深度学习的显著成功引发了人们对其在医学诊断中的应用的兴趣。即使最先进的深度学习模型在对不同类型的医疗数据进行分类时达到了人类水平的准确性，但这些模型在临床工作流程中很难被采用，主要是因为它们缺乏可解释性。深度学习模型的黑盒性提出了设计策略来解释这些模型的决策过程的需要，这导致了可解释人工智能(XAI)这个话题的产生。在此背景下，我们提供了XAI应用于医疗诊断的全面综述，包括可视化、文本和基于示例的解释方法。此外，这项工作回顾了现有的医学成像数据集和现有的指标，以评估解释的质量。作为对大多数现有综述的补充，我们包含了一组基于报告生成方法之间的性能比较。最后，还讨论了XAI在医学影像应用中的主要挑战。 https://www.zhuanzhi.ai/paper/f6e90091666dbcaa5b40c1ab82e9703b 引言 人工智能(AI)领域在过去十年取得的进展，支持了大多数计算机视觉应用的准确性的显著提高。医学图像分析是在对不同类型的医学数据(如胸部X光片[80]、角膜图像[147])进行分类时取得人类水平精确度的应用之一。然而，尽管有这些进展，自动化医学成像在临床实践中很少

深度压缩压缩深度神经网络，并带有经过修剪训练的量化和霍夫曼算法 这是文件的pytorch实现。 Pytorch版本：0.4.0

Yahoo的开放NSFW模型的Tensorflow实现 该存储库包含以tensorflow重写的的实现。 原始重量已使用提取 。 您可以在data/open_nsfw-weights.npy找到它们。 先决条件 所有代码均应与Python 3.6和Tensorflow 1.x （经1.12测试）兼容。 该模型的实现可以在model.py找到。 用法 > python classify_nsfw.py -m data/open_nsfw-weights.npy test.jpg Results for 'test.jpg' SFW score: 0.9355766177177429 NSF

开放式神经网络交换（ONNX）模型库ONNX模型库是用于深度学习的最新模型的预训练模型的集合，这些模型以ONNX格式提供。 每个模型都附带Jupyter n ONNX模型Zoo开放神经网络交换（ONNX）是一种用于表示机器学习模型的开放标准格式。 ONNX得到了许多合作伙伴的支持，这些合作伙伴已在许多框架和工具中实现了该功能。 ONNX模型动物园是由像您这样的社区成员提供的ONNX格式的经过预训练的最新模型的集合。 每个模型都随附有Jupyter笔记本，用于进行模型训练并根据训练后的模型进行推断。 笔记本是用Pyth编写的

机器人学习研究框架 RL算法 PPO DDPG TD3 SAC IL算法 公元前 盖尔 数模转换器 目录 run.py ：只需启动main.py main.py ：设置实验并使用trainer.py培训 trainer.py ：包含培训和评估代码 algorithms/ ：所有RL和IL算法的实现 config/ ： config/__init__.py超参数 environments/ ：注册环境（OpenAI Gym和Deepmind Control Suite） networks/ ： networks/实现，例如政策和价值功能 utils/ ：包含辅助函数 先决条件 Ubuntu 18.04或更高版本 Python 3.6 Mujoco 2.0 安装 安装mujoco 2.0并将以下环境变量添加到~/.bashrc或~/.zshrc # download mujoc

集群深度学习 实验室课程“计算机视觉和生物医学的深度学习”-TUM下的项目“用于集群的深度学习”的代码。 取决于numpy ， theano ，烤宽面条， scikit-learn ， matplotlib 。 贡献者 （主管） 相关论文： 该存储库是本文的实现：Elie Aljalbout，Vladimir Golkov，Yawar Siddiqui，Daniel Cremers“通过深度学习进行聚类：分类法和新方法” arxiv： ：//arxiv.org/abs/1801.07648 用法 使用主脚本来训练，可视化集群和/或报告集群指标 python main.py 选项 -d DATASET_NAME, --dataset DATASET_NAME (Required) Dataset on which autoencoder is to be tra

【伯克利干货】机器学习全面指南 CS189是加州大学伯克利分校的机器学习课程。在本指南中，我们创建了一个全面的课程指南，以便与学生和公众分享我们的知识，并希望吸引其他大学的学生对伯克利的机器学习课程的兴趣。本指南由cs189助教Soroush Nasiriany和Garrett Thomas于2017年秋季发起，并得到William Wang和Alex Yang的协助。

Applied Predictive Modeling.2013 机器学习，数据挖掘参考资料

简介此目录包含由Ultralytics LLC开发的PyTorch YOLOv3软件，可以根据GPL-3.0许可免费分发。 有关更多信息，请参见简介该目录包含Ultralytics LLC开发的PyTorch YOLOv3软件，可根据GPL-3.0许可免费重新分发。 有关更多信息，请访问https://www.ultralytics.com。 描述https://github.com/ultralytics/yolov3存储库包含PyTorch中YOLOv3的推断和培训代码。 该代码可在Linux，MacOS和Windows上运行。 默认情况下，对COCO数据集进行培训：https：//cocodataset.org/#home。 归功于Joseph Redmon的YO

Role2Vec ⠀ ⠀ 基于学习角色的图嵌入的可扩展并行gensim实现（IJCAI 2018） 。 抽象的 随机游走是许多现有网络嵌入方法的核心。 但是，这样的算法由于使用随机游走而具有许多局限性，例如，由于这些方法所产生的特征与顶点身份相关联，因此无法转移到新的节点和图上。 在这项工作中，我们介绍了Role2Vec框架，该框架使用了归因于随机游走的灵活概念，并为泛化现有方法（例如DeepWalk，node2vec和许多利用随机游走的其他方法）奠定了基础。 我们提出的框架使这些方法可以更广泛地应用于转导和归纳学习，以及在具有属性的图上使用（如果可用）。 这是通过学习泛化到新节点和图的功能来实现的。 我们表明，我们提出的框架是有效的，平均AUC改善了16.55％，同时所需的空间比各种图形上的现有方法平均少853倍。 二阶随机游走采样方法取自的参考实现。 该模型现在也可在包中找到。