deep-learning-from-scratch, 『ゼロから作る Deep Learning』のリポジトリ

用于无监督图像分类和分割的不变信息聚类该存储库包含IIC论文的PyTorch代码。 IIC是一种无监督的聚类目标，它可以将神经网络训练为无监督的图像分类和分割的图像不变信息聚类。此存储库包含IIC论文的PyTorch代码。 IIC是一种无监督的聚类目标，它以最先进的语义准确性将神经网络训练为没有标签的图像分类器和分段器。 我们在无监督的STL10（ImageNet的无监督变体），CIFAR10，CIFAR20，MNIST，COCO-Stuff-3，COCO-Stuff，Potsdam-3，Potsdam和有监督/半监督的记录上设置了9条最新记录

曲波-NN 9个问题及其各自的QUBO矩阵。 QUBO矩阵用于将优化问题描述为矩阵，以便量子退火器（例如D-Wave QA）可以解决该问题。 现在，这些矩阵是一个非常有趣的构造。因此，出现了一些问题： 是否可以根据QUBO矩阵对问题类别进行分类？ 自动编码QUBO矩阵时，要权衡些什么呢，也就是说，在解决方案质量显着下降之前，还能走多远？ 让我们找出答案。 项目结构 文件 目的 nn / 包含神经网络模型。 问题/ 包含针对特定问题（例如3SAT或TSP）的生成器和评估器。 曲/ 将包含通用QUBO库。 数据集/ 包含生成的数据集。 楷模/ 包含训练有素的模型。 config.py 配置（json）处理。 main.py 主入口点。 pipe.py 在QUBO矩阵上对NN进行端到端训练和测试。 Simulations.json 所有实验和配置。

Beginning Machine Learning in iOS_ CoreML Framework 1st Edition.Pdf

BMI健康状况预测 数据可视化和机器学习来预测健康状况（BMI：体重指数） 随机森林分类 该数据集取自 。 描述 性别：男/女 高度：数（厘米） 重量：数量（千克） 索引：0-极度弱1-极度2-正常3-超重4-肥胖5-极度肥胖 kaggle笔记本内核可在找到。

Maleria检测Web应用程序 通过使用疟疾寄生虫图像数据集建立了该储存库，以对马氏体细胞进行分类。 由于文件大小，当前无法使用。 很快，我将其部署在云上并更新Web应用程序的链接 感染细胞 正常细胞

该项目是我们CVPR2019文件“用于人体姿势估计的深层高分辨率表示学习”的正式实现。用于人体姿势估计的深层高分辨率表示学习（CVPR 2019）新闻[2020/03/13] TPAMI：用于视觉识别的深度高分辨率表示学习。 它包括更多的HRNet应用程序，并且提供了以下代码：语义分割，异物检测，面部标志检测和图像分类。 [2020/02/01]我们为HRNet添加了演示代码。 感谢Alex Simes。 用于显示姿态估计结果的可视化代码

TenSEAL TenSEAL是一个基于构建的用于在张量上进行同态加密操作的库。 它通过Python API提供了易用性，同时通过使用C ++实现大多数操作来保持效率。 产品特点 :key: 使用BFV对整数向量进行加密/解密 :old_key_selector: 使用CKKS对实数向量进行加密/解密 :fire: 加密加密矢量和加密普通矢量的逐元素加法，减法和乘法 :cyclone: 点积和向量矩阵乘法 :high_voltage: 在tenseal.sealapi下完成SEAL API 用法 我们展示了加密数据的基本操作，有关机器学习应用程序的更高级用法，请参见我们的 import tenseal as ts # Setup TenSEAL context context = ts . context ( ts . SCHEME_TYPE . CKKS , poly_modulus_degree = 8192 , coeff_mod_bit_sizes = [ 60 , 40 , 40 , 60 ]

使用TensorFlow Serving部署Keras模型 阅读有关此项目的更多信息

9.10 卷积网络的神经科学基础 卷积网络也许是生物学启发人工智能的 为成功的案例。虽然卷积网络也经过 许多其他领域的指导，但是神经网络的一些关键设计原则来自于神经科学。 卷积网络的历史始于神经科学实验，远早于相关计算模型的发展。为了确定关 于哺乳动物视觉系统如何工作的许多 基本的事实，神经生理学家 David Hubel 和 Torsten Wiesel 合作多年 (Hubel and Wiesel, 1959, 1962, 1968)。他们的成就 终获 得了诺贝尔奖。他们的发现对当代深度学习模型有 大影响的是基于记录猫的单个 神经元的活动。他们观察了猫的脑内神经元如何响应投影在猫前面屏幕上精确位置 的图像。他们的伟大发现是，处于视觉系统较为前面的神经元对非常特定的光模式 （例如精确定向的条纹）反应 强烈，但对其他模式几乎完全没有反应。 他们的工作有助于表征大脑功能的许多方面，这些方面超出了本书的范围。从 深度学习的角度来看，我们可以专注于简化的、草图形式的大脑功能视图。 在这个简化的视图中，我们关注被称为 V1 的大脑的一部分，也称为初级视觉 皮层（primary visual cortex）。V1 是大脑对视觉输入开始执行显著高级处理的第一 个区域。在该草图视图中，图像是由光到达眼睛并刺激视网膜（眼睛后部的光敏组 织）形成的。视网膜中的神经元对图像执行一些简单的预处理，但是基本不改变它 被表示的方式。然后图像通过视神经和称为外侧膝状核的脑部区域。这些解剖区域 的主要作用是仅仅将信号从眼睛传递到位于头后部的 V1。 卷积网络层被设计为描述 V1 的三个性质： 1. V1可以进行空间映射。它实际上具有二维结构来反映视网膜中的图像结构。例 如，到达视网膜下半部的光仅影响 V1 相应的一半。卷积网络通过用二维映射 定义特征的方式来描述该特性。 2. V1 包含许多简单细胞（simple cell）。简单细胞的活动在某种程度上可以概括