mnist分类 使用多种方法完成MNIST分类任务 Python 3.6 火炬1.0 Scikit学习0.21 无需下载数据直接跑，代码自动下载 模型 逻辑回归Logistic回归 多层感知机 K近邻KNN 支持向量机 卷积神经网络 循环神经网络 实验报告 见mnistClassification.pdf 对应的latex原始码： :

深度_强化_学习

Pix2Pix-Keras 基于pix2pix模型的动漫图片自动上色 2019-2-25 环境 tensorflow-gpu 1.12.0 Keras 2.2.4 数据集的准备： 把训练的彩色图片放入datasets\OriginalImages文件夹 运行prepare.py进行数据集的处理与准备 注意：当前datasets中的训练集过少，可增加训练集进行训练，防止过拟合 训练模型： 若要加载预训练权重，将权重文件放入weights文件夹 最新权重(在30020张图片的大数据集下训练后的权重)下载 链接： 提取码：cac2 在demo.py中新建一个pix2pix模型实例 调用实例中的train函数进行训练 为新的图片上色: 将权重文件放入weights文件夹 新建一个pix2pix模型实例

Optuna：超参数优化框架 文件| 安装指南| 教程Optuna是一个自动超参数优化软件框架，专门为机器学习而设计。 它以Optuna为特色：超参数优化框架 文件| 安装指南| 教程Optuna是一个自动超参数优化软件框架，专门为机器学习而设计。 它具有命令式，按运行定义样式的用户API。 多亏了我们的按运行定义API，用Optuna编写的代码具有高度的模块化，并且Optuna的用户可以动态构造超参数的搜索空间。 关键特性Optuna具有以下现代功能：

DO-Conv：深度超参数化卷积层 由金明曹，创建，孙铭超，， ，，和。 介绍 DO-Conv是深度过参数化的卷积层，可在训练阶段用作CNN中常规卷积层的替代，以实现更高的精度。在推理阶段，DO-Conv可以融合到常规卷积层中，从而导致计算量与常规卷积层的计算量完全相同。 有关更多详细信息，请参见的，其中我们展示了DO-Conv在各种基准数据集/任务上的优势。 我们高度欢迎的问题 我们非常欢迎与DO-Conv相关的问题，而不是电子邮件，而不是电子邮件。 此外，如果在发行中提供最少的可复制示例代码，那将是很好的。 ImageNet分类性能 我们以的为基准。基线中的设置已经过调整，以适应基线，并且在切换到DO-Conv期间不会被触摸。换句话说，DO-Conv是唯一且仅在基线上进行更改的工具，并且没有进行任何超参数调整来支持DO-Conv。我们认为GluonCV具有很高的重现性，但是，为了尽可

图像中敏感数据曝光的检测 在当前的智能设备和智能手机时代，使用这些设备拍摄的任何图像都会立即自动上传到云（Google Photos，iCloud等）或互联网（社交媒体网站，如Facebook，Twitter等）。 并且有一个所有内容的存档，这些存档正在上传到Internet。 因此，必须对上传到Internet的内容保持谨慎。 不幸的是，人们有意或无意地上传了包含敏感数据的图像，例如： 用户名和密码 信用卡或支付卡信息（PCI） 个人身份信息（PII） 电子邮件地址 电话号码 社会安全号码 Aadhar数字 受保护的健康信息（PHI） 客户资料 学生资料 所有这些敏感信息可归为三类： 个人和私人信息 机密商业信息 分类信息 丢失，滥用，修改或未经授权访问敏感信息，可能会对个人的隐私或福利，企业的商业秘密乃至国家的安全和国际关系产生不利影响，具体取决于信息的敏感度和性质。 我们

音频分类使用深度学习 使用深度学习对10种不同的城市声音进行分类。 可以从以下链接下载音频文件： : 重要说明：文件夹应按以下方式排列： 火车标签目录：sounds / labels / train.csv 测试标签的目录：sounds / labels / test.csv 火车声音的目录：sounds / train / train_sound /（。wav格式的音频文件） 火车声音的目录：sounds / test / test_sound /（。wav格式的音频文件） 火车文件夹贴有标签 测试文件夹未标记 我们将一个音频信号分成3个，以将数据实际加载为机器可理解的格式。 为此，我们只需要在每个特定的时间步长之后取值即可。 例如; 在2秒的音频文件中，我们将在半秒内提取值。 这称为音频数据采样，而对其采样的速率称为采样速率。 现在可以将不同的纯信号表示为频域中的三个唯

时间序列预测代码matlab 时间序列预测使用深度学习生成数据 该项目研究了在使用不同的人工神经网络（即LSTM和GRU）建模的随机时间模型上可以进行多近的时间序列预测和预测。 给定的数据集包括辐照数据集和发电数据集，该辐照数据集和发电数据集基本上分别包含传感器检测到的辐照度值和电厂所产生的发电量值，单位为（kwh）。 数据集包含对应于从2018年12月到2019年11月的所有12个月的数据，并且在任何给定日期的每15分钟记录一次数据。 该项目的主要目标是找出最合适的ANN架构，以预测从任意一天开始的未来两天（间隔15、30、45、60分钟）的发电数据。 整个项目是通过在matlab中进行编码来完成的。

机器人手臂的深度学习 实现强化学习算法之一（DDPG深度确定性Ploicy梯度），以控制机械臂。 该项目的目标是从安装在机器人上，以电机命令在一个端对端方式的照相机来映射特征。 推介会： 有关该项目的演示文稿，可以在这里找到： 二手工具和技术： Python 2.7 TensorFlow 1.5.1 OpenCV Vrep RemoteAPI 皮塞里亚尔 任务： 在工作空间中到达对象： 环境文件： 算法实现： 遵循黑线： 环境文件： 算法实现：

GANs 2.0：TensorFlow 2.0中的生成对抗网络 项目目标 该项目的主要目的是加快建立基于生成对抗网络的深度学习管道的过程，并简化各种生成器/区分器模型的原型。 该库提供了一些GAN培训器，它们可以用作现成的功能，例如我们： 甘香草 有条件的GAN 循环甘 瓦瑟斯坦·甘 渐进式GAN（WIP） 例子 功能建模 香草GAN（高斯函数） 香草甘（sigmod功能） 影像产生 香草甘（MNIST） 有条件的GAN（MNIST） 香草甘（FASHION_MNIST） 有条件的GAN（FASHION_MNIST） 香草甘（CIFAR10） 有条件的GAN（CIFAR10） 图片翻译 循环GAN（SUMMER2WINTER） 循环GAN（WINTER2SUMMER） 安装 安装有GPU支持 pip install gans2[tensorflow_gpu]