SAN SAN库 这是进行的代码版本 caffe版本位于目录“ caffe”中。 代码的详细信息在“ caffe”目录中的README.md中进行了描述。 注意，本文中SAN的性能是通过Caffe框架的代码实现的。 pytorch版本位于目录“ pytorch”中。 我们已经在PyTorch 0.3.1版本上发布了版本测试。 代码的详细信息在“ pytorch”目录中的README.md中进行了描述。 引文 如果您使用此代码进行研究，请考虑引用： @InProceedings{Cao_2018_CVPR, author = {Cao, Zhangjie and Long, Mingsheng and Wang, Jianmin and Jordan, Michael I.}, title = {Partial Transfer Learning Wit

假新闻 :newspaper: 使用Python分类WebApp Sourcerer 用法：- 克隆我的存储库。 在工作目录中打开CMD。 运行pip install -r requirements.txt 在任何IDE（Pycharm或VSCode）中打开项目 运行Fake_News_Det.py ，转到http://127.0.0.1:5000/ 如果要通过一些更改来构建模型，则可以检查Fake_News_Detection.ipynb 。 您可以检查网络应用程序是否正常运行。 有时预测可能是错误的。 屏幕截图 笔记 该项目仅用于学习目的，不要认为它可以实时工作，因为模型是在历史和有限的数据上进行训练的。 对于这种系统的实时构建，我们需要更新的数据集，并且需要在特定的时间间隔内构建模型，因为新闻数据可以在几秒钟内更新，因此我们的模型也应该使用该数据进行更新。 随便 :index_pointing_up: 我和星星 :star:

高级综合-用遗传算法求解TSP。 关于该项目 该存储库包括遗传算法的实现，该算法解决了高级综合的旅行商问题。 该项目的执行目的是针对DUTh第9学期的高级综合课程的硬件设计。 该存储库包含2个分支： 软件：包含可以在任何IDE中本地运行的开发的C ++代码。 硬件：包含针对Catapult HLS工具进行了调整的开发的C ++代码。 除了随机图之外，还可以对斯坦福大学创建的SGB128（北美城市）数据集进行测试。 要显示解决方案，请运行笔记本。 贡献 贡献使开源社区成为了一个很棒的地方，可以成为学习，启发和创造的地方。 遵循以下步骤做出贡献： 分叉项目 创建功能分支（ git checkout -b new_branch_name ） 提交您的更改（ git commit -m 'Add some extra functionality' ） 推送到分支（ git push

糖尿病风险预测

本篇博客tensorflow1.7,整个项目源码： 引言 本次博客将分享Udacity无人驾驶纳米学位的另一个项目，交通标志的识别。 本次项目实现主要采用CNN卷积神经网络，具体的网络结构参考Lecun提出的LeNet结构。参考文献： 项目流程图 本项目的实现流程如下所示： 代码实现及解释 接下来我们就按照项目流程图来逐块实现,本项目数据集： 如果打不开，则有备用链接： #import important packages/libraries import numpy as np import tensorflow as tf import pickle import matplotlib.pyplot as plt import random import csv from sklearn.utils import shuffle from tensorflow.contrib.laye

二手车价格预测得分：91％ 数据清理，数据可视化，数据预处理，ML模型（LR，DT，RF，GBR，KNN，SVM，XGBR，TENSORFLOW），PCA，LDA，度量标准（R Square，MSE，RMSE，MAE）

基于情绪分析的股价预测 -项目状态：[有效] 项目介绍/目标 该项目的目的是能够利用当天的市场情绪和LSTM预测来有效地预测股票价格。 某一天的市场情绪似乎存在，该是根据每天收集的与涉及我们正在考虑其股票的公司（Facebook，Apple，Amazon，Netflix，Google和Tesla）有关的Twitter评论计算得出的。 这意味着LSTM和ARMIA预测中的差异可以通过从twitter注释中计算出的情绪来说明。 该项目旨在验证这些发现。 使用方法 机器学习 数据可视化 预测建模 技术领域 Python 画面 熊猫，jupyter，NumPy，TensorFlow，SpaCy，sklearn 项目描述 在我们，我们证明了ARMIA预测与FAANG公司（如Facebook，Apple，Amazon，Netflix，Google和Tesla）的实际股价（出于个人利益）的差异可以由每

NASNetA-Keras 实施NASNet-A的。 最佳的模型来自论文“ [1]。 的扩展[2]。 演示版 显示了如何加载预训练的模型并将其用于对图像进行分类。 其他版本 从版本 keras包括两个版本的 。 如果你是 只对NASNet-mobile (4 @ 1056)和/或NASNet-large (6 @ 4032) 。 只对使用通道最后一个数据格式感兴趣。 我建议升级keras并使用内置版本。 这个版本 即使在添加了内置模型之后，该项目仍然有一些用途，因为它更通用。 它允许您创建任何NASNet-A模型。 如果您想要的东西比大型的更快，比手机更准确。 它允许您使用通道末尾或通道末尾数据格式加载预训练的模型。 它允许您加载任何经过Google实施培训的模型（权重将被转换）。 安装 Ubuntu 16.04上的系统要求 sudo apt-get install pyth

天文物体检测 使用SDSS对天文物体进行分类-DR16数据 数据： SDSS-DR16：Sloan Digital Sky Survey或SDSS是一项主要的多光谱成像和光谱红移测量，使用的是位于美国新墨西哥州Apache Point天文台的专用2.5 m广角光学望远镜。 变量说明： objid =对象标识符 ra = J2000右提升（r波段） dec = J2000偏角（r波段） u = u波段 g = g波段 r = r波段 我=我的乐队 z = z波段 运行=运行编号 重新运行=重新运行编号 camcol =相机列 字段=字段编号 specobjid =对象标识符 类=对象类（星系，恒星或类星体对象） redshift =最终Redshift 板=板号 mjd =观察的MJD 光纤=光纤ID

ISIC_挑战_2017 目前，全球每年有超过132,000种黑色素瘤皮肤癌发生。患者和皮肤科医生通过目视检查进行的诊断仅在60％的时间内是准确的。 此外，人均皮肤科医生的短缺促使人们需要计算机辅助方法来检测皮肤癌。 数据集是大量公开的皮肤镜检查图像的集合，并标有地面真实数据。 ISIC 2017挑战赛分为3个任务： 任务01：病变分割 任务02：病变属性检测 任务03：疾病分类 我从事Task1和Task3的工作，即将图像分割和分类为3种可能的类别之一 任务01：病变分割 为了进行培训，我使用了2000张皮肤镜图像，并从ISIC数据集中获得了相应的Ground-Truth遮罩。 对于使用相应的地面真实性测试600张图像，我将图像的大小调整为（128,128），以便进行更快的处理。