GAM ⠀ ⠀ 使用结构化注意的图分类的PyTorch实现（KDD 2018）。 抽象的 图分类是许多不同领域中实际应用中的问题。 为了解决这个问题，通常会计算某些图统计信息（即图特征），以帮助区分不同类别的图。 在计算此类特征时，大多数现有方法都会处理整个图形。 例如，在基于图的方法中，处理整个图以获得不同图或子图的总数。 但是，在许多实际应用中，图可能会嘈杂，仅在图的某些区域内会出现区分模式。 在这项工作中，我们研究了基于注意力的图分类问题。 注意的使用使我们可以专注于图表中较小但内容丰富的部分，从而避免在其余图表中产生干扰。 我们提出了一种新颖的RNN模型，称为图注意力模型（GAM），该模型通过自适应选择一系列“信息”节点来仅处理图的一部分。 在多个现实世界数据集上的实验结果表明，即使我们的方法仅局限于部分图形，该方法在图分类中也可以与各种众所周知的方法竞争。 该存储库提供了G

可信任是AI应用落地的关键，在医疗、军事等领域尤为必需。最近，在一场深度学习与医疗应用的研讨会上，UCLA Stanley Osher讲述了可信任深度学习 (Trustworthy deep learning) 的报告，探讨了稳健、准确、高校、隐私的深度学习建模，从理论上如何设计保障，共有44页ppt，值得学习。

超参数优化

深度较之宽度对神经网络具有更重要的意义，能一定程度模拟人脑，但是随着深度的加深，会出现梯度消失问题，阻碍了模型的收敛。Deep Residual Learning for Image Recognition一文给出了一种避免梯度消失的网络模型-深度残差网络，对深度学习的发展至关重要。

欢迎来到EEG深度学习图书馆 EEG-DL是为EEG任务（信号）分类编写的深度学习（DL）库。 它提供了最新的DL算法并不断更新。 目录 贡献 组织机构 文献资料 支持的型号包括 不。 模型 代号 1个 深度神经网络 DNN 2个 卷积神经网络[论文] [教程] 有线电视新闻网 3 深度残差卷积神经网络[论文] ResNet 4 薄残差卷积神经网络[论文] 稀薄的ResNet 5 密集连接的卷积神经网络[论文] 密集网 6 全卷积神经网络[论文] FCN 7 暹罗网络（CNN骨干网）的一键式学习[论文] [教程] 连体网络 8 图卷积神经网络[论文] [演示文稿] [教程] [针对中国读者的GCN / GNN摘要] [针对中国读者的GNN相关算法综述] [图的深度学习文学] GCN /图表CNN 9 图卷积神经网络（来自Reza Amini的纯Py

文章为对attention is all you need的论文解读，详细的剖析了该文章的思想。

NCRF 该存储库包含用于重现论文主要结果的代码和数据： 如果您发现代码/数据很有用，请引用以上文章： @inproceedings{li2018cancer, title={Cancer Metastasis Detection With Neural Conditional Random Field}, booktitle={Medical Imaging with Deep Learning}, author={Li, Yi and Ping, Wei}, year={2018} } 如果您有任何疑问，请将其发布在github问题上或发送电子

强化-深度学习-连续控制

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 --

Deep Reinforcement Learning深度强化学习Deep Reinforcement Learning, 2017