作者 项目 文献资料 建置状态 代码质量 覆盖范围 NumPyNet Linux / MacOS ： Windows ： 编码： 编码节拍： 纯NumPy中的神经网络-NumPyNet 在神经网络模型的纯Numpy中实现。 NumPyNet支持语法非常接近Keras之一，但它使用只写了Numpy功能：这种方式很轻，快速安装和使用/修改。 理论 先决条件 安装 效率 用法 贡献 参考 作者 执照 致谢 引文 概述 NumPyNet是作为研究神经网络模型的教育框架而诞生的。 编写该指南的目的是平衡代码的可读性和计算性能，并提供大量文档，以更好地理解每个脚本的功能。 该库是用纯Python编写的，唯一使用的外部库是Numpy （科学研究的基本软件包）。 尽管所有常见的库都通过广泛的文档进行了关联，但对于新用户而言，通常很难在其中引用的许多超链接和论文中四处移动。 NumPyNet试

NumpyDL：Numpy深度学习库 内容描述 NumpyDL是： 基于纯Numpy / Python 对于DL教育 特征 其主要特点是： 纯洁的脾气暴躁 原生于Python 基本支持自动区分 提供了常用的模型：MLP，RNN，LSTM和CNN 几个AI任务的示例 对于玩具聊天机器人应用 文献资料 可用的在线文档： 最新文件 开发文档 稳定文档 可用的离线PDF： 最新PDF 安装 使用pip安装NumpyDL： $ > pip install npdl 从源代码安装： $ > python setup.py install 例子 NumpyDL提供了一些AI任务示例： 句子分类 示例/lstm_sentence_classification.py中的LSTM 例子中的CNN / cnn_sentence_classification.py mnist手写识

生成绘画火炬 根据作者的，对PyTorch重新。 先决条件 该代码已经在Ubuntu 14.04上进行了测试，以下是需要安装的主要组件： Python3 PyTorch 1.0+ 火炬视觉0.2.0+ 张量板 pyyaml 训练模型 python train.py --config configs/config.yaml 检查点和日志将保存到checkpoints 。 用训练好的模型进行测试 默认情况下，它将在检查点中加载最新保存的模型。 您也可以使用--iter通过迭代选择保存的模型。 训练有素的PyTorch模型：[ ] [] python test_single.py \ --image examples/imagenet/imagenet_patches_ILSVRC2012_val_00008210_input.png \ --mask examples/cen

Java Deep Learning Essentials 英文无水印pdf pdf所有页面使用FoxitReader和PDF-XChangeViewer测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 本资源转载自网络，如有侵权，请联系上传者或csdn删除

Java Deep Learning Essentials 英文版 2016

深度学习 [deep learning] AI圣经 Deep Learning 英文版 ( 花书 ) ，[美] Ian，Goodfellow，[加] Yoshua，Bengio，[加] Aaron ... 著

深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--2017-CVPR (源码、原文） 深度学习三维重建 Deep Image Matting--

火炬指标 PyTorch的模型评估指标 火炬指标作为自定义库，以提供Pytorch共同ML评价指标，类似于tf.keras.metrics 。 如，Pytorch没有用于模型评估指标的内置库torch.metrics 。 这类似于的指标库。 用法 pip install --upgrade torch-metrics from torch_metrics import Accuracy ## define metric ## metric = Accuracy ( from_logits = False ) y_pred = torch . tensor ([ 1 , 2 , 3 , 4 ]) y_true = torch . tensor ([ 0 , 2 , 3 , 4 ]) print ( metric ( y_pred , y_true )) ## define metri

Preface Deep learning is a fascinating field. Artificial neural networks have been around for a long time, but something special has happened in recent years. The mixture of new faster hardware, new techniques and highly optimized open source libraries allow very large networks to be created with frightening ease. This new wave of much larger and much deeper neural networks are also impressively skillful on a range of problems. I have watched over recent years as they tackle and handily become state-of-the-art across a range of difficult problem domains. Not least object recognition, speech recognition, sentiment classification, translation and more. When a technique comes a long that does so well on such a broad set of problems, you have to pay attention. The problem is where do you start with deep learning? I created this book because I thought that there was no gentle way for Python machine learning practitioners to quickly get started developing deep learning models. In developing the lessons in this book, I chose the best of breed Python deep learning library called Keras that abstracted away all of the complexity, ruthlessly leaving you an API containing only what you need to know to efficiently develop and evaluate neural network models. This is the guide that I wish I had when I started apply deep learning to machine learning problems. I hope that you find it useful on your own projects and have as much fun applying deep learning as I did in creating this book for you.

深度SVDD的PyTorch实现 该存储库提供了我们的ICML 2018论文“深度一类分类”中介绍的Deep SVDD方法的实现。 引用与联系 您可以在找到《深层一类分类ICML 2018》论文的PDF。 如果您使用我们的作品，也请引用以下文章： @InProceedings{pmlr-v80-ruff18a, title = {Deep One-Class Classification}, author = {Ruff, Lukas and Vandermeulen, Robert A. and G{\"o}rnitz, Nico and Deecke, Lucas and Siddiqui, Shoaib A. and Binder, Alexander and M{\"u}ller, Emmanuel and Kloft, Marius}, bookti