梦幻广场 启用了深度学习工具包的VLSI放置。 与非线性VLSI放置和深度学习训练问题之间的类比，该工具与深度学习工具包一起开发，以提高灵活性和效率。 该工具可在CPU和GPU上运行。 使用Nvidia Tesla V100 GPU，在ISPD 2005竞赛基准测试的全球排名和合法化方面，其CPU实现（ ）的速度提高了30X以上。 DREAMPlace还集成了GPU加速的详细布局器与CPU上广泛采用的顺序器相比，该布局可以在百万大小的基准上实现约16X加速。 DREAMPlace可在CPU和GPU上运行。 如果将其安装在没有GPU的计算机上，则只有多线程支持CPU支​​持。 动画片 大蓝4 密度图 电位 电场 参考流程 刊物 ，Shounak达尔，，豪兴仁，Brucek Khailany和，“DREAMPlace：深度学习工具包启用GPU加速现代VLSI布局”，ACM / IEE

语音情感识别 介绍 该存储库负责构建和培训语音情感识别系统。 该工具背后的基本思想是构建和训练/测试合适的机器学习（以及深度学习）算法，该算法可以识别和检测语音中的人类情感。 这对于许多行业领域很有用，例如提出产品推荐，情感计算等。 查看本以获取更多信息。 要求 Python 3.6+ Python包 librosa == 0.6.3 麻木 大熊猫 声音文件== 0.9.0 海浪 斯克莱恩 tqdm == 4.28.1 matplotlib == 2.2.3 pyaudio == 0.2.11 （可选） ：如果要通过转换为16000Hz采样率和convert_wavs.py提供的单声道来添加更多采样音频，则使用 通过以下命令安装这些库： pip3 install -r requirements.txt 数据集 该存储库使用了4个数据集（包括此仓库的自定义数据集），这些数

Coursera上的深度学习专业 这是我本课程的个人项目。 该课程涵盖了从初学者到高级的深度学习。 强烈建议任何想要闯入AI的人。 教师： 课程1. 第一周- 第2周- 第3周- 第四周- 课程2. 第一周- -设置机器学习应用程序-规范化神经网络-设置优化问题 第2周- 第3周-超参数 课程3. 构建机器学习项目 第一周- 机器学习策略简介-设定目标-与人员水平的绩效进行比较 第2周- 机器学习策略（2） -错误分析-培训和开发/测试集不匹配-从多个任务中学习-端到端深度学习 课程4. 卷积神经网络 第一周- 卷积神经网络的基础 第2周- 深度卷积模型：案例研究-阅读文章： 具有深度卷积神经网络的ImageNet分类，用于大规模图像识别的超深度卷积网络 第3周-对象检测-阅读文章：只看一次：统一的实时对象检测， YOLO Week4- 特殊应用：人脸识别和神经风格转换-

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。

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

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

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

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。

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

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