efficiency_densenet_pytorch DenseNets的PyTorch> = 1.0实现，已优化以节省GPU内存。 最近更新 现在可以在PyTorch 1.0上使用！ 它使用检查点功能，使此代码更有效！！！ 动机 虽然DenseNets在深度学习框架中很容易实现，但大多数实现（例如）往往需要大量内存。 特别是，通过批处理规范化和串联操作生成的中间特征图的数量随着网络深度的增加而平方增长。 值得强调的是，这不是DenseNets固有的属性，而是实现的属性。 此实现使用一种新的策略来减少DenseNets的内存消耗。 我们使用来计算Batch Norm和串联特征图。 这些中

DeepSegment：一个有效的句子分割器！ DeepSegment可作为免费使用的API（ ）以及通过的可自我托管的服务提供 注意：对于原始实现，请使用此存储库的“ master”分支。 代码文档位于 安装： # Tested with (keras==2.3.1; tensorflow==2.2.0) and (keras==2.2.4; tensorflow==1.14.0) pip install --upgrade deepsegment 支持的语言： zh-英文（已接受各种来源的资料训练） fr-法语（仅Tatoeba数据） 它-意大利语（仅Tatoeba数据） 用

neural-networks-and-deep-learning.pdf

YoloV5-ncnn-Raspberry-Pi-4 带有ncnn框架的YoloV5。 论文： ： 专为裸露的Raspberry Pi 4制作，请参阅 基准。 模型 杰特逊纳米2015 MHz RPi 4 64-OS 1950兆赫 YoloV2（416x416） 10.1帧/秒 3.0帧/秒 YoloV3（352x352）微小 17.7帧/秒 4.4 FPS YoloV4（416x416）微小 11.2 FPS 3.4帧/秒 YoloV4（608x608）完整 0.7帧/秒 0.2帧/秒 YoloV5（640x640）小 4.0 FPS 1.6帧/秒 依赖关系。 要运行该应用程序，您必须： 具有32或64位操作系统的树莓派4。 它可以是Raspberry 64位操作系统，也可以是Ubuntu 18.04 / 20.04。 已安装腾讯ncnn框架。 已安装OpenC

树莓派zero图像分类与目标检测 山东大学（威海） 2018级数据科学与人工智能实验班 孙易泽 吴锦程 詹沛 徐潇涵 树莓派zero图像分类与目标检测是深度学习的研究项目，旨在通过深度学习算法，实现树莓派的实时识别与分类。 在树莓派上运行深度学习主要分为以下几个步骤： 首先是数据的获取及预处理，图像分类与目标检测需要大量干净且高质量的图片数据进行训练，我们需要通过不同方式，尽可能多的获取到相关的图片数据，并处理为深度学习可用的形式。 接下来先实现图像分类，根据深度学习领域存在的相关模型，选择适合于树莓派上运行的深度学习模型。通过Tensorflow2搭建深度学习框架，通过对模型参数不断调整，训练出正确率高且能快速运行的模型。通过对模型的不断改进，在保持模型正确率的同时，减小模型的大小。 目标检测模型也是一个侧重点，我们选择轻量级的深度学习模型，并使用Tensorflow2 Object D

深度强化学习，用于具有多样性代表奖赏的无监督视频摘要。 使用python = 3.x实现 要求 python = 3.x 火炬 显卡 制表 开始吧 git clone https://github.com/TorRient/Video-Summarization-Pytorch cd Video-Summarization-Pytorch mkdir dataset 准备数据集 将视频放入文件夹数据集中 python create_data.py --input dataset --output dataset/data.h5 分割 python create_split.py -d dataset/data.h5 --save-dir dataset --save-name splits --num-splits 5 如何训练 python train_video_summar

Enhancement_learning_financial_trading：有关如何使用强化学习开发金融交易模型的MATLAB示例

HaloNet-火炬 本文的注意力层的实现，。 该存储库将仅容纳关注层，而不会包含更多内容。 安装 $ pip install halonet-pytorch 用法 import torch from halonet_pytorch import HaloAttention attn = HaloAttention ( dim = 512 , # dimension of feature map block_size = 8 , # neighborhood block size (feature map must be divisible by this) halo_size = 4 , # halo size (block receptive field) dim_head = 64 , # dimension of

监控视频中的道路事故检测 北京大学团队2018 Road_Accident数据集上监视视频（ ）的真实世界异常检测的实现和修改版本。 数据集 道路事故数据集包含796个* .mp4格式的视频（330正常，366异常，100测试）。 数据集链接：正在更新 C3D提取器：使用3D卷积网络学习时空特征（ ）。 使用Google Colab（）提取视频的C3D功能 按照笔记本中的说明提取视频功能。 训练 检查此笔记本以查看文档以及培训/测试过程。 Keras 1.1.0 Theano 0.9.0 的Python 3 可视化结果 Django Web应用程序。 有关更多详细信息，请参见目录。 档案结构 文件/目录 说明 提取C3D视频功能 Python，Matlab通用脚本 测试视频的Groudtruth批注 用于建立C3D Caffe模型的配置文件 训练/测试代码 Jupyter

Tensorflow中的指针网络 TensorFlow实现。 支持多线程数据管道以减少I / O延迟。 要求 Python 2.7 用法 训练模型： $ python main.py --task=tsp --max_data_length=20 --hidden_dim=512 # download dataset used in the paper $ python main.py --task=tsp --max_data_length=10 --hidden_dim=128 # generate dataset itself 训练模型： $ python main.py $