三重态SemiHardLoss PyTorch半硬。基于可在找到的tensorflow插件版本。无需使用此实现来创建暹罗体系结构，就像创建main_train_triplet.py cnn创建过程一样简单！ 对于具有N_CLASSES >> N_SAMPLES_PER_CLASS的分类问题，三元组损失是一个不错的选择。例如，人脸识别问题。 在分类层之前，我们需要切断具有三重态损失的CNN架构。另外，必须添加L2归一化层。 MNIST上的结果 我在MNIST数据集上测试了三重态损失。我们无法直接与TF插件进行比较，因为我没有进行实验，但是从性能的角度来看这可能很有趣。如果您想比较结果，这是训练日志。准确性无关紧要，因为我们不训练分类模型，所以准确性不应该存在。 阶段1 首先，我们训练最后一层和批次归一化层，使验证损失接近0.079。 阶段2 最后，解冻所有层，经过足够的训练和超参数调整

混合搭配 这是MixMatch的非官方PyTorch实现。 Tensorflow的官方实现在。 现在只有在CIFAR-10上的实验可用。 该存储库认真执行了官方实施的重要细节，以重现结果。 要求 Python 3.6+ PyTorch 1.0 torchvision 0.2.2（旧版本与此代码不兼容） 张量板 进步 matplotlib 麻木 用法 火车 通过CIFAR-10数据集的250个标记数据训练模型： python train.py --gpu --n-labeled 250 --out cifar10@250 通过CIFAR-10数据集的4000个标记数据训练模型： python train.py --gpu --n-labeled 4000 --out cifar10@4000 监控培训进度 tensorboard.sh --

半监督学习很好的入门文献，简单易懂，该文是半监督学习领域的代表之作。

semi-supervised-learning半监督学习详细介绍PPT——共61页

semi-supervised-learning 深度学习半监督相关算法，主要是文献《Mean teachers are better role models》算法，经测试在一般分类问题上精度都会有几个点的提升。 1.数据存放到data目录，每个类别图片存放到一个文件里面，然后用makelist生成列表文件：path label，把无标签的数据标签设置为：-1 2.运行mean_teacher.py

半监督序列学习 此回购记录了重现论文给出的结果的实验​​。 简而言之，我们在未标记的文本数据上对序列自动编码器或语言模型进行预训练，然后使用标记的文本数据对使用预训练权重初始化的基于RNN的序列分类器进行微调，与随机初始化的权重相比，分类精度更高。 资料准备 IMDB数据集 我们为此实验使用。 下载并解压缩，导航至目录aclImdb/train ，该目录aclImdb/train中包含带aclImdb/train/pos的正（ aclImdb/train/pos ）和带标签的负性（ aclImdb/train/neg ）以及未标签的评论（ aclImdb/train/unsup ）。 然后cd进入每个子目录并运行 for f in *.txt; do (cat "${f}"; echo) >> pos.txt; done for f in *.txt; do (cat "${f}"; ec

宠物日记 如何上传到Git：git从git Bash添加$ {}这里：添加到git git commit -m“描述要提交的内容” git push origin主 如何从Git git远程添加起源 git pull origin主 Semi_petDiary 半宠物日记 半宠物日记 半宠物日记

Semi-Supervised-Learning-Using-Gaussian-Fields-and-Harmonic-Functions_notes

符合最新2020的SEMI标准规范，带使用demo和说明书。

半马尔可夫工具箱允许基于真实离散或先前离散化的现象创建马尔可夫和半马尔可夫模型。 工具箱的输入是一个离散时间序列，必须通过一个只有一个变量的文件 .mat 给出：离散时间序列。 在链接 ( https://sites.google.com/site/flavioprattico/download ) 上，可以下载带有风速离散数据的 .mat 文件，即 data.mat，以测试应用程序。 工具箱允许选择是否保存数据和矩阵以及模型的种类（马尔可夫、半马尔可夫或两种模型）。 在蒙特卡罗模拟结束时，概率分布函数的直方图以简单的图形显示，以检查建模的有效性。 包含所有变量的输出 mat 文件将自动配置在加载数据的文件夹中。 在 mat 文件中，您将找到以下变量（如果您选择了“两种模型”）： ZReal_Data：它是真正的离散化时间序列ZMarkov：是通过马尔科夫模型生成的合成时间序列ZSemi