近年来，深度学习彻底改变了许多机器学习任务，从图像分类和视频处理到语音识别和自然语言理解。这些任务中的数据通常在欧几里得空间中表示。 然而，越来越多的应用程序从非欧几里得域中生成数据，并表示为对象之间具有复杂关系和相互依赖性的图形。图数据的复杂性给现有的机器学习算法带来了重大挑战。最近，出现了许多关于扩展图数据深度学习方法的研究。在本次调查中，我们全面概述了数据挖掘和机器学习领域的图神经网络 (GNN)。我们提出了一种新的分类法，将最先进的图神经网络分为四类，即循环图神经网络、卷积图神经网络、图自动编码器和时空图神经网络。我们进一步讨论了图神经网络在各个领域的应用，并总结了图神经网络的开源代码、基准数据集和模型评估。最后，我们提出了这个快速发展领域的潜在研究方向。

图神经网络 (GNN) 已成为分析和学习图数据的标准工具包。随着该领域的发展，识别关键架构并验证可推广到更大、更复杂的数据集的新想法变得至关重要。不幸的是，在缺乏具有一致实验设置的标准化基准的情况下，越来越难以衡量新模型的有效性。在本文中，我们介绍了一个可重复的 GNN 基准测试框架，使研究人员能够方便地为任意数据集添加新模型。我们通过对最近的 Weisfeiler-Lehman GNN (WL-GNN) 与基于消息传递的图卷积网络 (GCN) 进行各种图任务（即图回归/分类和节点/链路预测，具有中等规模的数据集。

Qt的BPNN人脸识别：Q Qt开发的基于BPNN（反向传播神经网络）的人脸识别系统

随机方差减少算法：深度学习的 SVRG 和 SAGA 优化算法的实现。 随机梯度 (SGD) 是通过神经网络进行反向传播最常用的优化算法，因为它的成本比梯度下降要小。 但是，它的收敛速度非常慢，并且需要降低学习率才能收敛。 2013 年和 2014 年，出现了两种新的“混合算法”。 随机方差减少梯度 (SVRG) 和随机平均梯度增强 (SAGA) 是混合体，因为它们使用梯度的无偏估计，但它们的方差正在消失。 这两种算法具有指数收敛速度。 虽然它们的行为以机器学习目的而闻名，但它们并不用于深度学习主题。 例如，您现在可以在 scikit 学习库 ( ) 中使用 SAGA 对于这个项目，我想对这些算法进行编码以用于深度学习。 我已经使用 PyTorch 框架对这些算法进行了编码。 用法：此代码是用 Python3 编写的，我使用了 jupyter notebook。 您将需要下载以下

SEGAN：语音增强生成对抗网络 介绍 这是SEGAN项目的存储库。 我们的原始文件可以在找到，并且测试样本可以。 在这项工作中，采用了一种对抗性生成方法，以一种完全卷积的体系结构来进行语音增强（即从损坏的语音信号中去除噪声），如下所示： 该模型处理处于不同SNR的许多噪声条件下的原始语音波形（训练时为40，测试时为20）。 它还可以对来自混合在同一结构中的许多说话者的语音特征进行建模（无需任何身份监督），这使得生成的结构在噪声和说话者维度上具有普遍性。 所有项目都是使用TensorFlow开发的。 关于GAN的定义和部署，有两个很好的参考资料库： GAN：实施改进以更稳定的方式训练G

适用于Windows和Linux的Yolo v4，v3和v2 （用于物体检测的神经网络） 纸YOLO v4： ： Paper Scaled ： ： 用于重现结果： 有关媒体的文章中的更多详细信息： 手册： ： 讨论： 关于Darknet框架： : 如何在Linux上编译 如何在Windows上编译 AP50：95-FPS（Tesla V100）论文： ： AP50：95 / AP50-FPS（Tesla V100）论文： ： tkDNN-TensorRT将批次1的YOLOv4加速约2倍，将批次4的YOLOv4加速3倍至4倍。 tkDNN： ： Op

让彩色！：灰度图像的自动着色 概述 这段代码使用Tensorflow在python中提供了的实现： "Let there be Color!: Joint End-to-end Learning of Global and Local Image Priors for Automatic Image Colorization with Simultaneous Classification" Satoshi Iizuka, Edgar Simo-Serra, and Hiroshi Ishikawa ACM Transaction on Graphics (Proc. of SIGGRAPH 2016), 2016 本文提供了一种使用深层网络自动为灰度图像着色的方法。 该网络在单个框架中共同学习局部特征和全局特征，然后可以将其用于任何分辨率的图像上。 通过合并全局特征，可以使用

神经网络和深度学习

Recurrent neural networks are popular tools used for modeling time series. Common gradient-based algorithms are frequently used for training recur- rent neural networks. On the other side approaches based on the Kalman filtration are considered to be the most appropriate general-purpose training algorithms with respect to the modeling accuracy.

matlab代码输入如何换行符曾经想知道您的智能手机/智能手表如何识别您正在进行的活动。 它知道您何时走路，奔跑或爬楼梯。 在科学界，这就是所谓的HAR（人类活动识别）。 该项目已作为我的数据科学硕士课程中模块任务之一的一部分。 我们将构建一个神经网络，该网络可以使用移动传感器记录的数据来识别我们进行的三项活动。 神经网络的人类活动识别 从收集人类活动数据到构建神经网络对活动进行分类的端到端项目 ＃创建神经网络预测模型的步骤： 数据采集 确定手头的问题是应允还是分类问题 数据探索和预处理 将数据分为测试，验证和培训数据集 将每个数据集拆分为输入（X）和输出（y）-将它们转换为numpy数组 开发一个简单的NN顺序模型 调整超参数（使用像GridSearchCV这样的模块） 使用训练和验证数据集编译并拟合曲调模型 用模型预测测试数据 根据问题（回归/分类）计算性能指标 数据采集 借助MATLAB应用程序，可通过智能手机完成数据收集。 在应用程序中有一个称为“传感器”的部分，可以打开智能手机上所有可用的传感器。 选择传感器后，可以按下“记录”按钮，并且可以在所需的分钟数内执行每个活动。 不