neural-networks-and-deep-learning书籍的一些demo，使用python2编写，有需要可以下载

onnx2keras ONNX至Keras深度神经网络转换器。 要求 TensorFlow 2.0 原料药 onnx_to_keras(onnx_model, input_names, input_shapes=None, name_policy=None, verbose=True, change_ordering=False) -> {Keras model} onnx_model ：要转换的ONNX模型 input_names ：带有图形输入名称的列表 input_shapes ：覆盖输入形状（实验性的） name_policy ：[' name_policy '，'short'，'default']覆盖图层名称（实验性） verbose ：详细输出 change_ordering:将排序更改为HWC（实验性） 入门 ONNX模型 import onnx from onnx2

PyTorch中的Seq2Seq 这是用于在训练序列到序列模型的完整套件。 它由几个模型和代码组成，可以训练和推断使用它们。 使用此代码，您可以训练： 神经机器翻译（NMT）模型 语言模型 图像到字幕的生成 跳过思维的句子表示 和更多... 安装 git clone --recursive https://github.com/eladhoffer/seq2seq.pytorch cd seq2seq.pytorch; python setup.py develop 楷模 当前可用的模型： 简单的Seq2Seq递归模型 带注意解码器的递归Seq2Seq （GNMT）递归模型 变形金刚-来自的仅关注模型 数据集 当前可用的数据集： WMT16 WMT17 OpenSubtitles 2016 COCO图片标题 可以使用3种可用的分割方法对所有数据集进行标记： 基于字符的细

d2l火炬 首先感谢《动手学深度学习》的原作者和贡献者为我们提供了一本本极为优秀的书籍。如果您对框架没有特定偏好或需求，不妨尝试MXNet，则极为优秀的深度学习框架。原书地址：http: ，原书视频教程： ， 本书在原书（19年5月20日版本）基础上将所有代码改用PyTorch进行实现，并以注解的形式对部分内容的进行了解释与扩展。因为PyTorch与MXNet在设计上存在不同，对原书部分内容进行了删改。 请按照目录中的顺序阅读学习。 如果您喜欢这本书，请给本项目点个star，并购买原书纸质版支持原作者及贡献者。 项目未来短期内不再更新，如需要计算性能，计算机视觉两章可使用项目 。如有疑问欢

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。