序列建模基准和时间卷积网络（TCN） 该存储库包含Shaojie Bai，J。Zico Kolter和Vladlen Koltun完成的实验。 我们专门针对一整套综合任务，这些任务已被反复用来比较不同循环网络的有效性，并在循环网络的主场上评估一个简单，通用但功能强大（完全）的卷积网络。 实验是在PyTorch中完成的。 如果您发现此存储库有帮助，请引用我们的工作： @article{BaiTCN2018, author = {Shaojie Bai and J. Zico Kolter and Vladlen Koltun}, title = {An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling}, journal = {a

用于真实图像超分辨率的深循环生成对抗性残差卷积网络（SRResCycGAN） 网络的官方PyTorch实现，如论文。 这项工作以高x4放大系数参加了挑战赛道3。 抽象的 最近基于深度学习的单图像超分辨率（SISR）方法主要是在干净的数据域中训练其模型，其中低分辨率（LR）和高分辨率（HR）图像来自无噪声设置（相同域）到双三次降采样假设。 但是，这种降级过程在实际环境中不可用。 我们考虑到深度循环网络结构，以保持LR和HR数据分布之间的域一致性，这是受CycleGAN在图像到图像翻译应用程序中最近成功的启发。 通过以端对端方式从LR到HR域转换的生成对抗网络（GAN）框架进行训练，我们提出了超分辨率残留循环生成对抗网络（SRResCycGAN）。 我们在定量和定性实验中证明了我们提出的方法，该方法很好地推广到了真实图像的超分辨率，并且很容易部署到移动/嵌入式设备中。 此外，我们在AIM 2

变形神经网络 使用pytorch进行心电图诊断的可变形卷积网络。 这是文章“基于具有良好抗噪能力的可变形卷积神经网络的端到端12导心电图诊断系统”的源代码 入门 训练环境 NVIDIA驱动程序版本418.67 CUDA版本10.1 Python版本3.6.8 Pytorch版本1.4.0 + cu101 安装所需的软件包 从该存储库的根目录运行 pip install -r requirements.txt 下载数据集 我们使用CPSC-2018作为数据集。 您可以从下载数据重新处理数据并以.npy格式保存数据。 然后将数据放入文件夹./dataset/DataSet250HzRepeatFill并将标签放入文件夹./dataset 。 有关更多详细信息，请参考load_dataset.py 。 注意：在我们的实验中，我们删除了总长度超过30秒的数据，将采样频率降低到250 Hz

利用Pytorch实现的可变形卷积网络v2

卷积神经网络加速器及其VerilogHDL代码自动生成设计

基于CNN卷积神经网络，对Olivetti人脸数据集，实现了小型人脸识别项目，准确率达到85%。 # train_data: 320张，57*47， train_label:320个，1*40 # valid_data: 40张，57*47 ， valid_label:40个，1*40 # test_data: 40张，57*47 ， test_label:40个，1*40

使用卷积神经网络处理时间序列，属于最新的处理模型，非常适合处理时间序列

安装 安装依赖项以在启用Python 3和GPU的Tensorflow上在深度集群上运行 wget https://bootstrap.pypa.io/get-pip.py python3 get-pip.py --user $HOME/.local/bin/pip3 install virtualenv --user # *NB* if you are on AFS you may not have enough space in your home directory # for the environment. I recommend putting it in scratch or somewhere where # you have a few GB of space. $HOME/.local/bin/virtualenv ecg_env source ecg_env/bi

【ch10-卷积神经网络】 经典卷积网络.pdf

Keras TCN 与所有主要/最新的Tensorflow版本（从1.14到2.4.0+）兼容。 pip install keras-tcn Keras时间卷积网络。 [] 为什么选择时间卷积网络？ 与具有相同容量的循环体系结构相比，TCN具有更长的内存。 在各种任务（序列MNIST，添加问题，复制内存，字级PTB ...）上，其性能始终优于LSTM / GRU体系结构。 平行度，灵活的接收场大小，稳定的梯度，训练所需的低内存，可变长度的输入... 放大的因果卷积层堆栈的可视化（Wavenet，2016） API 通常的方法是导入TCN层，并在Keras模型中使用它。 下面提供了一个回归任务的示例（对于其他示例，请参阅tasks/ ）： from tensorflow . keras . layers import Dense from tensorflow . keras import Input , Model from tcn import TCN , tcn_full_summary batch_size , timesteps , input_dim = No