关于Relu文章的理解翻译，原文见paper：Deep Sparse Rectifier Neural Networks

UFLDL旧版教程pdf 网址：http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial

经过研究人员和金融专家对股票市场预测的多年研究之后，似乎没有确定的方法可以既准确又持续地预测股票价格。 这是由于股票走势的不确定性以及决定市场表现的众多参数所致。 人们已经研究了许多技术来预测股市价格。 另外，已经进行了各种比较研究以找到可以帮助交易者做出决定的最佳技术。 本文提出将Rainbow DQN，LSTM和GRU等集成技术用于实时股票市场预测和指示买/卖信号。 仔细检查了所用这些技术的结果，以检查是否过度拟合。 使用准确性，投资回报率来评估技术的性能。 很少有人使用MACD和RSI等著名指标来验证结果。 测试在NIFTY50，Microsoft和Google上进行，并以1分钟为间隔构建实时数据。

TT100K数据集过大需自行下载 https://cg.cs.tsinghua.edu.cn/traffic-sign/tutorial.html

具有Deep RL的TSP解算器 这是具有增强学习功能的神经组合优化的PyTorch实施，Bello等人。 2016 [ ] 指针网络是Vinyals等人提出的模型架构。 2015 [ ] 该模型使用注意力机制来输出输入索引的排列。 在这项工作中，我们将解决旅行商问题（TSP），这是被称为NP-hard的组合优化问题之一。 TSP寻求推销员最短的行程，使他们只能一次访问每个城市。 在没有监督解决方案的情况下进行培训 在训练阶段，此TSP求解器将优化2种不同类型的指针网络，Actor和Critic模型。 给定一个以城市为节点的城市图，评论家模型可以预测预期的旅行时长，通常称为状态值。 当估计行程长度赶上由演员模型预测的行程（城市排列）计算出的实际长度时，评论者模型的参数将得到优化。 Actor模型使用称为好处的值更新其策略参数，该值从实际巡回行程中减去状态值。 影评人 Actor

抽象总结：局部注意在编码器-解码器体系结构中使用LSTM实现抽象总结

移动设备中的实时语义分割 该项目是用于移动实时应用的语义分割的示例项目。 该体系结构受和启发。 ）用作数据集。 该项目的目标是在移动设备中以合理的精度和速度检测头发片段。 目前，它达到0.89 IoU。 有关速度与准确性的更多信息，请参见。 应用范例 安卓（TODO） 要求 Python 3.8 pip install -r requirements.txt -f https://download.pytorch.org/whl/torch_stable.html 适用于iOS应用的CoreML。 关于模型 目前，此存储库中只有一个模型 。 作为典型的U-Net架构，它具有编码器和解码器部分，这些部分由MobileNets提出的深度转换模块组成。 输入图像被编码为1/32大小，然后解码为1/2。 最后，它会对结果评分并使其达到原始大小。 训练步骤 资料准备 LFW提供数据。 要获取蒙版图像，请参阅 。 获得图像和蒙版后，如下所示放置面部和蒙版的图像。 data/ lfw/ raw/ images/ 0001.jpg

通用电池数据库 通用电池数据库是用于管理锂离子电池数据的开源软件。 其主要目的是： 组织和解析锂离子电池的实验测量数据（例如长期循环和电化学阻抗谱）数据文件。 使用机器学习和基于物理学的方法执行复杂的建模。 描述和组织电池的设计和化学信息（例如电极，电解质，几何形状）以及实验条件（例如温度）。 随着新数据的传入，自动刷新数据库。 可视化实验结果。 快速搜索和查找感兴趣的数据。 质量控制。 通用电池数据库由Dalhousie大学的开发。 目录 初步结果 图1 ：使用测量进行建模并做出预测。 数据管理软件演示 图2 ：使用manage.py提供的Web浏览器修复同源循环数据。 安装 先决条件 的Python 3 点和虚拟环境 两种安装选项 如果您只想进行建模，并且从其他地方获得了已编译的数据集，则可以在没有数据库的情况下进行安装。 此选项更简单，您以后总是可以安装数

Deep SORT 论文实现中需要使用的目标跟踪模型.里面包含了mars-small128.ckpt-68577，mars-small128.meta

时间序列和NLP的深度学习 有关信息，请参见。