用于 open_stt 数据集的 PyTorch E2E ASR 用于训练语音识别任务的语言和声学模型的最少脚本集。 训练管道包括以下阶段： 基于字符的RNN语言模型 具有 CTC 损失的 CNN-RNN 声学模型 基于字符的 RNN 语言模型和具有 RNN-T 损失的 CNN-RNN 声学模型 使用强化学习和 RNN-T 损失进行微调 结果 下表显示了。 阶段 模型 失利 更新 核证减排量 世界范围内 1 LM 行政长官 2407000 2 是 反恐委员会 216850 19.9 57.0 3 LM+AM 循环神经网络 108425 21.7 45.6 4 LM+AM 强化学习 300 19.2 43.9 要求 PyTorch >= 1.3（带有错误修复 ） 预处理 基于 log mel 滤波器组的声学模型，带有 40 个大小为 25 毫秒的滤波器，

论文的word格式 原论文地址：http://proceedings.mlr.press/v139/amani21a/amani21a.pdf 翻译：https://blog.csdn.net/baishuiniyaonulia/article/details/125504660，https://blog.csdn.net/baishuiniyaonulia/article/details/125572881

机器学习基础知识课件，适用于高年级本科生和低年级研究生。

乐博乐博教学中心教师手册

信用卡欺诈检测 使用Logstic Regression对信用卡欺诈检测进行分类 步骤以及一些需要注意的点 特征工程 样本不均衡问题的解决（降采样以及过采样两种方式） 下采样策略 交叉验证（充分利用数据，使模型可以说服力） 模型评估方法（分类准确率，精确率，召回率，F1值） 正则化惩罚（防止模型过拟合，日期L2正则化） 逻辑回归阈值对结果的影响（通过重复矩阵​​的可视化以及召回率来体现） 过采样策略（SMOTE算法） 如何运行？ 信用卡数据集为“ creditcard.csv”，地址为： ://myblogs-photos-1256941622.cos.ap-chengdu.myqcloud

Andrew Ng， Deep learning课程第五课时间序列（RNN）作业 照搬的别人的，只是为了回本。 里面既有源码（不包含答案）的，方便做作业；也有答案版本（_ans结尾）,方便不会时候对答案

基于人脸识别的考勤系统 详细项目在这里工作... 该项目包含两个使用flask和python3开发的webapp。（ ） 使用的数据库：MySQL社区版。 对于面部识别，我使用了ageitgey的python3“ face_recogntion”。（ ），它是使用dlib先进的面部识别技术构建而成的，该面部识别技术是通过深度学习构建的。 该模型在Wild基准中的Labeled Faces上的准确性为99.38％。 为了进行欺骗检测，我通过重新训练它的最后一层来使用tensorflow初始模型，以便它可以检测图像中的手机。（ ） 为了生成和管理Excel，我使用了xlrx，xl

deep learning

深度学习Deep Learning 中文版 第一版+第二版 高清pdf

CLIP-Q: Deep Network Compression Learning by In-Parallel Pruning-Quantization，CVPR2018 code