Home的Windows系统上进行了测试。 培训和评估在配备32 GB内存，Intel Core i7-8700、3.20 GHz CPU和配备12 GB视频内存的NVidia GeForce Titan Xp GPU的标准工作站上进行。 先决条件 安装了ThunderSTORM插件> = 1.3的ImageJ> = 1.51u。 Matlab> = R2017b，带有图像处理工具箱。 安装Tensorflow> = 1.4.0和Keras>\n=

deepface Deepface是一个轻量级的面部分析框架，包括适用于Python的面部识别和人口统计（年龄，性别，情感和种族）。 您可以使用几行代码来应用面部分析。 它计划桥接一个Deepface Deepface是一个轻量级的面部分析框架，包括适用于Python的面部识别和人口统计（年龄，性别，情感和种族）。 您可以使用几行代码来应用面部分析。 它计划弥合软件工程与机器学习研究之间的鸿沟。 安装安装deepface的最简单方法是从PyPI下载。 pip install deepface人脸识别功能在DeepFace界面下用于人脸识别。 来自Deepfa

用于动作识别的3D ResNet 更新（2020/4/13） 我们在arXiv上发表了一篇论文。 我们上载了本文所述的预训练模型，包括在结合了Kinetics-700和Moments in Time的数据集中预训练的ResNet-50。 更新（2020/4/10） 我们极大地更新了脚本。 如果要使用旧版本来复制我们的CVPR2018论文，则应使用CVPR2018分支中的脚本。 此更新包括： 重构整个项目 支持更新的PyTorch版本 支持分布式培训 支持对“时刻”数据集的培训和测试。 添加R（2 + 1）D模型 上载经过Kinetics-700，时刻矩和STAIR-Actions数

TensorFlow中的深度强化学习 TensorFlow实施深度强化学习论文。 该实现包含： [1] [2][3][4][5]（进行中） [6]（正在进行中） [7]（进行中） [8]（正在进行中） 要求 Python 2.7 或 用法 首先，使用以下命令安装必备组件： $ pip install -U 'gym[all]' tqdm scipy 不要忘了还要安装最新的 。 还请注意，您需要安装所需的依赖项gym[all] 在没有gpu的情况下使用所述的DQN模型进行训练： $ python main.py --network_header_type=nips --env_na

deep learning with pytorch源代码注意只有源代码！！！

使用卷积神经网络（U-net）进行视网膜血管分割该存储库包含用于对视网膜眼底图像中的血管进行分割的卷积神经网络的实现。 这是使用卷积神经网络（U-net）进行的二进制cl视网膜血管分割。该存储库包含用于对视网膜眼底图像中的血管进行分割的卷积神经网络的实现。 这是一个二进制分类任务：神经网络预测眼底图像中的每个像素是否为血管。 神经网络结构是从本文描述的U-Net架构派生而来的。 在DRIVE数据库上测试了该神经网络的性能

在此存储库中，我们从论文《图像值得16x16单词：用于大规模图像识别的变压器》中发布模型，这些模型已在ImageNet-21k（imagenet21k）数据集上进行了预训练。 我们提供用于在Jax / Flax中微调已发布模型的代码。 Alexey Dosovitskiy *，Lucas Beyer *，Alexander Kolesnikov *，Dirk Weissenborn *，翟小华*，Thomas Unterthiner，Mostafa Dehghani，Matthias Minderer，Georg Heigold，Sylvain Gelly，Jakob Uszkoreit和Neil Houlsby *†的视觉变压器。 （*）等于技术贡献，（†）等于建议。 由Andreas Steiner准备的开源发行版。 注意：此存储库是从google-research / big_transfer派生和修改的。 简介在此存储库中，我们发布了论文An Image i中的模型。

深度神经网络计算库（clDNN） 停产的仓库 现在，该项目是Intel:registered:OpenVino:trade_mark:Toolkit分发的组成部分。 它的内容和开发已移至 。 要获取最新的clDNN来源，请参考DLDT回购。 深度神经网络计算库（ clDNN ）是用于深度学习（DL）应用程序的开源性能库，旨在加速英特尔:registered:处理器图形（包括HD图形和Iris:registered:图形）上的DL推理。 clDNN包括高度优化的构建块，用于使用C和C ++接口实现卷积神经网络（CNN）。 我们创建了这个项目，以使DL社区能够在Intel:registered:处理器上进行创新。 支持的用法：图像识别，图像检测和图像分割。 经验证的拓扑： AlexNet *，VG