Neural Networks and Deep Learning - 神经网络与深度学习 中英两个版本文件- 完美排版

Siamese Neural Networks for One-shot Image Recognition，关于用于一次性图像识别的连体神经网络的论文，方便深入图像深度学习

Non-Local Neural Networks with Grouped Bilinear Attentional Transforms, 论文Non-Local Neural Networks with Grouped Bilinear Attentional Transforms中提出的一种针对non-local网络改进的网络结构。 Non-local可以建模时间和空间维度上的关联性；GCNet结合了基于通道的注意力机制SE和能够捕获全局空间信息的Non-local网络；BAT是在传统的non-local模块上改进的可进行变形操作的新型模块，并且在图片分类和视频分类的性能上已经超过了传统的non-local网络结构。

可切换归一化 可切换规范化是一种规范化技术，它能够以端到端的方式为深度神经网络中的不同规范化层学习不同的规范化操作。 更新 2019/3/21：发布分布式培训框架和面部识别框架。 我们还发布SyncBN和SyncSN的pytorch实现小批量任务，如分割和检测。 有关SyncBN和SyncSN的更多详细信息，可以参考。 2018/7/27：已发布ResNet50 + SN（8,1）和SN（8,4）的预训练模型。 当目标任务的批处理大小被限制为较小时，这些模型可能会在微调阶段有所帮助。 我们还发布了ResNet101v2 + SN的预训练模型，该模型在ImageNet上达到了78.81％/ 94.16％的top-1 / top-5精度。 更多预训练模型即将发布！ 2018/7/26：用于对象检测的代码已在的存储库中。 2018/7/9：我们想解释SN背后的优点。 请参阅或 。 201

图神经网络(GNNs)已被广泛应用于图表示学习的各个领域。然而，与所有其他神经网络模型一样，GNN也存在黑盒问题，因为人们无法理解其机制。为了解决这一问题，人们提出了几种解释GNN决策的方法。在本报告中，Simone Scardapane概述了最先进的GNN解释方法和如何评估它们

这是Jake Bouvrie在2006年写的关于CNN的训练原理，虽然文献老了点，不过对理解经典CNN的训练过程还是很有帮助的。该作者是剑桥的研究认知科学的。【英文版】

Apache MXNet Gluon中的LSTNet实现 该存储库包含本文的实现： ://arxiv.org/abs/1703.07015，基于该存储库中作者的原始PyTorch实现： : 请参考该论文以获取有关网络体系结构的背景知识。 运行脚本 要获取命令行参数列表： python train.py-帮助

TensorFlow自组织图 TensorFlow 1.5和Python 3.6的Kohonen自组织映射1的实现。 提供了一个Tensorflow V2版本，该版本位于tfv2分支中。 （感谢Dragan！）这最初是基于代码，但进行了一些关键的修改： 使用TensorFlow广播语义而不是tf.pack和for循环。 输入数据应该来自Tensor而不是tf.placeholder ，从而可以与更快，更复杂的输入数据管道一起使用。 培训使用批处理算法而不是在线算法，如果您具有GPU RAM，则可以大大提高速度。 另外，因此，我添加了... 多GPU支持（对于具有多个GPU的单机，它没有多节点培训）。 Tensorboard可视化的一些摘要操作 example.py通过在3个群集玩具数据集上训练SOM来包含其用法的简单示例。 产生的u-matrix应该看起来像这样： 请注意，该示

对抗性鲁棒性工具箱（ART）v1.5 对抗性鲁棒性工具箱（ART）是用于机器学习安全性的Python库。 ART提供的工具使开发人员和研究人员可以针对逃避，中毒，提取和推理的对抗性威胁捍卫和评估机器学习模型和应用程序。 ART支持所有流行的机器学习框架（TensorFlow，Keras，PyTorch，MXNet，scikit-learn，XGBoost，LightGBM，CatBoost，GPy等），所有数据类型（图像，表格，音频，视频等）和机器学习任务（分类，对象检测，语音识别，生成，认证等）。 了解更多 --- ----- -， --- 该图书馆正在不断发展中。 欢迎反馈，错误报告和贡献

已淘汰 该项目建于2016年（旧的张量流时代），在新的张量流下，一些设计选择不再有意义。 您可能会在其他地方找到更好的seq2seq教程/实现。 seq2seq_chatbot 张量流中Seq2seq聊天机器人的实现。 特征 带智能加载程序的动态rnn （无填充） 预测中的波束搜索（全局最优快速近似） 解码器的信号指示器（解码器上的部分控制） 技术报告： : : Python 2.7依赖项 张量流1.8 麻木 json 操作说明 运行“ python train.py”，然后等待（在具有cuda 9.0和cudnn 7.0的GTX 1080 Ti上运行5分钟），直到训练完成 运行“ python test.py”以进入与聊天机器人的交互式会话 尝试自己的数据 可以对自己的数据运行它，但是您需要至少生成2个文件，其格式与bbt_data中的文件相同。 text.txt，这是