KelpNet：纯C＃机器学习框架 /* SampleCode */ FunctionStack nn = new FunctionStack ( new Convolution2D ( 1 , 32 , 5 , pad : 2 , name : " l1 Conv2D " ), new ReLU ( name : " l1 ReLU " ), new MaxPooling ( 2 , 2 , name : " l1 MaxPooling " ), new Convol

持续学习基准 使用流行的持续学习算法评估三种类型的任务转移。 该存储库使用PyTorch实现并模块化了以下算法： EWC： ，（克服神经网络中的灾难性遗忘） 在线EWC： ， SI： ，（通过突触智能持续学习） MAS： ，书面（“内存感知突触：学习（不）忘记的内容”） 创业板： ，（用于持续学习的梯度情景记忆） （更多即将到来） 将以上所有算法与具有相同静态内存开销的以下基准进行比较： 天真彩排： L2： ， 关键表： 如果此存储库对您的工作有所帮助，请引用： @inproceedings{Hsu18_EvalCL, title={Re-evaluating Continual Learning Scenarios: A Categorization and Case for Strong Baselines}, author={Yen-Chang Hsu a

Apress源代码 该存储库随附于 Hisham El-Amir和Mahmoud Hamdy的（Apress，2020年）。 使用绿色按钮将文件下载为zip格式，或使用Git将存储库克隆到您的计算机上。 发行版 版本v1.0对应于已出版书籍中的代码，没有更正或更新。 会费 请参阅文件Contributing.md，以获取有关如何为该存储库做出贡献的更多信息。

stockDL：用于股票价格预测和计算的深度学习库 复制粘贴不是您应该共享代码的方式。 特征 基于2种传统股票市场算法[买入，持有和移动平均]和2种深度学习算法[LSTM网络和Conv1D + LSTM网络]的单一股票交易和价格比较 以JSON格式返回结果，包括总总收益，年总收益，总净收益和年净收益。 此JSON结果可用于基于Web的价格预测。 考虑到印度的经纪人佣金和资本利得税[可以修改] 每次运行库时都进行动态模型训练，从而使模型不受上帝行为，大流行，突然亏损，股价上涨引起的异常股票市场变化的影响。 Yahoo Finance API的最新财务数据收集（从股票开始日期到当前数据）。 与Flask或另一个python后端轻松进行后端集成，以进行Web部署。 在带有4992 NVIDIA CUDA和24 GB VRAM的Tesla K80 GPU上，结果处理时间不到90秒。 比其

Xception 是一个预训练模型，已经在 ImageNet 数据库的一个子集上进行了训练。 该模型接受了超过一百万张图像的训练，可以将图像分类为1000个对象类别（例如键盘，鼠标，铅笔和许多动物）。 从操作系统或在MATLAB中打开xception.mlpkginstall文件将启动具有该发行版的安装过程。 此 mlpkginstall 文件适用于 R2019a 及更高版本。 用法示例： % 访问训练好的模型净 = xception(); % 查看架构细节网络层 % 读取图像进行分类I = imread('peppers.png'); % 调整图片大小sz = net.Layers(1).InputSize I = I(1:sz(1),1:sz(2),1:sz(3)); % 使用 Xception 对图像进行分类标签 = 分类（净，我） % 显示图像和分类结果数字显示（

Python深度学习食谱 这是发布的的代码库。 它包含从头到尾完成本书所必需的所有支持项目文件。 关于这本书 深度学习正在彻底改变各种行业。 在许多应用中，深度学习已被证明可以做出更快，更准确的预测，从而胜过人类。 本书提供了自上而下和自下而上的方法，以演示针对不同领域的现实问题的深度学习解决方案。 这些应用程序包括计算机视觉，自然语言处理，时间序列和机器人技术。 Python深度学习食谱提供了针对所提出问题的技术解决方案，以及对解决方案的详细说明。 此外，提供了有关使用诸如TensorFlow，PyTorch，Keras和CNTK的流行框架之一实施建议的解决方案的利弊的讨论。 这本书包括与神经网络的基本概念有关的食谱。 所有技术以及经典网络拓扑。 本书的主要目的是为Python程序员提供详细的配方列表，以将深度学习应用于常见和不常见的场景。 说明和导航 所有代码都组织在文件夹中。 每个

基于深度学习的毫米波系统的信道估计和混合预编码 将“ matlab”和“ python”文件夹放在根目录中 “ matlab”文件夹包含传统的HBF算法，信道估计算法和数据生成代码。 “ python”文件包含已定义的神经网络模型和经过训练的模型。 如果要直接测试HBF-Net和CE-HBF-Net，则可以 运行“ matlab / channel_gen.m”以生成测试通道。 运行“ matlab / gen_testdata.m”以生成测试数据集 您也可以单击（提取代码：om9r）下载数据集，而无需生成新的测试数据集。 训练后的模型保存在“ python / model”中。 在测试模式（train_flag = 0）下运行“ python / main.py”，可以测试HBF-Net和CE-HBF-Net的性能。 如果您想对HBF-Net和CE-HBF-Net进行再培训，则可以

基于双阶段注意力的时间序列预测神经网络，基于Chandler Zuo的。 我已经将代码扩展为适用于多元时间序列，并添加了一些预处理功能，但是鉴于我基本上是从他的帖子中复制代码，因此版权可能归他所有。 最近使用PyTorch JIT的分支称为jit 。 有一个不同的，但是据我所知，它只是单变量。

cudnn-10.1-windows10-x64-v7.6.5.32.7z

自动对焦相机 我的自动聚焦算法的开放源代码实现，用于带有图像处理算法的常规显微镜。