Deepvoice3_pytorch 基于卷积网络的文本到语音合成模型的PyTorch实现： ：深度语音3：通过卷积序列学习将文本转换为语音。 ：基于深度卷积网络并具有指导性注意力的高效可训练的文本语音转换系统。 音频示例可从。 民间 ：具有WORLD声码器支持的DeepVoice3。 在线TTS演示 可以在上执行的笔记本可用： 强调 卷积序列到序列模型，用于文本到语音合成 DeepVoice3的多扬声器和单扬声器版本 音频样本和预训练模型 用于 ， 和数据集以及兼容的自定义数据集（JSON格式） 取决于语言的英语和日语前端文本处理器 样品 预训练模型 注意：预训练的模型与母版不兼容。 即将更新。 网址 模型 数据 超参数 Git提交 脚步 深度语音3 LJSpeech 64万 Nyanko LJSpeech builder=nyanko,preset=nyanko_ljspeech 585k 多扬声器DeepVoice3 VCTK builder=deepvoice3_multispeaker,preset=deepvoice3_vctk 300k

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

构建设置 # install python libraries pip install -r requirements.txt # run the server python app.py # install dependencies npm install # serve with hot reload at localhost:8080 npm run dev # build for production with minification npm run build # build for production and view the bundle analyzer report np

Seglearn Seglearn是用于机器学习时间序列或序列的python软件包。 它提供了用于分割，特征提取，特征处理和最终估计器的集成管道。 Seglearn提供了一种灵活的方法来处理多元时间序列和相关的上下文（元）数据，以进行分类，回归和预测问题。 提供了使用经典机器学习和深度学习模型的学习时间序列的支持和示例。 它与兼容。 文献资料 安装文档，API文档和示例可在找到。 依存关系 seglearn经过测试可在Python 3.5下工作。 依赖关系要求基于最新的scikit-learn版本： scipy（> = 0.17.0） numpy（> = 1.11.0） scikit学习（> = 0.21.3） 此外，要运行示例，您需要： matplotlib（> = 2.0.0） 神经网络示例的keras（> = 2.1.4） 大熊猫 为了运行测试用例，您需要： pyt

数据集 此存储库包含用于下载，预处理和数字化流行的机器学习数据集的脚本。 在整个项目中，我通常会发现自己重写了相同的代码行以标准化，规范化或其他化数据，对分类变量进行编码，解析出要素的子集以及其他杂项。 为了减轻重复使用的麻烦，此存储库使用了模板样式的定义，该定义用于应如何解析数据集，而库则负责其余部分。 对于加载数据，它支持numpy.genfromtxt可以使用和arff任何内容（来自 ）。 为了处理数据，在utils/scale.py和utils/preprocess.py有许多流行的scikit-learn preprocessing转换器的包装器。 主要的魔力可以在utils/handler.py找到； 在底部，提供了示例模板。 参数为： 争论 描述 header 标题行是否存在（将被删除） include 只加载指定的列 label 标签索引 norm unit

审计长 使用和音频进行深度学习。 作为起点，请查看和说明。 如果您对和音频感兴趣，您还应该查看将更多音频直接集成到的努力：

Linear regrssion 的Matlab实现

使用Python简化时间序列 darts是一个python库，可轻松操纵和预测时间序列。 它包含各种模型，从ARIMA等经典模型到神经网络。 可以使用fit()和predict()函数以相同方式使用所有模型，类似于scikit-learn。 该库还使对模型的回测变得容易，并结合了多个模型的预测和外部回归。 Dart支持单变量和多变量时间序列和模型，神经网络可以训练多个时间序列。 文献资料 高级介绍 安装 我们建议先安装一个干净的Python环境为您的项目至少有Python3.6使用自己喜欢的工具（ ， ， 有或没有 ）。 设置好环境后，您可以使用pip安装Dart： pip install 'u8darts[all]' 有关更详细的安装说明，请参阅此页面末尾的安装指南。 用法示例 从Pandas DataFrame创建一个TimeSeries对象，并将其拆分为训练/验证系列： import pandas as pd from darts import TimeSeries df = pd . read_csv ( 'AirPassengers.csv' , delimiter

诸如TorchIO之类的工具是使用深度学习技术的医学AI研究成熟的征兆。 政策总监Jack Clark（）。 包 文件 建立 覆盖范围 码 笔记本电脑 社会的 原版的 （参加） TorchIO是一个Python软件包，其中包含一组工具，可在用编写的深度学习应用程序中有效读取，预处理，采样，增强和写入3D医学图像，包括用于数据增强和预处理的强度和空间变换。 变换包括典型的计算机视觉操作，例如随机仿射变换，以及特定领域的操作，例如，由于或像而引起的强度伪像的仿真。 该软件包受到NiftyNet的极大启发，NiftyNet。 学分 如果您喜欢此存储库，请单击“星号”！ 如果您使用此软件包进行研究，请引用以下文章： BibTeX条目： @article { perez-garcia_torchio_2020 , title = { {TorchIO}: a {Python} library for efficient loading, preprocessing, augmentation and patch-based sampling of medi

Start here! Predict survival on the Titanic and get familiar with ML basics