PyTorch中的贝叶斯LSTM实现
灵感来自：Uber的时间序列的深度和自信预测（2007）
由于贝叶斯神经网络提供了可量化的不确定性和置信区间，因此与等效的频频方法不同，贝叶斯神经网络引起了人们的极大兴趣。
该存储库演示了PyTorch中的一种实现，并通过一个预测建筑能耗的真实示例总结了贝叶斯LSTM（长期短期记忆）网络的一些关键功能。 本示例中使用的Appliances能量预测数据集来自UCI机器学习存储库（ ）
随附的笔记本直接从Google Colab共享。 结果，交互式可视化尚未转移到GitHub。
请单击“在Colab中打开”按钮或单击此处，以在Google Colab中查看笔记本： : //colab.research.google.com/drive/1pwMzsdRPwTO8oRVU0LwY9hs_z-ye67su
2021-12-01 15:19:51
27KB
1
颜色分类leetcode
BCNN
这是贝叶斯卷积神经网络的
Chainer
实现。
（Keras
和
PyTorch
也可以重新注入：，）
在这个项目中，我们假设了以下两种场景，尤其是医学成像。
使用
2D
U-Net
进行二维分割/回归。
（例如，2D
X
射线、腹腔镜图像和
CT
切片）
使用
3D
U-Net
进行三维分割/回归。
（例如，3D
CT
体积）
这是以下作品的一部分。
@article{hiasa2019automated,
title={Automated
muscle
segmentation
from
clinical
CT
using
Bayesian
U-net
for
personalized
musculoskeletal
Modeling},
author={Hiasa,
Yuta
and
Otake,
Yoshito
and
Takao,
Masaki
and
Ogawa,
Takeshi
and
Sugano,
Nobuhiko
and
Sato,
Yoshinobu},
journal={IEEE
Transactions
on
Medica
2021-12-01 15:18:38
15.63MB
1
我们介绍了带变分推理的贝叶斯卷积神经网络，这是卷积神经网络（CNN）的一种变体，其中权重的难处理的后验概率分布是由Backprop的Bayes推断的。 我们证明我们提出的变分推断方法是如何实现的性能相当于频率论推理在几个数据集（MNIST，CIFAR10，CIFAR100），如所描述的相同结构。
贝叶斯vs频频方法中的过滤器权重分布
整个CNN的全贝叶斯视角
图层类型
该存储库包含两种类型的贝叶斯lauer实现：
BBB（Backprop的Bayes）： 基于。 该层分别对所有权重进行采样，然后将其与输入组合以从激活中计算出一个样本。
BBB_LRT（使用本地重新参数化技巧的Backprop进行Bayes操作）： 这一层与本地重新参数伎俩结合贝叶斯通过Backprop。 这个技巧使得可以直接从激活中的分布中采样。
制作自定义贝叶斯网络？
要创建自定义贝叶斯网络，请继承layers.m
2021-12-01 15:13:56
46.78MB
1
ZhuSuan 一个基于Tensorflow的贝叶斯深度学习库ZhuSuan
2021-12-01 15:12:49
589KB
1
BezierCurves2D：使用OpenGL，gl3w，glfw3和imgui在C ++中实现2D贝塞尔曲线的实现
2021-12-01 13:19:53
1.86MB
1
贝塞尔玩具
BezierToy 是一种可视化工具，展示了减少贝塞尔曲线度数的不同方法。 它是在 2012/13 年弗罗茨瓦夫大学举办的数值分析 2 课程期间作为家庭作业创建的。
该存储库包含使用 2012 版 VS 创建的 Visual Studio 解决方案。 在下还有一个Windows 可执行文件。
支持将曲线导出到 XML 文件以及导出到 JPEG、PNG 和 BMP 图像文件。
问题
令 n 和 m 是整数，使得 m < n。 我们还有 n + 1 个控制点，在 n 次的 Berstein 基中定义了一条贝塞尔曲线。 任务是生成 m + 1 个控制点，使得生成的 m 度曲线尽可能接近原始曲线。
可以添加一个额外的约束，在曲线的端点处强制执行特定类别的连续性，即连续性类别 0 意味着两条曲线的最外面的控制点必须相同，连续性类别 1 强制切线匹配，依此类推.
已实现的算法
对
2021-11-30 14:33:28
119KB
1
博客地址：https://blog.csdn.net/qq21497936/
贝塞尔曲线拽托顶点实时显示工具_v1.1
贝塞尔曲线拽托顶点实时显示工具_v1.1
贝塞尔曲线拽托顶点实时显示工具_v1.1
2021-11-30 13:51:21
14.99MB
1
Bayes GMM：贝叶斯高斯混合模型
概述
有限贝叶斯高斯混合模型 (FBGMM) 和无限高斯混合模型 (IGMM) 都是使用折叠吉布斯采样实现的。
示例和测试代码
运行make test来运行单元测试。
运行make test_coverage以检查测试覆盖率。
查看 examples/ 目录中的示例。
依赖关系
NumPy 和 SciPy： ://www.numpy.org/
鼻子： :
参考资料和注释
如果您使用此代码，请引用：
H. Kamper、A. Jansen、S. King 和 S. Goldwater，“使用固定维度声学嵌入对语音段进行无监督词法聚类”，IEEE 口语技术研讨会 (SLT) 会议录，2014 年。
在代码中，引用了以下内容：
KP Murphy，“高斯分布的共轭贝叶斯分析”，2007 年，[在线]。 可用： :
KP Murphy，
2021-11-30 13:26:09
56KB
1