python softmax实现手写数字识别， deep learning 使用python TensorFlow实现

股票价格预测 Udacity-机器学习纳米学位课程：Project-6（Capstone项目） 项目概况 这是Udacity-机器学习纳米学位计划中列出的一系列项目中的第六个也是最后一个顶点项目。 投资公司，对冲基金甚至个人一直在使用财务模型来更好地了解市场行为并进行有利可图的投资和交易。 历史股价和公司绩效数据的形式提供了大量信息，适用于机器学习算法进行处理。 我们真的可以通过机器学习预测股价吗？ 投资者通过分析数据做出有根据的猜测。 他们将阅读新闻，研究公司的历史，行业趋势以及做出预测的其他许多数据点。 流行的理论是，股票价格是完全随机且不可预测的，但这提出了一个问题，为什么摩根士丹利和花旗集团这样的顶级公司会聘请定量分析师来建立预测模型。 我们的想法是，交易大厅里充斥着肾上腺素的男人，他们之间的联系松散，向电话里喊着什么，但如今，他们更有可能看到成排的机器学习专家静静地坐在电脑屏幕前。 实际上，现在华尔街上约70％的订单都是通过软件下达的，我们现在处在算法时代。 该项目利用深度学习模型，长期记忆（LSTM）神经网络算法来预测股票价格。 对于具有时间范围的数据，递归神经网络（

DCASE 2019-任务5-城市声音标记 该存储库包含我用于的最终解决方案。 该模型在粗略和精细级别标签的预测中均排名第一。 再现结果 先决条件： 基于Linux的系统 Python> = 3.5 拥有至少8GB内存的NVidia GFX卡 CUDA> = 10.0 已安装virtualenv软件包 复制： 克隆此存储库。 要使用单个命令复制整个解决方案，请在存储库目录中时执行make run_all命令。 该命令按顺序执行以下步骤： make env ：在当前目录中创建虚拟环境 make reqs ：安装python软件包 make pytorch ：安装PyTorch make download ：从Zenodo下载Task 5的数据 make extract ：提取压缩文件 make parse ：解析注释 make logmel ：计算并保存所有文件的Log-Mel频

文字识别工具箱 1.项目介绍 该项目是基于pytorch深度学习框架，以统一的改写方式实现了以下6篇经典的文字识别论文，论文的清单如下。该项目会持续进行更新，欢迎大家提出问题以及对代码进行贡献。 模型 文章标题 发表年份 模型方法划分 神经网络 《基于端到端的可训练神经网络基于图像的序列识别及其在场景文本识别中的应用》 2017年 CNN + BiLSTM + CTC 神经网络 《 OCR门控递归卷积神经网络》 2017年 门控循环抽提层+ BiSTM + CTC 扇子 《关注：在自然图像中实现准确的文本识别》 2017年 聚焦网络+ 1D关注 SAR 《显示，参加和阅读：用于不规则文本识别的简单而强大的基准》 2019年 ResNet + 2D注意 担 《文本识别的去耦注意力网络》 2020年 FCN +卷积对齐模块 卫星 《论具有二维自我注意的任意形状的文本的识别》 2

Pytorch Forecasting旨在通过神经网络简化实际案例和研究中的时间序列预测。 具体来说，该软件包提供了有关“迈向数据科学”的文章，介绍了该软件包并提供了背景信息。 Pytorch Forecasting旨在通过神经网络简化实际案例和研究中的时间序列预测。 具体来说，该软件包提供了一个时间序列数据集类，该类抽象了处理变量转换，缺失值，随机子采样，多个历史记录长度等的基础模型。基本模型类提供了时间序列模型的基本训练以及登录tensorboa

在TensorFlow 2.0中实现的YoloV3 此仓库使用所有最佳实践在TensorFlow 2.0中提供了YoloV3的干净实现。 主要特点 TensorFlow 2.0 yolov3具有预先训练的权重 yolov3-tiny具有预先训练的权重 推论实例 转移学习的例子 使用tf.GradientTape急切模式训练 使用model.fit图模式训练 具有tf.keras.layers功能模型 使用tf.data输入管道 Tensorflow服务 向量化转换 GPU加速 完全集成的absl-py从 干净的实施 遵循最佳做法 麻省理工学院执照 用法 安装 conda（推荐） # Tensorflow CPU conda env create -f conda-cpu.yml conda activate yolov3-tf2-cpu # Tensorflow GPU conda env create -f conda-gpu.yml conda activate yolov3-tf2-gpu 点子 pip install -r requireme

| | PyTorch几何态是时间（动态）扩展文库。 该库包含来自各种已发表研究论文的各种动态和时间几何深度学习，嵌入以及时空回归方法。此外，它还提供了易于使用的数据集加载器和迭代器，用于动态和时间图以及gpu支持。它还附带了许多带有时间和动态图的基准数据集（您也可以创建自己的数据集）。 引用 如果您发现PyTorch Geometric Temporal和新的数据集对您的研究有用，请考虑添加以下引用： @misc { pytorch_geometric_temporal , author = { Benedek, Rozemberczki and Paul, Scherer and Yixuan, He and Oliver, Kiss and Nicolas, Collignon } , title = { {PyTorch Geometric Tempor

樱桃自动赛车（CAR） NCAT ECE高级设计项目 试运行 拆除

generative_adversarial_networks_101：生成对抗网络的Keras实现。 具有MNIST和CIFAR-10数据集的GAN，DCGAN，CGAN，CCGAN，WGAN和LSGAN模型

意味着老师是更好的榜样 ---- ---- ---- 作者：Harti Valpola（）Antti Tarvainen 方法 平均老师是半监督学习的一种简单方法。 它包括以下步骤： 采用受监管的体系结构并复制它。 让我们将原始模型称为学生，将新模型称为老师。 在每个训练步骤中，将相同的小批量用作学生和老师的输入，但分别向输入添加随机增强或噪声。 在softmax之后，在学生和教师的输出之间增加额外的一致性成本。 让优化器正常更新学生权重。 让教师权重为学生权重的指数移动平均值（EMA）。 也就是说，在每个训练步骤之后，将教师的权重向学生的权重稍作更新。 我们的贡献是最后一步。 莱