台湾李宏毅教授的深度学习课件，详细讲解了深度学习常见框架和基本原理

Deep Learning(中文版)(An MIT Press Book)

PyTorch中高效的视频数据集加载和增强 作者： 如果您发现该代码很有用，请给存储库加注星标。 如果您完全不熟悉使用torch.utils.data.Dataset和torch.utils.data.DataLoader在PyTorch中加载数据集，建议您首先通过或来熟悉它们。 概述：本示例演示VideoFrameDataset的用法 VideoFrameDataset类（ torch.utils.data.Dataset的实现）用于easily ， efficiently effectively从PyTorch的视频数据集中加载视频样本。 之所以容易，是因为该数据集类可以与自定义数据集一起使用，而无需花费任何努力，也无需修改。 该类仅希望视频数据集在磁盘上具有某种结构，并希望使用.txt注释文件枚举每个视频样本。 可以在下面以及https://video-dataset-loa

少量学习的原型网络 NIPS 2017论文》的代码。 如果您使用此代码，请引用我们的论文： @inproceedings{snell2017prototypical, title={Prototypical Networks for Few-shot Learning}, author={Snell, Jake and Swersky, Kevin and Zemel, Richard}, booktitle={Advances in Neural Information Processing Systems}, year={2017} } 训练原型网络 安装依赖 该代码

CS231n-2017年Spring 这些是我对斯坦福大学的CS231n 2017年Spring课程的解决方案。 我完成了所有作业，以提高自己的Python技能以及对深度学习的理解。 已完成 作业1 作业2（PyTorch和Tensorflow） 作业3（PyTorch和Tensorflow） 未来的工作 额外的信用任务 问题 如果您有任何疑问，我们将很乐意为您解答，只需将其发布为问题，然后我会尽可能答复。

MVCNN-PyTorch Multi-View CNN built on ResNet/AlexNet to classify 3D objects A PyTorch implementation of MVCNN using ResNet, inspired by the paper by . MVCNN uses multiple 2D images of 3D objects to classify them. You can use the provided dataset or create your own. Also check out my implementation whitch outperforms MVCNN (Under construction). Dependencies torch torchvision numpy tensorflow (for

机器学习研究论文 机器学习、深度学习及相关领域的研究论文列表。 我整理了一份我遇到和阅读的研究论文清单。 我会在每周阅读论文时不断更新论文列表及其摘要。 如何阅读研究论文 Andrew Ng 教授就给出了一些很棒的技巧。 我在总结了提示。 目录 可以根据区分标准查看论文列表，例如（会议地点、出版年份、主题涵盖、作者等）。 以下过滤格式可用于查看论文列表： 所有论文 论文名称 地位 话题 类别 年 会议 作者 概括 关联 0 读 CNN、简历、图像 可视化 2014年 ECCV 马修·D·泽勒，罗伯·弗格斯 在 CNN 过滤器激活上使用反卷积可视化 CNN 过滤器/内核。 1 读 CNN、简历、图像 建筑学 2015年 CVPR 克里斯蒂安·塞格迪，刘伟 提出使用1x1 conv操作来减少深度和宽CNN中的参数数量 关联 2 ResNet（用于图像识别的深度残差学习） 读 C

pix2pix | | 火炬实现，用于学习从输入图像到输出图像的映射，例如： 条件对抗网络的图像到图像翻译，，， CVPR，2017年。 在某些任务上，可以在较小的数据集上相当快地获得不错的结果。 例如，要学习生成立面（如上所示的示例），我们仅对400张图像进行了约2个小时的训练（在单个Pascal Titan X GPU上）。 但是，对于更棘手的问题，重要的是要对更大的数据集进行训练，并且需要花费数小时甚至数天的时间。 注意：请检查我们的pix2pix和CycleGAN的实现。 PyTorch版本正在积极开发中，并且可以产生与该Torch版本相当或更好的结果。 建立 先决条件 L

植物苗种分类 域背景 图像分类已成为机器学习和深度学习可以解决的最重要问题之一。 在这个项目中，我将使用kaggle竞赛的数据集之一，该数据集包含大约960种独特植物的图像，这些植物在多个生长阶段属于12个物种。它包含带注释的RGB图像，其物理分辨率约为每毫米10像素。 奥尔胡斯大学信号处理小组工程系已上传此数据集，以使其具有更大的曝光范围，从而为社区提供了尝试不同图像识别技术的机会，并提供了一个可以相互授粉的思想场所。 在南丹麦大学和奥尔胡斯大学的合作下，该数据库已在奥尔胡斯大学Flakkebjerg研究站进行了记录。 您可以在此处找到数据集，该数据集具有1.7 G的训练集（无节段的单株植物），这里的问题是杂草幼苗很像农作物幼苗，我们的目标是能够使用机器学习和深度学习技术来区分它们。 你可以找到项目报告 安装 他的项目需要Python 3.5或更高版本，并安装了以下Python库：

深度模仿学习的语用观察 模仿学习算法（使用PPO ）： 美国广播公司 AIRL 公元前 钻头 童话 盖尔 GMMIL nn-PUGAIL PWIL 红色 python main.py --imitation [AIRL|BC|DRIL|FAIRL|GAIL|GMMIL|PUGAIL|RED] 选项包括： 仅状态模仿学习： --state-only 吸收状态指示器 --absorbing R1梯度正则化 ：-- --r1-reg-coeff 1 （默认值） 结果 PPO 火车 测试 航空 火车 测试 公元前 火车 测试 钻头 火车 测试 公平 火车 测试 盖尔 火车 测试 吉米 火车 测试 nn-PUGAIL 火车 测试 红色的 火车 测试 致谢 @ikostrikov （ https://github.com/ikostrikov