工商管理网 随附于NAACL2019论文代码和数据 开始吧 先决条件 这段代码是用python 3编写的。您将需要安装一些python软件包才能运行该代码。 我们建议您使用virtualenv来管理您的python软件包和环境。 请按照以下步骤创建python虚拟环境。 如果尚未安装virtualenv ，请使用pip install virtualenv进行pip install virtualenv 。 使用virtualenv venv创建一个虚拟环境。 使用source venv/bin/activate激活虚拟环境。 使用pip install -r requirements.txt安装软件包pip install -r requirements.txt 。 运行KBQA系统 从下载预处理的数据，并将数据文件夹放在根目录下。 创建一个文件夹（例如， runs/WebQ/

关于DeepFam DeepFam是一种基于深度学习的无比对蛋白质功能预测方法。 DeepFam首先通过卷积层从原始序列中提取保守区域的特征，然后根据这些特征进行预测。 特征 免比对：不需要多重或成对序列比对来训练族模型。 取而代之的是，通过卷积单元和1-max池训练家庭中局部保留的区域。 卷积单元的工作方式与PSSM类似。 利用可变大小的卷积单元（多尺度卷积单元）来训练通常长度各异的特定于家庭的保守区域。 安装 DeepFam是在库中实现的。 CPU和GPU机器均受支持。 有关安装Tensorflow的详细说明，请参阅的。 要求 的Python：2.7 Tensorflow：超过1.0 用法 首先，克隆存储库或下载压缩的源代码文件。 $ git clone https://github.com/bhi-kimlab/DeepFam.git $ cd DeepFam 您可以通过帮

Deep Learning（深度学习）学习笔记整理系列

使用OECC进行OOD检测 该存储库包含纸的的基本代码。 在2021年被Neurocomputing接受为Journal文章。 1.什么是具有信心控制的异常值暴露（OECC）？ 是一种技术，可帮助深度神经网络（DNN）学习如何区分分布内（OOD）数据和分布外（OOD）数据，而无需访问OOD样本。 已经证明该技术可以推广到新的分布。 为了了解如何区分分布内样本和分布外样本，OECC通过在softmax层的输出端产生均匀分布来使DNN对于OOD样本具有高度不确定性。 同时，它还可以对分布样本进行预测，其平均置信度接近其训练精度，即控制其置信度。 在图像和文本分类任务中，使用OE进行OOD检测时，总体OECC损失函数要优于以前的SOTA结果。 此外，我们在中通过实验表明，通过将OECC与SOTA后训练方法（如或结合用于OOD检测，可以在OOD检测任务中获得SOTA结果。 2.可视化OECC背

Deep Learn Toolbox 深度学习的matlab工具箱

目前深度学习在学术界和工业界都得到了广泛的关注和应用。虽然TensorFlow、PyTorch等深度学习框架大大降低了深度学习模型实现的门槛，深度学习的应用仍离不开背后数学基础的指导。

This book consists of six chapters, which can be grouped into three subjects. The first subject is Machine Learning and takes place in Chapter 1. Deep Learning stems from Machine Learning. This implies that if you want to understand the essence of Deep Learning, you have to know the philosophy behind Machine Learning to some extent. Chapter 1 starts with the relationship between Machine Learning and Deep Learning, followed by problem solving strategies and fundamental limitations of Machine Learning. The detailed techniques are not introduced yet. Instead, fundamental concepts that applies to both the neural network and Deep Learning will be covered. The second subject is artificial neural network. Chapters 2-4 focuses on this subject. As Deep Learning is a type of Machine Learning that employs a neural network, the neural network is inseparable from Deep Learning. Chapter 2 starts with the fundamentals of the neural network: principles of its operation, architecture, and learning rules. It also provides the reason that the simple single-layer architecture evolved to the complex multi-layer architecture. Chapter 3 presents the backpropagation algorithm, which is an important and representative learning rule of the neural network and also employed in Deep Learning. This chapter explains how cost functions and learning rules are related and which cost functions are widely employed in Deep Learning. Chapter 4 introduces how to apply the neural network to classification problems. We have allocated a separate section for classification because it is currently the most prevailing application of Machine Learning. For example, image recognition, one of the primary applications of Deep Learning, is a classification problem. The third topic is Deep Learning. It is the main topic of this book as well. Deep Learning is covered in Chapters 5 and 6. Chapter 5 introduces the drivers that enables Deep Learning to yield excellent performance. For a better understanding, it starts wi

吴恩达在coursera上免费的斯坦福deep learning课程的同步资料，包含完整的matlab代码与PDF文档说明

蛋白质网 ProteinNet是用于机器学习蛋白质结构的标准化数据集。 它提供蛋白质序列，结构（和），多个序列比对（ ），位置特定的评分矩阵（ ），以及标准化的拆分。 ProteinNet建立在两年期评估的基础上，该评估对最近解决但尚未公开获得的蛋白质结构进行盲目预测，以提供推动计算方法学前沿的测试集。 它被组织为一系列数据集，涵盖了CASP 7至12（涵盖十年），以提供一系列数据集大小，从而可以在相对数据贫乏和数据丰富的体制中评估新方法。 请注意，这是一个初步版本。 用于构建数据集的原始数据以及MSA尚未普遍可用。 但是，可应要求提供ProteinNet 12的原始MSA数据（4TB）

pybullet快速入门手册 PyBulletQuickstart GuideErwin Coumans​, ​Yunfei Bai​, 2017/2018 1.Introduction 2.controlling arobot 3.synthetic camera rendering 4.collision detection queries 5.inverse dynamics,kinematics 6.reinforcement learning gym envs 7.virtual reality 8.debug GUI,lines,Text,Parameters 9.build and install pybullet