3D imaging technologies -- multidimensional signal processing and deep learning methods, algorithms and applications. Volume ii
2022-06-25 09:10:13
9.7MB
1
包括两本书，书名都是Deep Learning with Python，一本作者：Nikhil Ketkar，2017版，带目录，另一本作者是一直在维护Keras的谷歌工程师：Francois Chollet
2022-05-16 20:13:57
18.53MB
1
TFDeepSurv
通过张量流实现Deep Cox比例风险模型和生存分析。
建议的TensorFlow版本为1.15.3。 并且模块测试在TensorFlow-1.15.3下通过了。
注意： 已发布。 旧版本位于分支archive_v1 。 与v1.0版本相比，当前版本有了很大的改进：
建立计算图的速度
利用原始的tensorflow操作来计算损失函数（用于处理关系）
生存数据的统一格式
代码优雅而简单
如果您有任何问题，请先阅读以下常见问题解答，或直接发送电子邮件给我。
1.与DeepSurv的区别
是Deep Cox比例风险模型的软件包，在Github上开源。 但是我们的作品可能会发光：
在您的生存数据中支持死亡时间的联系，这意味着不同的损失函数和生存函数的估计量（ Breslow近似）。
提供生存函数估计。
使用科学方法-贝叶斯超参数优化来调整DNN的超参数。
通
2022-05-06 17:20:03
264KB
1
利用Alexnet生成DeepDream图片
深度学习matlab例程/Alexnet生成DeepDream图片/matlab代码
2022-05-03 22:21:30
753B
1
迈向稳健的单眼深度估计：用于零镜头跨数据集传输的混合数据集
该存储库包含用于从单个图像计算深度的代码。 它伴随我们的：
迈向稳健的单眼深度估计：用于零镜头跨数据集传输的混合数据集RenéRanftl，Katrin Lasinger，David Hafner，Konrad Schindler，Vladlen Koltun
MiDaS v2.1在10个数据集（ReDWeb，DIML，电影，MegaDepth，WSVD，TartanAir，HRWSI，ApolloScape，BlendedMVS，IRS）上进行了多目标优化训练。 在5个数据集（本文中的MIX 5 ）上训练过的原始模型可以在找到。
变更日志
[2020年11月]发布了MiDaS v2.1：
经过10个数据集训练的新模型，其度平均比高出
新的轻量级模型可在移动平台上实现。
适用于和示例应用程序
，可在机器人上轻松部署
[2
2022-04-20 02:36:30
243KB
1
瓦迪亚
用于创建端到端Web应用程序的开源解决方案，以在各种临床场景中利用深度学习的力量，例如植入物检测，肺炎检测，脑部mri分割等。
公关建议：
除非项目维护人员另有要求，否则请提供测试分支的PR
适当地命名您的公关
确保您已经为此PR提出了一个问题，并且项目维护者已经批准并分配了您
在PR说明中，通常期望以下内容：
使用的数据集：
数据集大小：
数据集来源：
链接到Colab Notebook：请确保您授予具有链接的任何人查看权限
探索性数据分析[相关快照和您的推断]
使用的任何预处理方法。 [详细说明]
您的训练框架
用于训练的不同方法
测试/训练拆分
结果：请不要简单地陈述测试的准确性。 预计还会有其他性能指标，例如F1得分等
**绘制表格以显示对您使用的不同方法的性能的比较分析
结论：您认为哪种方法最好，为什么？
notebooks/目录中应包含用于训练的笔记本
2022-04-13 08:42:42
58KB
1