歌声分离RNN 雷茂 芝加哥大学 介绍 这是使用递归神经网络（RNN）开发的歌声分离工具。 它可以将歌手的声音和背景音乐与原始歌曲区分开。 由于分离尚不完善，因此它仍处于开发阶段。 请检查演示的性能。 依存关系 的Python 3.5 脾气暴躁的1.14 TensorFlow 1.8 RarFile 3.0 进度栏2 3.37.1 LibROSA 0.6 Matplotlib 2.1.1 档案文件 . ├── demo ├── download.py ├── evaluate.py ├── figures ├── LICENSE.md ├── main.py ├── model ├── model.py ├── preprocess.py ├── README.md ├── songs ├── statistics ├── train.py └── utils.py 数据

个性化HRTF合成 基于神经网络，主成分分析和人体测量学的个性化HRTF的合成。 该存储库是作为巴西圣玛丽亚联邦大学声学工程学士学位论文项目的一部分开发的。 个性化HRTF应用 使用提出的模型，可用于生成具有SOFA或HeSuVi扩展名的个性化HRTF的MATLAB应用。 Auraliza应用程序 可以使用SOFA HRTF和n通道音频输入创建实时虚拟听觉场景的MATLAB应用。 主-（基于PCA） 包含预处理和后处理，回归模型和HRTF重建例程。 可能有必要为本地目录调整路径。 功能 与SOFA HRTF和主要例程使用的常规功能一起使用的工具箱。

深度视觉注意力预测 该存储库包含Keras实现的“深度视觉注意力预测”论文，该论文发表在IEEE Transactions on Image Processing

贝叶斯分析食谱 介绍 我最近受到贝叶斯统计分析的灵活和强大的启发。 然而，与许多事情一样，灵活性通常意味着要对易用性进行权衡。 我认为拥有一本可用于多种设置的代码手册对于将贝叶斯方法引入更通用的设置非常有帮助！ 目标 我的目标是每个型号有一个笔记本。 在每个笔记本中，您最终应该会发现： 这里正在解决的问题。 数据结构的描述。 示例数据表。 它通常最终会成为数据。 模型的 PyMC3 代码； 在某些笔记本中，同一型号可能有两个版本。 有关如何报告 MCMC 采样后验结果的示例。 我希望这些食谱对你有用！ （假设 我的假设遵循帕累托原则：大部分现实世界的问题基本上可以归结为几类问题，这些问题具有贝叶斯解释。 特别是，我有这样的预感，像ANOVA常用的方法，可以通过概念比较简单和更可解释的贝叶斯替代品取代，像约翰Kruschke最好的（B ayesianéstimation小号up

This book introduces some applications of Computational Intelligence (CI) to problems of Earth System Science (ESS). In my opinion, the meeting of CI and ESSs is not a coincidence. There is an affinity between these two fields of science at a very deep level. Both of them use a systems approach; they see their object as a complex system of partly autonomous, evolving, and adaptive subsystems intensively interacting with each other and with their environment, which also changes due to the interaction between subsystems and due to changes of the subsystems. This deep affinity between the two fields makes the approaches and tools developed in CI well suited for solving many problems in ESSs; therefore, CI can provide adequate models for modeling subsystems of the Earth System.

近年来，随着深度学习的快速发展，脑启发式的人工智能光子神经网络引起了人们的新兴趣。光子神经网络在许多计算任务中有着广泛的应用，例如图像识别、语音处理、计算机视觉和机器翻译等。光子神经网络显著提高了神经网络的计算速度和能源效率，与数字电子相比提高了几个数量级。硅光子学结合了电子学和光子学的优势，为大规模光子神经网络集成实现带来了希望。本文介绍了人工神经网络的基本概念，回顾了硅光子神经网络中的一些重要最新进展，分析其原理及关键器件。希望通过本文综述，能够为研究者们提供光子神经网络的概述，加深对这个新兴领域的研究兴趣。

自我监督预测的好奇心驱动探索 在ICML 2017中 ， ， ，加州大学伯克利分校 这是我们基于ICLS 基于张量流的实现，该。 当来自环境的外部奖励稀疏时，想法是用内在的基于好奇心的动机（ICM）来培训代理商。 令人惊讶的是，即使环境中没有可用的奖励，您也可以使用ICM，在这种情况下，代理仅出于好奇而学会探索：“没有奖励的RL”。 如果您发现这项工作对您的研究有用，请引用： @inproceedings{pathakICMl17curiosity, Author = {Pathak, Deepak and Agrawal, Pulkit and Ef

Convolutional Neural Networks的Matlab代码，可经过代码文件test_example_CNN.m，对手写字体进行训练测试

用于分布和不确定性估计的混合密度网络：使用Keras（TensorFlow）进行分布和不确定性估计的通用混合密度网络（MDN）实现

Countless learning tasks require dealing with sequential data. Image captioning, speech synthesis, and music generation all require that a model produce outputs that are sequences. In other domains, such as time series prediction, video analysis, and musical information retrieval, a model must learn from inputs that are sequences. Interactive tasks, such as translat- ing natural language, engaging in dialogue, and controlling a robot, often demand both capabilities. Recurrent neural networks (RNNs) are connec- tionist models that capture the dynamics of sequences via cycles in the network of nodes.