神经过程家族 主要入口： 。 什么 ？ 该存储库包含： 的文本 Pytorch代码（训练/绘图）以及预训练模型，以研究图像和合成一维数据集上的以下模型： 来自CNP 来自LNP AttnCNP和AttnLNP ConvCNP ConvLNP （“官方”）代码复制所有图像实验和带。 对于一维实验，请参见和 。 有关如何使用npf库的教程，请参阅NPF网站的“可 再现性”部分。 安装 点子 # clone repo pip install -r requirements.txt 请注意，skorch的版本必须为0.8，以确保可以正确上传预训练的模型。 码头工人 安装nvidia-docker 使用Dockerfile构建映像或使用Dockerfile docker pull yanndubs/npf:gpu 创建并运行一个容器，例如： docker run --

损失函数matlab代码我们的 CVPR 2016 论文的预训练模型：“通过最小化全局损失函数学习具有深度连体和三重卷积网络的局部图像描述符” 如果您使用此代码进行研究，请引用我们的论文： @InProceedings{G_2016_CVPR, author = {Kumar B G, Vijay and Carneiro, Gustavo and Reid, Ian}, title = {Learning Local Image Descriptors With Deep Siamese and Triplet Convolutional Networks by Minimising Global Loss Functions}, booktitle = {The IEEE Conference on Computer Vision and Pattern Recognition (CVPR)}, month = {June}, year = {2016} } 要求：软件 MATLAB MatConvNet-13 ()

FracNet 抽象的 背景：肋骨骨折的诊断在确定创伤严重程度方面起着重要作用。 但是，随着患者数量的增加，快速，准确地识别大量CT图像中的肋骨骨折是一项艰巨的任务，这也要取决于放射科医生的资格。 我们的目标是针对临床上适用的自动系统，用于从CT扫描中进行肋骨骨折的检测和分割。 方法：将来自一个中心的900例患者的总计7,473例带注释的外伤性肋骨骨折纳入我们的数据集，称为RibFrac数据集，并使用人工环标签程序进行注释。 我们开发了一种名为FracNet的深度学习模型，用于检测和分割肋骨骨折。 分别将720名，60名和120名患者随机分为训练组，调整组和测试组。 使用FreeResponse ROC（FROC）分析来评估检测性能的敏感性和假阳性，并使用联合路口交叉口（IoU）和骰子系数（Dice）来评估预测的肋骨骨折的分割性能。 观察者研究（包括独立的仅涉及人类的研究和人类协作研究）

自动驾驶中的深度强化学习 最适合离散操作：4名工人，学习率1e-4 无法使其在连续动作空间中正常工作； 它产生的动作出了问题 A3C创意 总览 人工神经网络的架构

GluonTS-Python中的概率时间序列建模 GluonTS是一个用于概率时间序列建模的Python工具包，它围绕构建。 GluonTS提供了用于加载和迭代时间序列数据集，准备好进行培训的最新模型以及用于定义自己的模型并快速尝试不同解决方案的构建基块的实用程序。 安装 GluonTS需要Python 3.6，最简单的安装方法是通过pip ： pip install --upgrade mxnet~=1.7 gluonts Dockerfiles 可以在文件夹中找到与Amazon Sagemaker兼容的 。 快速入门指南 这个简单的示例说明了如何从GluonTS训练一些数据的模型，然后使用它进行预测。 第一步，我们需要收集一些数据：在本示例中，我们将使用提及AMZN标记符号的大量推文。 import pandas as pd url = "https://raw.githubusercontent.com/numenta/NAB/master/data/realTweets/Twitter_volume_AMZN.csv" df = pd . read_csv ( url

使用目标检测的Deep-CNN模型 在这种情况下，使用预训练的卷积神经网络（CNN）MobileNet SSD（单发多盒检测器）模型来检测对象，并通过在对象上方添加一个包含对象名称的框来将对象定位在图像边界内等级和准确性。 mobilenet-ssd模型是旨在执行对象检测的Single-Shot Multibox Detection（SSD）网络。 通过使用SSD，我们只需要单张拍摄即可检测图像中的多个对象。该模型是使用Caffe *框架实现的。 要运行代码，只需运行RUN：python object_detection_image.py或python realtime_object_detection.py

Title: Deep Learning with Hadoop Author: Dipayan Dev Length: 259 pages Edition: 1 Language: English Publisher: Packt Publishing Publication Date: 2017-03-06 ISBN-10: 1787124762 ISBN-13: 9781787124769 Book Description Deep Learning involves extracting features and insights from multiple layers of the data. This book will teach you how to deploy the deep learning networks with Hadoop. Starting with understanding what deep learning is and what the various models associated with deep learning are, this book will then show you how to set up the Hadoop environment for deep learning. In this book, you will also learn how to overcome the challenges that you face while implementing distributed deep learning with Hadoop. The book will also show you how you can implement and parallelize Deep Belief Networks, CNN, RNN, RBM and much more using the popular deep learning library deeplearning4j. Get in depth mathematical explanations, visual representations to understand the implementation of Denoising AutoEncoders with deeplearning4j. To give you a more practical perspective, the book will also teach you how you can implement image classification, audio processing and natural language processing on Hadoop. By the end of this book, you will know how to deploy deep learning in distributed systems using Hadoop What you will learn Explore Deep Learning and various models associated with it. Understand the challenges of implementing distributed deep learning with Hadoop and how to overcome it Implement Convolutional Neural Network (CNN) with deeplearning4j Delve into the implementation of Restricted Boltzmann Machines (RBM) Understand the mathematical explanation for implementing Recurrent Neural Networks (RNN) Get hands on practice of deep learning and their implementation with Hadoop. Table of Contents Chapter 1. Introduction to Deep Learning Chapter 2. Distributed Deep Learning for Large-Scale Data Chapter 3. Convolutional Neural Network Chapter 4. Recurrent Neural Network Chapt

Deep Learning with TensorFlow Giancarlo Zaccone, Md. Rezaul Karim, Ahmed Menshawy

Introduction-to-TensorFlow-for-Artificial-Intelligence-Machine-Learning-and-Deep-Learning:TensorFlow的人工智能，机器学习和深度学习简介

TensorFlow for Deep Learning: From Linear Regression to Reinforcement Learning