我们世界的许多方面都可以用相互作用的部分组成的系统来理解，从物理中的多对象系统到复杂的社会动力学。让模型了解这种组合结构对于泛化和数据高效学习非常重要。这就产生了一类称为图神经网络(GNNs)的模型。
2022-01-05 23:47:51
21.31MB
1
混合搭配
这是MixMatch的非官方PyTorch实现。 Tensorflow的官方实现在。
现在只有在CIFAR-10上的实验可用。
该存储库认真执行了官方实施的重要细节，以重现结果。
要求
Python 3.6+
PyTorch 1.0
torchvision 0.2.2（旧版本与此代码不兼容）
张量板
进步
matplotlib
麻木
用法
火车
通过CIFAR-10数据集的250个标记数据训练模型：
python train.py --gpu --n-labeled 250 --out cifar10@250
通过CIFAR-10数据集的4000个标记数据训练模型：
python train.py --gpu --n-labeled 4000 --out cifar10@4000
监控培训进度
tensorboard.sh --
2021-12-30 20:59:51
13KB
1
针对机器学习中训练样本和测试样本概率分布不一致的问题，提出了一种基于dropout正则化的半监督域自适应方法来实现将神经网络的特征表示从标签丰富的源域转移到无标签的目标域。此方法从半监督学习的角度出发，在源域数据中添加少量带标签的目标域数据，使得神经网络在学习到源域数据特征分布的同时也能学习到目标域数据的特征分布。由于有了先验知识的指导，即使没有丰富的标签信息，神经网络依然可以很好地拟合目标域数据。实验结果表明，此算法在几种典型的数字数据集SVHN、MNIST和USPS的域自适应任务上的性能优于现有的其他算法，并且在涵盖广泛自然类别的真实数据集CIFAR-10和STL-10的域自适应任务上有较好的鲁棒性。
2021-12-30 14:37:54
1.25MB
1
UCI 机器学习数据集合中的经典二分类数据集，包括 Iris、Hert Dieses、German Credit 等经典二分类问题测试数据集。
2021-12-29 18:24:47
1.47MB
1