骇客深度学习：使用TensorFlow 2和Keras和Python的机器学习教程（包括Jupyter笔记本）-（LSTM，超电流表调整，数据预处理，偏差方差折衷，异常检测，自动编码器，时间序列预测，对象检测，情感分析，使用BERT进行意图识别）

堆叠去噪自编码器matlab代码微型计算机 （线性）边际化堆叠降噪自动编码器（mSDA）以及密集词组（dCoT）的Python实现，这是基于mSDA的降维算法。 基于Minmin Chen的Matlab代码。 有关原始论文和代码，请参见。 该代码尚未经过广泛的测试，因此实际上请不要依靠它来产生正确的表示形式。 继续关注此存储库以保持最新。 减少文字尺寸的用法示例： from linear_msda import mSDA # load your corpus, should be bag of words format (as in e.g. gensim) preprocessed_bow_documents = MmCorpus ( "test_corpus.mm" ) # load your dictionary id2word = Dictionary ( "..." ) dimensions = 1000 # select prototype word IDs, e.g. by finding the most frequent terms prototype_ids = [

TF_Convolutional_Autoencoder 用于在TensorFlow中以高压缩率对RGB图像进行编码/解码的卷积自动编码器 这是从Arash Saber Tehrani的Deep-Convolutional-AutoEncoder教程教程改编而成的示例模板，用于对3通道图像进行编码/解码。 该模板已被完全注释。 我已经在来自香港中文大学的CelebA数据集的重新缩放后的样本上测试了此实现，以在短时间的训练中产生相当不错的结果。 此实现的压缩比为108。即，对于形状为[-1、48、48、3]的输入张量，瓶颈层已减小为形状为[-1、64]的张量。 附加功能： 将3通道图像而不是MNIST用作输入 培训现在执行检查点保存和还原 可以在TensorBoard中查看编码器的输入和解码器的输出 输入自动重定标 用ReakyReLU代替ReLU激活来解决垂死的ReLU 注意事项：

GTEx数据集（V8）的条件变量自动编码器 该项目旨在使用生成模型生成合成基因表达数据。 我们首先研究数据的3D表示形式以及可能要依据的变量，以便有效地分离分布。 当前模型以组织为条件。 组织着色的GTEx数据集（1000个随机基因）的3D表示形式（UMAP，TSNE，PCA）： CVAE当前的重建质量，取决于组织。 基于： 对VAE方差损失论文： ， ， 项目进度： 基准模型创建 评估潜在空间中的均值，绝对差和分组的函数 模型调整 潜在空间大小 批次大小，学习率（应尽早确定时期数） 附加致密层的数量，每个附加层中神经元的数量 有条件的VAE模型（条件之一：组织或年龄） b-VAE模型（损失函数中的MSE / KL散度权重） 相关的VAE（ ） torch_model.py神经网络的层和属性 gtex_loder.py加载基因表达数据集 torch_train

离散小波变换dwt matlab代码论文代码“使用完全卷积去噪自动编码器消除细胞外神经记录中的噪声” 抽象的 细胞外录音受到大量噪声源的严重污染，使降噪过程成为一项极具挑战性的任务，必须对其进行有效的尖峰分拣才能解决。 为此，我们提出了一种利用此问题的端到端深度学习方法，该方法利用了完全卷积去噪自动编码器，该编码器学会了从嘈杂的多通道输入中产生干净的神经元活动信号。 在模拟数据上的实验结果表明，我们提出的方法可以显着改善受噪声破坏的神经信号的质量，优于广泛使用的小波去噪技术。 要求 Python（已通过v3.8测试）：用于数据生成和网络开发 Matlab（经过R2020b测试）：用于开发小波去噪方法以比较网络的性能 为了安装必要的Python库，请运行以下命令： pip install -r requirements.txt 注意：要运行数据集生成脚本，您还应该安装MEArec Python库。 可以找到说明。 数据集 用于训练和评估的细胞外录音有两种格式，即.mat和.tfrecord 。 . |-- data/ | |-- mat/ | |-- TFRecord/ . 数据组织如下

深度计数自动编码器可对scRNA-seq数据进行消噪 深度计数自动编码器网络使用具有零膨胀负二项式（ZINB）损失功能的深度自动编码器，通过考虑计数结构，数据的过度分散的性质和稀疏性来对scRNA-seq数据进行去噪并消除丢失的影响。 有关更多详细信息，请参见我们的和。 安装 点子 对于count自动编码器和所需软件包的传统Python安装，请使用 $ pip install dca conda 安装计数自动编码器和所需软件包的另一种方法是使用 （最容易通过）。然后运行以下命令。 $ conda install -c bioconda dca 用法 您可以从命令行运行自动编码器： dca matrix.csv results 其中matrix.csv是CSV / TSV格式的原始计数矩阵，其基因位于行中，单元格位于列中。细胞和基因标签是强制性的。 结果 输出文件夹包含主输出文件（代表Z

变压器CVAE 该存储库包含纸质源代码： @article{fang2021transformer, title={Transformer-based Conditional Variational Autoencoder for Controllable Story Generation}, author={Fang, Le and Zeng, Tao and Liu, Chaochun and Bo, Liefeng and Dong, Wen and Chen, Changyou}, journal={arXiv preprint arXiv:2101.00828}, year={2021} } 获取源数据（ ， ， ， ）。 数据预处理（数据/）。 训练（从并行性和精度的几种不同实现中选择：train.py，train_dist.py，train_

在本文中，我们提出了一种基于深度神经网络，堆叠式稀疏去噪自动编码器（SSDA）的图像处理低层结构特征提取方法。 当前通过深度学习进行图像处理的方法是直接构建和学习输入/输出之间的端到端映射。 相反，我们提倡从输入数据中分析第一层学习功能。 利用学习到的低级结构功能，我们改进了两个边缘保留滤波器，这对于图像处理任务（例如降噪，高动态范围（HDR）压缩和细节增强）至关重要。 由于所提出的特征提取的有效性和优越性，由两个改进的滤波器计算的结果不会遭受包括光晕，边缘模糊，噪声放大和过度增强的缺点。 更重要的是，我们证明了从自然图像训练的特征不是特定的，并且可以提取红外图像的结构特征。 因此，通过直接使用经过训练的功能来处理任务是可行的。 （c）2017 Elsevier BV保留所有权利。

RecAE 循环自动编码器，用于时间序列异常检测

异常检测 使用自动编码器的单变量时间序列异常检测教程 自动编码器在德累斯顿的杜托·阿诺玛利检测站