深脸
Deepface是python的轻量级和面部属性分析（，，和）框架。 它是一个混合的人脸识别框架，其中包含了最先进的模型： ， ， ， ， ， 和 。 该库主要基于Keras和TensorFlow。
安装
安装deepface的最简单方法是从下载。
pip install deepface
人脸识别
现代包括四个常见阶段： ， ，和。 Deepface在后台处理所有这些常见阶段。 您只需使用一行代码即可在其界面中调用其验证，查找或分析功能。
人脸验证-
deepface界面下的验证功能可验证同一个人或不同个人的面部对。 您应将面对作为数组传递，而不是为了最佳实践而在for循环中调用verify函数。 这将大大加快该功能，并减少分配的内存。
from deepface import DeepFace
result = DeepFace . verify ( "img1.jpg" , "img2.jpg" )
#results = DeepFace.verify([['img1.jpg', 'img2.jpg'], ['img1.jpg', 'img3.jpg'
2021-09-17 21:17:15
26.16MB
1
可读，可重用，可扩展
Machin是为pytorch设计的增强库。
支持的型号
任何事物，包括循环网络。
支持的算法
当前，Machin已实现以下算法，该列表仍在增长：
单代理算法：
多主体算法：
大规模并行算法：
增强功能：
支持的算法：
进化策略
基于模型的方法
特征
1.可读
与其他强化学习库（例如著名的 ， 和。 Machin尝试仅提供RL算法的简单明了的实现。
Machin中的所有算法均以最小的抽象设计，并具有非常详细的文档以及各种有用的教程。
2.可重复使用
Machin采用与pytorch类似的方法，将算法和数据结构封装在自己的类中。 用户无需设置一系列data collectors ， trainers ， runners ， samplers ...即可使用它们，只需导入即可。
模型上的唯一限制是它们的输入/输出格式，但是，这些限制很小，可以轻松地使算法适
2021-09-17 19:09:16
1.54MB
1
波形域中音乐源分离的论文代码波形域中音乐源分离我们提供了Demucs和Conv-Tasnet的实现，用于MusDB数据集上的音乐源分离。
他们可以用最新的结果将鼓，贝斯和人声与其他声音区分开，超越了以前基于波形或频谱图的方法。
我们的论文“音乐源分离”在波形域中详细介绍了所获得的架构和结果。
Demucs基于受Wave-U-Net和SING启发的U-Net卷积架构，带有G
2021-09-17 14:45:37
31.56MB
1
ECA-Net代码：深度卷积神经网络的有效通道关注度ECA-Net：高效信道注意性ECA-Net：深度卷积神经网络有效通道注意率这是由Banggu创建的ECA-Net（CVPR2020，论文）的实现吴。
简介最近，通道注意机制已被证明在改善深度卷积神经网络（CNN）的性能方面具有巨大潜力。
但是，大多数现有方法都致力于开发更复杂的注意力模块以实现更好的性能，这不可避免地
2021-09-17 00:33:21
1.06MB
1
TensorFlow2中的深度强化学习
是一个使用实现各种流行的深度强化学习算法的存储库。 该存储库的关键是易于理解的代码。 因此，如果您是学生或研究深度强化学习的研究人员，我认为这是使用此存储库学习的最佳选择。 一种算法仅依赖于一个python脚本文件。 因此，您不必进出不同的文件即可研究特定的算法。 该存储库将不断更新，并将继续添加新的“深度强化学习”算法。
演算法
DQN
纸上 作者Volodymyr Mnih，Koray Kavukcuoglu，David Silver，Alex Graves，Ioannis Antonoglou，Daan Wierstra，Martin Rie
2021-09-16 15:45:40
378KB
1
从单个2D图像生成3D模型而无需渲染的有效损失函数
|
诺维萨德大学剑桥大学
引文
如果您发现此代码对您的研究有用，请引用我们的论文。
@article{zubic2021effective,
title={An Effective Loss Function for Generating 3D Models from Single 2D Image without Rendering},
author={Zubi{\'c}, Nikola and Li{\`o}, Pietro},
journal={arXiv preprint arXiv:2103.03390},
year={2021}
}
先决条件
下载代码： Git使用以下命令克隆代码：
git clone https://github.com/NikolaZubic/2dimageto3dmodel.git
2021-09-16 14:21:40
169.98MB
1
基于物理的深度学习
以下材料集合针对“基于物理的深度学习” (PBDL)，即结合物理建模和深度学习 (DL) 技术的方法领域。 在这里，DL 通常指的是基于人工神经网络的方法。 PBDL 的总体方向代表了一个非常活跃且快速发展的研究领域。
在这个领域，我们可以区分各种不同的基于物理的方法，从目标设计、约束、组合方法和优化到应用。 更具体地说，所有方法都针对正向模拟（预测状态或时间演化）或逆向问题（例如，从观察中获得物理系统的参数化）。 除了正向或反向，学习和物理之间的整合类型提供了一种对不同方法进行分类的方法：
数据驱动：数据由物理系统（真实或模拟）产生，但不存在进一步的交互。
损失项：物理动力学（或其部分）在损失函数中编码，通常以可微运算的形式。 学习过程可以重复评估损失，并且通常从基于 PDE 的公式接收梯度。
交错：完整的物理模拟被交错并与深度神经网络的输出相结合； 这需要一
2021-09-16 08:52:24
207KB
1