CNN-文本分类-keras 它是中作为功​​能api的简化实现 要求 训练 运行以下命令，如果要更改它将运行100个纪元，只需打开 python model.py 对于新数据 您必须重建词汇表然后进行培训。 引文 @misc{bhaveshoswal, author = {Bhavesh Vinod Oswal}, title = {CNN-text-classification-keras}, year = {2016}, publisher = {GitHub}, journal = {GitHub repository}, howpublished =

TownCentreXVID数据集。该数据集包含一个视频`TownCentreXVID.avi`和标签文件`TownCentre-groundtruth.top`。其中TownCentreXVID.avi一共5 min，每1 sec包含25帧图像（1920*1080），因此一共包含7500帧图像；

内眼深度学习 总览 这是一个深度学习工具箱，用于在医学图像（或更常见的是3D图像）上训练模型。 它与Azure中的云计算无缝集成。 在建模方面，此工具箱支持 细分模型 分类和回归模型 序列模型 分类，回归和序列模型可以仅将图像作为输入，或者将图像和非成像数据的组合作为输入来构建。 这支持了医疗数据的典型用例，在这些用例中，除了图像之外，还经常可以使用测量，生物标记或患者特征。 在用户方面，该工具箱专注于使机器学习团队能够实现更多目标。 它是云计算第一，并依靠来执行，簿记和可视化。 两者合计，得出： 可追溯性：AzureML保留已执行的所有实验的完整记录，包括代码快照。 标签会自动添加到实验中，以后可以帮助过滤和查找旧实验。 透明度：所有团队成员都可以访问彼此的实验和结果。 重现性：使用相同代码和数据的两次模型训练运行将得出完全相同的指标。 所有随机性源（例如多线程）均受到控制。 降低成本：使用AzureML，在开始培训工作时就请求所有计算（虚拟机，VM），并在最后释放它们。 闲置的虚拟机不会产生成本。 此外，Azure低优先级节点可用于进一步降低成本（便宜多达80％）。

基于多模态机器学习的膝关节骨关节炎进展的平原X线片和临床数据预测。 纸张代码和预先训练的模型。 Arxiv预印本： ://arxiv.org/abs/1904.06236 （c）奥卢大学Aleksei Tiulpin，2018-2019年。 关于 该存储库包含完整的代码，可重现本文中的培训过程。 要从头开始训练模型，您需要从MOST和OAI数据集中获取DICOM图像。 您还需要获取相应的元数据（可从网站下载。中提供了有关获取数据的更多说明。可在找到注释这些图像所需的元数据。 安装，培训和评估 依存关系 为了运行该项目，我们使用了Ubuntu 16.04 ， Docker和nvidia-docker 。 这些是您唯一需要的软件依赖项。 请安装这些就可以了。 如果不想使用Docker ，则可以按照给定的Dockerfile遵循安装过程。 我们使用3xGTX1080Ti NVIDIA

Deep_Freeze_chs7.5破解版本.rar

Matlab dpcm编码代码压缩感测 有关基于迭代/优化/深度学习/基于深度神经网络的图像/视频（量化）压缩/压缩感测（编码）的最新论文和代码。 基于块的DCS 单刻度感应 TGDOF [Matlab] R. Liu，Y。ZHang，S。Cheng，X。Fan，Zo Luo，“鲁棒压缩感测MRI的理论上有保证的优化框架，” AAAI人工智能大会会议录，2019年。 DNN-CS-STM32-MCU [Tensorflow] 实验室信号处理-深度神经网络在STM32 MCU板上用于基于CS的信号重建 提示CSNet [Matconvnet] W. Shi等人，《使用卷积神经网络的图像压缩传感》，IEEE Trans。 图像处理，2019年。 感知CS [[代码]]（）[Caffe] 杜J，谢X，王C，石G.``感知压缩感知''，中国模式识别与计算机视觉会议，第268-279页，2018年。 ISTA-Net [Tensorflow] Z. Jian和G. Bernard，“ ISTA-Net：基于可解释性优化的启发式深度网络，用于图像压缩传感”，IEEE计算机视觉和模式识别国际会议，2

深哈希火炬 一些Deep Hash算法基线的实现。 怎么跑 我的环境是 python==3.7.0 torchvision==0.5.0 pytorch==1.4.0 您可以轻松地训练和测试任何算法 pyhon DSH.py pyhon DPSH.py pyhon DHN.py pyhon DSDH.py 如果您有任何问题，请随时通过电子邮件（ ）与我联系或提出问题。 精确召回曲线 我在DSH.py中添加了一些代码： if "cifar10-1" == config["dataset"] and epoch > 29: P, R = pr_curve(trn_binary.numpy(), tst_binary.numpy(), trn_label.numpy(), tst_label.numpy()) print(f'Precision

DeepAR：自回归递归网络的概率预测 描述 这是的实现。 这是什么实现不包含 尽管实现起来很微不足道，但是目前遗漏了两个重要的部分。 用于项目分类的联合嵌入学习 对高斯分布的支持，适用于预测实际价值时间序列。 如果您决定实施高斯分布，请注意重新分配分布参数。 请参阅本文。 结果 由于该论文没有提供定量结果，因此我们使用了Amazon Sagemaker上的carparts数据集进行了测试。 所有预处理和训练/有效拆分均完全按照本文中所述进行。 SageMaker的输出（单个时期） [07/01/2018 14:22:34 INFO 139862447138624] #test_score (algo-1, wQuantileLoss[0.5]): 1.12679 [07/01/2018 14:22:34 INFO 139862447138624] #test_score (algo

双信号转换LSTM网络 Tensorflow 2.x实施的堆叠式双信号转换LSTM网络（DTLN）用于实时噪声抑制。 该存储库提供了用于在python中训练，推断和服务DTLN模型的代码。 它还提供了SavedModel，TF-lite和ONNX格式的预训练模型，可用作您自己的项目的基准。 该模型能够在RaspberryPi上运行实时音频。 如果您正在使用此仓库做一些有趣的事情，请告诉我。 我总是对您使用此代码或该模型所做的事情感到好奇。 DTLN模型已提交给深度噪声抑制挑战（ ），并在INTERSPEech 2020上发表。 这种方法在少于一百万个参数的堆叠网络方法中结合了短时傅立

Deep learning for computer vision with python-starter bundle(pdf+code+dataset) by Adrian at PyImageSearch