强化学习工具箱(DRLToolbox) 概述 该项目建立了一个集成深度强化学习训练、训练结果可视化、调参、模型版本管理等功能于一体的工具箱，提供小游戏对算法进行测试学习。该工具箱可以帮助大家了解深度强化学习的乐趣以及协助开发者的研究。 配置情况 Python 3 TensorFlow-gpu pygame OpenCV-Python PyQt5 sys threading multiprocessing shelve os sqlite3 socket pyperclip flask glob shutil numpy pandas time importlib 如何运行？ 运行run_window.py可启动窗口 启动界面 主界面 设置界面 其他功能详见项目大报告 什么是强化学习？ 详见报告 最终表现 以贪吃蛇为例，经过超过500万次训练（超过48小时），一共完成36171局，每局分数如

Advanced Methods and Deep Learning+in Computer Vision2021

InceptionTime：查找AlexNet进行时间序列分类 这是我们题为《 论文》（ ）的配套资料库，该论文发表在，也可在。 起始模块 数据 该项目中使用的数据来自。 我们使用了列出的85个数据集。 要求 您将需要安装文件中存在的以下软件包。 代码 代码划分如下： python文件包含运行实验所需的代码。 文件夹包含必要的功能，以读取数据集并可视化绘图。 文件夹包含两个python文件：（1） inception.py包含初始网络； （2） nne.py包含集成了一组Inception网络的代码。 为您的PC修改代码 您应该首先考虑更改以下行。 这是所有内容（数据和结果）的根文件，我们称之为root_dir 。 之后，您应该在root_dir内创建一个名为archives的文件夹，其中应包含文件夹UCR_TS_Archive_2015 。 后者将为每个数据集包含一个名为da

在PyTorch上进行深度转移学习 这是用于深度迁移学习的PyTorch库。 我们将代码分为两个方面：单源无监督域自适应（SUDA）和多源无监督域自适应（MUDA）。 SUDA方法很多，但是我发现有一些深度学习的MUDA方法。 此外，具有深度学习的MUDA可能是领域适应性更广阔的方向。 在这里，我实现了一些深度传输方法，如下所示： UDA DDC：针对领域不变性的深度领域混淆最大化 DAN：通过深度适应网络学习可转让特性（ICML2015） Deep Coral：用于深域适应的Deep CORAL相关对齐（ECCV2016） Revgrad：通过反向传播进行无监督域自适应（ICML2015） MRAN：用于跨域图像分类的多表示自适应网络（Neural Network 2019） DSAN：用于图像分类的深度子域适配网络（神经网络和学习系统2020的IEEE交易） 慕达对齐特

深度学习入门的经典教材，也可当工具书使用，英文原版，非扫描

NL2SQL-BERT 内容增强的基于BERT的文本到SQL生成 将数据库设计规则整合到text-to-sql生成中： 我们使用表格单元格和问题字符串的匹配信息来构造一个向量，该向量的长度与问题长度相同。 该问题向量主要提高了WHERE-VALUE推理结果的性能。 因为它注入了将答案单元格及其对应的表头绑定在一起的知识。 如果找到答案单元格，那么我们将找到包含答案单元格的答案列。 我们使用所有表头和问题字符串的匹配信息来构造一个向量，该向量的长度与表头的长度相同。 该头向量主要提高了WHERE-COLUMN推理结果的性能。 要求 python 3.6 记录0.5.3 火炬1.1.0

matlab-mnist-two-layer-perceptron：在MatLab中实现的两层感知器，用于基于MNIST数据集识别手写数字

DeepCGH：使用深度学习的3D计算机生成的全息术 DeepCGH是一种用于计算机生成全息图的无监督，非迭代算法。 DeepCGH依靠卷积神经网络实时执行图像平面全息照相。 有关结构和算法的更多详细信息，请参见[1]。 另请参阅我们的版权和许可声明copyright.pdf 。 有关动手教程，您还可以在Google colab和Jupyter Notebook（ tutorial.ipynb ）上看到 。 安装指南和依赖项： 在这里，我们提供DeepCGH的Python和Tensorflow实现。 该软件的当前版本不需要明确安装。 依赖项包括： python 3.x tensorflow-gpu >= 2.0.0 h5py scipy skimage tqdm 如果您具有Python 3.x（最好是3.7），则可以通过在Windows的Ubuntu终端或Anaconda Prom

TADA是用于解决垃圾检测问题的大规模高分辨率垃圾数据集。 它旨在用于一般家庭用品。 然后根据环境部关于分离和排放可回收物的准则对数据集进行分类。 共有10个类别，并为1280 x 720分辨率的4977张图像标注了33,434个对象。 为方便起见，注释以COCO数据格式提供。 如果您想了解更多详细信息，请参见数据格式参考 楷模 每种型号的AP性能 模型 地图 设定档 检查站 固态硬盘 0.310 YOLO v3 0.445 级联RCNN 0.432 入门 安装mmdetection 此实现基于 。 请参考进行安装和数据集准备。 将代码复制到mmdetection目录 cp -r configs/ ${MMDETECTION_PATH} / 准备数据 从下载 目录的排列方式应如下： > mmdetection > ├── mmdet > ├── tool

皮托希德 这是使用PyTorch对整体嵌套边缘检测[1]的个人重新实现。 如果您要利用这项工作，请相应地引用本文。 另外，请确保遵守作者的许可条款。 如果您要使用此特定实现，请适当确认它[2]。 有关这项工作的原始版本，请参见： : 有关基于Caffe的另一种重新实现，请参见： : 用法 要在自己的映像上运行它，请使用以下命令。 请确保查看他们的论文/代码以获取更多详细信息。 python run.py --model bsds500 --in ./images/sample.png --out ./out.png 恐怕这种重新实现即使使用官方权重，也不完全适用于最初的Caffe版本。 相对于BSDS500数据集上的官方ODS = 0.780，使用进行评估，它可以实现ODS = 0.774。 请随时通过提交问题和请求请求为该存储库做出贡献。 比较 参考 [1] @inproc