使用深度学习检测疟疾 :mosquito: :microbe: 参与者的Hack 2020是一项计划，可帮助学生利用OPEN SOURCE成长。 HakinCodes的这项倡议通过为各种各样的OPEN SOURCE项目做出贡献以及与导师和组织团队进行互动的机会，为您提供了一个最佳平台，以提高您的技能和能力。 :pushpin: 介绍 该机器学习Web应用程序利用两层卷积神经网络来处理细胞图像，并以近95％的准确度预测它们是否为疟疾。 用于处理深度学习算法的来自美国国家医学图书馆的官方NIH网站，该网站是来自疟疾筛查研究活动的稀薄血液涂片图像中分段细胞的存储库。 :bullseye: 项目目的 在疟疾不再流行的地方（例如在美国），医疗保健提供者可能对该疾病不熟悉。 看到疟疾患者的临床医生可能会忘记在潜在的诊断中考虑疟疾，而不订购所需的诊断测试。 实验室工作人员可能缺乏疟疾经验，并且在显微镜下检查血液涂片时无法发现寄生虫。 疟疾是一种急性发热性疾病。

darts是一个python库，可轻松操纵和预测时间序列。 它包含各种模型，从ARIMA等经典模型到神经网络。 所有模型都可以通过fit（）和predict（）函数以相同的方式使用，类似于scikit-learn。 该库还使对模型的回测变得容易，并结合了多个模型的预测和外部回归。 使用Python简化时间序列darts是一个python库，可轻松操纵和预测时间序列。 它包含各种模型，从ARIMA等经典模型到神经网络。 所有模型都可以通过fit（）和predict（）函数以相同的方式使用，类似于scikit-learn。 该库还使对模型的回测变得容易，并结合了多个模型的预测和外部回归。 安装我们建议您首先为y设置一个干净的python环境

轴向注意 在Pytorch中实施。 一种简单而强大的技术，可以有效处理多维数据。 它为我和许多其他研究人员创造了奇迹。 只需在数据中添加一些位置编码，然后将其传递到此方便的类中，即可指定要嵌入的尺寸以及要旋转的轴向尺寸。 所有的排列，整形，都将为您解决。 实际上，这篇论文由于过于简单而被拒绝了。 然而，自那以后，它已成功用于许多应用中，包括， 。 只是去展示。 安装 $ pip install axial_attention 用法 图像 import torch from axial_attention import AxialAttention img = torch . randn ( 1 , 3 , 256 , 256 ) attn = AxialAttention ( dim = 3 , # embedding dimension

Mastering Complex Control in MOBA Games with Deep Reinforcement Learning.pdf

Bengio大神的 Deep Learning 社区中文翻译版pdf

快速移动 消息 （2021.2.13）支持Scaled-YOLOv4模型 （2021.1.3）为YOLO添加DIoU-NMS（+ 1％MOTA） （2020.11.28）Ubuntu 18.04上提供的Docker容器 描述 FastMOT是一个自定义的多对象跟踪器，它实现了： YOLO探测器 SSD检测器 深度SORT + OSNet ReID KLT光流跟踪 相机运动补偿 深度学习模型通常是Deep SORT的瓶颈，这使得Deep SORT无法用于实时应用程序。 FastMOT显著加快整个系统的实时甚至特森运行。 它也提供了足够的灵活性来调整速度精度的权衡，而无需使用轻量级的模型。 为了实现更快的处理速度，FastMOT仅每N帧运行一次检测器和特征提取器。 使用光流来填充间隙。 YOLOv4在CrowdHuman（82％mAP@0.5）上进行了训练，而SSD是TensorFlo

用于Pytorch的简单StyleGan2基于https://arxiv.org/abs/1912.04958的Stylegan2的简单工作Pytorch实现。以下是一些不存在的花朵。 这些手也不会安装。您将不会使用基于https://arxiv.org/abs/1912.04958的Stylegan2的简单工作Pytorch实现。 这些手和这些城市都不会安装。您将需要一台装有GPU和CUDA的计算机。 然后pip这样安装软件包：$ pip install stylegan2_pytorch如果您使用的是Windows计算机，则可以使用以下命令。 $ conda安装pytorch torchvision -c python $ pip install stylegan2_pyto

本人对于深度残差网络理解以及深度残差网络论文原文（作者何凯明）

该资源为《动手学习深度学习》图像分类数据集节所需的Fashion-MNIST数据集。Windows用户在启动jupyter notebook之前运行set MXNET_GLUON_REPO=https://apache-mxnet.s3.cn-north-1.amazonaws.com.cn/命令即可从国内镜像下载，如果依然不成功，可直接下载该数据集，解压后将目录下的四个文件拷贝至C:\Users\用户名\AppData\Roaming\mxnet\datasets\fashion-mnist\目录。

论坛上只有21页的短资源，白骗了我42个积分。在外网费劲找了下完整版，希望对有需要的人有帮助。