python-api-challenge 天气预报 概述， WeatherPy：运行代码，数据，分析报告，信息图 VacationPy 概述， VacationPy：运行代码，地图 使用的技术 天气预报 概述 WeatherPy在此示例中，您将创建一个Python脚本以可视化世界上距赤道不同距离的500多个城市的天气。 为此，您将利用一个简单的Python库，OpenWeatherMap API和一些常识来创建世界各地城市的代表性天气模型。 您的第一个要求是创建一系列散点图，以展示以下关系： 温度（F）与纬度 湿度（％）与纬度 多云（％）与纬度 风速（mph）与纬度 在每个情节之后添加一个句子或也解释什么是代码并进行分析。 您的第二个要求是对每个关系进行线性回归，仅这次将它们分为北半球（大于等于0度纬度）和南半球（小于0度纬度）： 北半球-温度（F）与纬度 南半球-温度（F）与纬度

CIFAR-10 使用VGG-16，Resnet和Inception net，模型对CIFAR-10数据集的图像进行分类，以对不同的对象（例如汽车，狗等）进行分类。

参考 纸： AttnGAN：使用注意生成对抗网络细化文本到图像生成 来自的代码： AttnGAN_Structure 有趣的DAMSM损失函数 就运行时间而言。 完成一批数据花费了超过1分钟的时间。 而且，批量大小为2。因此，绝对不是我的笔记本电脑的玩具。 简化版 一切 出于学习目的，该代码已被简化很多。 整个文本数据已被转储到一个腌制文件中。 而且，一行代码可以帮助您加载所有代码。 由于此实现仅用于学习结构，因此已删除了与部署相关的代码。 但是，这种简化损害了灵活性。 在这种结构中使用InfoGAN？ （注意）

自然灾害分类 这是一个kaggle竞赛，位于我试图使用distil bert生成句子嵌入以获得比给定教程更好的结果

使用卷积神经网络从患者肺部CT扫描中检测癌性病变 2017年数据科学杯 问题 美国每年因肺癌造成的损失约为225,000人，每年造成的金钱损失为120亿美元。 副总统办公室在早期发现肺癌方面分配了特别的精力，因为这可以提高受害者的生存率。 根据Kaggle＆'Booz，Allen，Hamilton'的要求，他们在Kaggle上举办了一项竞赛，旨在通过设计功能强大的机器学习算法来检测患者CT扫描中的恶性斑点和结节。 作为一个有趣的问题，我们（团队）决定提供各种方法来设计解决方案，因此决定解决Data Science Bowl 2017问题。 数据与预处理 比赛组织者提供了2类数据集。 第一类是一组不同患者的CT扫描图像。 数据集的第二方面涉及患者的一组标签。 每个患者的CT扫描图像的数量不是固定的，因此图像的数量是不同的。 由于贡献者提供的数据是患者CT扫描的DICOM文件，因此它涉及复杂

超点火炬 该文件是对Superpoint模型的pytorch实现和评估，如。 我们在RémiPautrat的tensorflow实现中找到了很大的帮助： : 。 在兴趣点检测中，我们的模型似乎未完全收敛： 但是，同形加法与我们的模型相结合的结果看起来还是不错的： 与其他点检测模型进行比较： 与原始模型相比，总体结果未达到跟踪能力。 对于原始模型，匹配点是： 与我们的实施： 尽管总体结果不能令人满意，但是我们希望可以将不同的块（数据生成，单应性调整等）用于将来的工作。 该文件中包含实施的所有阶段： 1）生成综合数据集- 创建一个包含100000个人造合成形状图像的数据集，以及包含图像名称和标签的数据集文件。这部分在tesla v-100上大约需要12个小时 2）Magicpoint_training_with_synthetic_dataset- 如本文中所述训练魔

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

Sentinel3-Altimetry-Level2处理 1.简介 该存储库是为雷达/ sar测高仪数据处理而构建的。 该存储库包含以下文件夹： ipynb：此仓库中内置的基本功能的测试代码。 结果：通过.ipynb文件处理结果。 test_data：包含在回购中测试的数据，例如测高仪数据，潮汐仪数据和卫星图像。 utils：.py文件，与此存储库中内置的处理功能相对应。

言语增强 文件DCUnet.ipynb源自的程序。 已进行了一些修改，以使该程序可以在2021年2月在Colab的版本上运行。具体地说，笔记本电脑使用以下程序包： torchaudio == 0.5.0a0 + 738ccba tqdm == 4.56.2 numpy == 1.19.2 pesq == 0.0.2 scipy == 1.4.1 matplotlib == 3.3.1 火炬== 1.5.1 DCUnet16.ipynb：在16kHz波形文件上进行训练和测试DCUnet48.ipynb：在48kHz波形文件上进行训练和测试（类似于 ）

图分类实验 描述 它能做什么 怎么跑 一，安装依赖 # clone project git clone https://github.com/YourGithubName/your-repo-name cd your-repo-name # optionally create conda environment conda update conda conda env create -f conda_env.yaml -n your_env_name conda activate your_env_name # install requirements pip install -r requirements.txt pip install hydra-core --upgrade --pre 接下来，按照以下说明安装pytorch geometric： 现在，您可以使用默认配置训练模