Deep Learning 经典文章与(matlab)代码 有深度学习中必读经典,以及相应的matlab代码。 此外,文章中本人做的笔记,希望能帮助大家更好的理解。 文章为:1.A fast learning algorithm for deep belief nets(Hinton) 2. Learning Deep Architectures for AI (Bengio) 3. A Practical Guide to Training Restricted Boltzmann Machines(Hinton) 等。。 code 为经典的deep learning tool(matlab版),有DBN,NN,CNN,etc。
2021-11-10 17:02:51 170KB DeepLearning
dbn matlab代码deep_autoencoder 深度信念网络自动编码器 这种深层信念的网络自动编码器基于Ruslan Salakhutdinov和Geoff Hinton()以及相关的MATLAB代码()的工作。 我已将其翻译为PyTorch,并合并了GPU计算以使其运行更快。 操作很简单。 使用多个受限的Boltzmann机器层初始化DBN对象,例如dbn = DBN(visible_units = 512,hidden_​​units = [256,128])将初始化具有512个输入神经元和两个RBM层的DBN对象,其中一个具有256个输出神经元,其中一个具有128个输出神经元。 然后对网络进行预训练,例如dbn.pretrain(data,labels,num_epochs),其中data是火炬。大小的张量(num_samples x num_dimensions),labels是火炬.size的标签的张量(num_samples),以及num_epochs是整数,表示要预训练每个RBM层多少个时期。 接下来,对网络进行微调,例如dbn.fine_tuning(data
2021-11-10 16:48:47 5KB 系统开源
1
火炬中心损失 Pytorch实现中心损失的方法: ( )也使用此损失函数。 开始吧 克隆此仓库并运行代码 $ git clone https://github.com/KaiyangZhou/pytorch-center-loss $ cd pytorch-center-loss $ python main.py --eval-freq 1 --gpu 0 --save-dir log/ --plot 您将在终端中看到以下信息 Currently using GPU: 0 Creating dataset: mnist Creating model: cnn == > Epoch
2021-11-10 16:21:10 5.65MB python computer-vision deep-learning pytorch
1
人脸识别 使用世界上最精确的面部对齐网络从Python检测面部标志,该网络能够检测2D和3D坐标中的点。 使用基于深度学习的最新人脸对齐方法进行构建。 注意: lua版本可用。 对于数值评估,强烈建议使用lua版本,该版本使用与本文评估的模型相同的相同模型。 不久将添加更多型号。 产品特点 检测图片中的2D面部地标 import face_alignment from skimage import io fa = face_alignment . FaceAlignment ( face_alignment . LandmarksType . _2D , flip_input = Fa
2021-11-10 14:03:53 4.63MB python deep-learning pytorch face-detector
1
text_gcn 本文中Text GCN的实现: 梁耀,毛成胜,罗源。 “图卷积网络用于文本分类。” 在第33届AAAI人工智能会议(AAAI-19)中 要求 Python 2.7或3.6 Tensorflow> = 1.4.0 再现结果 运行python remove_words.py 20ng 运行python build_graph.py 20ng 运行python train.py 20ng 在为其他数据集生成结果时,将上述3个命令行中的20ng更改为R8 , R52 , ohsumed和mr 。 输入数据示例 /data/20ng.txt表示文档名称,培训/测试组,文档标签。 每行都是一个文档。 /data/corpus/20ng.txt包含每个文档的原始文本,每行对应/data/20ng.txt的相应行 prepare_data.py是准备自己的数据的示例,请注意,文档或句子中的“ \ n”已删除。 归纳版 文本GCN的归纳版本是 ,其中培训过程中未包括测试文档。
1
描述 该项目旨在消除源自手持摄像机运动或抖动的运动模糊。 它旨在盲目工作,即不需要模糊知识。 使用卷积神经网络估计运动模糊,然后将其用于校准反卷积算法。 该项目包括两个不同的部分: -图像处理部分,包括反卷积算法和正向模型。 -使用神经网络的模糊估计部分。 有关某些视觉见解,请参见 。 该库使用Python3编码。 无论是在图像处理(复杂模糊的建模)还是在模糊估计方面,其贡献都倍受欢迎。 消息 从2020年5月开始,该项目重新启动! 我们从tensorflow转到pytorch。 我们将把运动模糊模型扩展到比简单的线性运动更复杂的运动。 我们还将解决空间变异情况。 我们计划扩展到电视去模糊。 进步 截至目前(2020年5月),我们支持使用Wiener滤波器对线性模糊进行模糊处理。 安装 在您喜欢的conda环境中,键入: pip install -e . 为了进行开发,请按
1
斯坦福地震数据集(STEAD):用于AI的全球地震信号数据集 您可以从这里获取wavefoms: 以下每个文件包含一个hdf5(数据)文件和一个CSV(元数据)文件,用于约200k 3C波形。 您可以下载所需的块,然后使用存储库中提供的代码将它们合并到一个文件中。 GB)噪音 GB)本地地震 GB)本地地震 GB)本地地震 GB)本地地震 GB)本地地震 如果您拥有快速的互联网连接,则可以使用以下链接将整个数据集下载到一个文件中: https://rebrand.ly/整个(合并〜85 GB)本地地震+噪音 注意1:某些Windows和Linux操作系统的解压缩程序有大小限制。 如果解压缩文件时遇到问题,请尝试使用“ 7Zip”软件。 注意2:hdf5文件中还提供了所有元数据(作为与每个波形关联的属性)。 注3:对于某些噪声数据,3个分量的波形相同。 这些与单通道电台
2021-11-09 20:40:33 3.21MB deep-learning dataset stanford earthquake
1
深度微词典学习和编码网络(WACV 2019) | | 引文 如果您使用此代码进行研究,请引用我们的论文。 @article{tang2020dictionary, title={When Dictionary Learning Meets Deep Learning: Deep Dictionary Learning and Coding Network for Image Recognition With Limited Data.}, author={Tang, Hao and Liu, Hong and Xiao, Wei and Sebe, Nicu}, journal={IEEE TNNLS}, year={2020} } @inproceedings{tang2019multichannel, title={Deep Micro-Dictionary
1
CS291K 使用CNN-LSTM组合神经网络模型对Twitter数据进行情感分析 论文: : 博客文章: : 动机 该项目旨在扩展我们以前使用简单的前馈神经网络(位于此处: & )进行的情绪分析工作。 相反,我们希望尝试使用Tensorflow构建组合的CNN-LSTM神经网络模型,以对Twitter数据进行情感分析。 依存关系 sudo -H pip install -r requirements.txt 运行代码 在train.py上,更改变量MODEL_TO_RUN = {0或1} 0 = CNN-LSTM 1 = LSTM-CNN 随时更改其他变量(batch_
1
Deep Learning 经典文章与代码(matlab) 有深度学习中必读经典,以及相应的matlab代码。 此外,文章中本人做的笔记,希望能帮助大家更好的理解。 文章为:1.A fast learning algorithm for deep belief nets(Hinton) 2. Learning Deep Architectures for AI (Bengio) 3. A Practical Guide to Training Restricted Boltzmann Machines(Hinton) 等。。 code 为经典的deep learning tool(matlab版),有DBN,NN,CNN,etc。
2021-11-09 17:09:11 31.21MB matlab DeepLearning