Deep_ESN_Pedrelli 该存储库包含以下论文中描述的DeepESN模型的实现： C. Gallicchio，A。Micheli，L。Pedrelli，“深度储层计算：关键实验分析”，神经计算，2017年，第1期。 268，第87-99页 它使用来自以下Luca Pedrelli的DeepESNpy Pyhon库的文件，这些文件经过修改可与本实验中的数据一起使用。 数据集 该研究的数据集可在以下位置找到： : 或者，在数据集文件夹中提供了一些小的示例集。 运行实验 可以使用以下文件运行以下实验： sweep.ipynb以运行参数扫描 single_model_full_traning.ipynb可以在更大的数据集上训练一个模型

matlab代码影响心电图分类 心电图分类中的深度学习将一维信号转换为二维信号，并在计算机视觉中处理数据。 建立了基于图像分割和深度神经网络的二维心电图数据库。 结合传统的信号处理方法和神经网络传递学习，可以实时达到很高的信号分类精度。 数据预处理基于Matlab。 算法主要基于分割和去噪。 为了比较噪声对生理信号的影响，在将其放入神经网络之前，将预处理分为原始信号和噪声信号。 本文的另一个重要部分是将一维信号转换为二维信号，我们也在预处理代码中做到了这一点。 分类基于Alexnet。 由于ECG信号是一维信号，因此分类既来自于一维信号的分类，也来自于二维信号的分类，因此，Conv层会按尺寸进行修改。 该项目的出版物已发布在[1]基于转移学习和深度卷积神经网络的ECG分类上[2] ECD分类中一维和二维深层卷积神经网络的比较

对于LSTM应用于时间序列方面的人工智能预测很有实践意义的MINI课程,对于如何 用LSTM深度学习网络做时间序列上预测做了很好的示范与教学，

Deep-Learning-for-NLP-Resources, 深入学习NLP入门的资源列表 Deep-Learning-for-NLP-Resources深入学习NLP入门的资源列表。 ( 增量更新)深入学习( 常规 NLP ) 链接：：本系列课程有很好的神经网络介绍和深入学习。https://www.coursera

深PGS 深度学习模型，用于预测多基因得分。 伴随我的一篇关于文章。 请查看它，以获取有关该模型及其背后动机的描述。

PyRL-Pytorch中的强化学习框架 PyRL是深度强化学习研究的框架。 在PyTorch中实现了以下算法： （在制品） （WIP） （在制品） 该项目仍在积极开发中。 特征 模块化架构 在PyTorch中实现 可读代码 安装 git clone https://github.com/chaovven/pyrl.git pip3 install -r requirements.txt 我强烈建议使用conda环境进行实验。 其中一些示例使用MuJoCo物理模拟器。 有关设置MuJoCo的说明，请参见。 进行实验 示例1： TD3 python3 main.py --alg=td3 with env=InvertedPendulum-v2 默认参数存储在config/default.yaml ，其中所有实验都共享这些参数。 TD3的参数存储在文件config/algs

深度学习入门挑战 几年来，野生生物中的动物检测一直是生物学家非常感兴趣的领域。 他们经常研究动物的行为以预测其行为。 由于存在大量不同的动物，因此手动识别它们可能是一项艰巨的任务。 因此，可以根据动物的图像对动物进行分类的算法可以帮助研究人员更有效地监视动物。 此外，动物检测和分类还可以帮助防止动物车辆事故，追踪动物设施，防止盗窃并确保动物园中动物的安全。 深度学习的应用在计算机视觉领域正在Swift增长，并正在帮助构建强大的分类和识别模型。 我们可以利用深度学习的这种力量来构建可以对不同种类的动物进行分类和区分的模型。 在此数据集中，我们提供了30种不同动物的19,000张图像。 在接下来的90天内，我们将向您挑战以建立模型，以便在给定图像的情况下，该模型将预测每种动物类别的概率。 具有最高概率的动物类别将表示该图像属于该动物类别。 这是一个入门文件，可供初学者通过此挑战进入深度学

用于化合物和蛋白质建模的深度学习库DTI，药物特性，PPI，DDI，蛋白质功能预测 在药物再利用，虚拟筛选，QSAR，副作用预测等方面的应用 该存储库托管DeepPurpose，DeepPurpose是一个基于深度学习的分子建模和预测工具包，可用于药物-目标相互作用预测，化合物特性预测，蛋白质-蛋白质相互作用预测和蛋白质功能预测（使用PyTorch）。 我们专注于DTI及其在药物再利用和虚拟筛选中的应用，但支持其他各种分子编码任务。 它允许非常简单的用法（仅几行代码），以促进用于生命科学研究的深度学习。 消息！ [05/21] 0.1.2支持5种新的基于图神经网络的复合编码模型（DGL_GCN，DGL_NeuralFP，DGL_GIN_AttrMasking，DGL_GIN_ContextPred，DGL_AttentiveFP），使用！ 提供一个例子！ [12/20] TDC数据

CycleGAN_ssim 该项目是项目的扩展。 实现和训练有素的周期一致剖成对抗性网络（CycleGAN）如在所描述的具有不同的，具体地SSIM损失，损耗L1，L2损失和它们的组合，以产生更好的视觉质量的图像。 图1：CycleGAN工作 对于CycleGAN实现与L1损失是指。 对于官方CycleGAN执行读取。 先决条件 Python 3.3以上 Tensorflow 1.6+ 枕头（PIL） （可选） 用法 训练模型： > python train_cycleGAN_loss.py --data_path monet2photo --input_fname_pattern .jpg --model_dir cycleGAN_model --loss_type l1 data_path：具有trainA和trainB文件夹的目录的路径（具有这些特定名称（trainA，tra

sktime-dl：基于TensorFlow的用于深度学习的sktime配套软件包