BigGAN-PyTorch 作者的正式非官方PyTorch BigGAN实现。 此仓库包含由Andrew Brock，Jeff Donahue和Karen Simonyan的训练中的BigGAN的4-8 GPU训练代码。 这段代码是由Andy Brock和Alex Andonian编写的。 如何使用此代码 你会需要： 版本1.0.1 tqdm，numpy，scipy和h5py ImageNet培训集 首先，您可以选择为目标数据集准备经过预处理的HDF5版本，以实现更快的I / O。 遵循此步骤（或不执行此操作），您将需要计算FID所需的Inception时刻。 这些都可以通过修改

这是一个YoloV4-pytorch的源码，可以用于训练自己的模型。 YOLOV4：You Only Look Once目标检测模型在pytorch当中的实现 目录 实现的内容 Achievement 所需环境 Environment 注意事项 Attention 小技巧的设置 TricksSet 文件下载 Download 预测步骤 How2predict 训练步骤 How2train 参考资料 Reference 实现的内容 主干特征提取网络：DarkNet53 => CSPDarkNet53 特征金字塔：SPP，PAN 训练用到的小技巧：Mosaic数据增强、Label Smoothing平滑、CIOU、学习率余弦退火衰减 激活函数：使用Mish激活函数 ……balabla 所需环境 torch==1.2.0 注意事项 代码中的yolo4_weights.pth是基于608x608的图片训练的，但是由于显存原因。我将代码中的图片大小修改成了416x416。有需要的可以修改回来。 代码中的默认anchors是基于608x608的图片的。

音乐生成器 介绍 使用TensorFlow实验各种深度学习模型以生成音乐 结果 解释不同的模型和实验。 安装 该程序需要以下依赖项（易于使用pip进行安装）： Python 3 TensorFlow（已通过v0.10.0rc0测试。不适用于以前的版本） CUDA（有关使用gpu的信息，请参见TensorFlow 以了解更多信息） Numpy（应该与TensorFlow一起安装） 御堂（MIDI图书馆） Tqdm（用于不错的进度条） OpenCv（很抱歉，没有简单的方法可以使用python 3安装它。它主要用作可视化工具来打印钢琴卷，因此是非常可选的。所有OpenCv调用都包含在i

PyTorch GAN :laptop:与 :laptop: = :red_heart: 此仓库包含各种GAN架构的PyTorch实现。目的是使初学者更容易开始玩和学习GAN。 我发现的所有存储库都掩盖了某些内容，例如将某些网络层中的偏向设置为False而没有解释为什么要做出某些设计决定。此仓库使每个设计决策透明。 目录 什么是GAN？ GAN最初是由Ian Goodfellow等人提出的。在一份名为“的开创性论文中。 甘斯是一个框架，2个模型（通常为神经网络），称为发电机（G）和鉴别器（d），玩游戏极大极小彼此抵靠。生成器正在尝试学习真实数据的分布，这是我们通常感兴趣的网络。在游戏中，生成器的目的是欺骗鉴别器“思考”它生成的数据是真实的。另一方面，鉴别器的目的是正确地区分生成的（伪）图像和来自某些数据集（例如MNIST）的真实图像。 设置 git clone https://github.com/gordicaleksa/py

有新作品@ 代码更新和一些注意事项： 非常遗憾，由于工业工作的承诺和时间紧迫，未能及时回复大多数信息。 显然os.m丢失了，我在本地代码库中找到了它。 在外部工具/ tvl1flow /中添加。 希望对您有所帮助，谢谢。 另外，希望它对您的研究工作有益：) 深度学习的微表达 在微表情识别和识别主题上进行深度学习的实验。 平台和依存关系 Ubuntu 16.04 Python 3.6 Keras 2.0.6 Opencv 3.1.0 pandas 0.19.2 CuDNN 5110.（可选，但建议用于深度学习） 从此网址下载文件 （由于许可证的缘故，删除了应用了TIM的CASMEII，因此您需要应用TIM并自行裁剪，下面的链接是对数据库的访问请求。） 与TIM相关：TIM代码可以在下面下载， : 注意：除TIM大小外，参数均为默认值 相关的光流：我添加了一些脚本来提取光流特征（在E

图自动编码器这是本文所述的（可变）图自动编码器模型的TensorFlow实现：TN Kipf，M.Welling，变分图自动编码器，关于贝叶斯深度学习的NIPS研讨会（2图自动编码器）这是（可变）图自动编码器模型的TensorFlow实现，如我们的论文所述：TN Kipf，M.Welling，变图自动编码器，关于贝叶斯深度学习的NIPS研讨会（2016）图自动编码器（GAE） GAE是成功用于图上无监督学习，聚类和链接预测的端到端可训练神经网络模型：大规模关系数据中的链接预测：M。Schlichtkrull和TN Kipf等。

类激活图 通过可视化对于这些模型的预测（或视觉解释）“重要”的输入区域，可以使基于卷积神经网络（CNN）的模型更加透明的技术。 使用VinBigData图像和Inception架构的示例

AdaBound一种优化器，其训练速度与Adam一样快，并且与SGD一样好，用于针对CV，NLP等领域中的各种流行任务开发最新的深度学习模型。 。 （2019）。 Ada AdaBound一种优化器，其训练速度与Adam一样快，并且与SGD一样好，用于针对CV，NLP等领域中的各种流行任务开发最新的深度学习模型。 al。 （2019）。 具有学习率动态范围的自适应梯度方法。 在过程中。 的ICLR 2019版本。快速链接网站演示安装AdaBound需要Python 3.6.0或更高版本。 我们目前提供PyTorch版本，并且TensorFlow的AdaBound即将推出。 通过安装

图像去噪的深度学习概述由田春伟，费伦克，张文贤，徐勇，左望孟和林嘉雯提供，其为 。 它已经由神经网络（IF：5.535）发布。 此外，本文已被推送到神经网络的主页上。 本文是针对图像去噪的深度学习的第一个完整摘要，对读者而言非常有意义。 它是通过微信公众账号在报道 ， 和 。 抽象 深度学习技术在图像去噪中获得了很多关注。 但是，不同类型的深度学习方法在处理噪声方面有很大的差异。 具体来说，基于深度学习的判别式学习可以很好地解决高斯噪声。 基于深度学习的优化模型方法对真实噪声的估计有很好的效果。 到目前为止，很少有相关研究来总结用于图像去噪的不同深度学习技术。 在本文中，我们对图像去噪中不同深度技术进行了比较研究。 我们首先对（1）用于加性白噪声图像的深卷积神经网络（CNN），（2）用于真实噪声图像的深CNN，（3）用于盲目去噪的深CNN和（4）用于混合噪声图像的深CNN进行分类，是嘈杂，

尼尔森神经网络和深度学习 迈克尔尼尔森（Michael Nielsen）的书-。 在线书的源代码在，而相关的许可证在文件LICENSE.mnielsen 。