PyTorch VAE
在pytorch中实现的变体自动编码器（VAE）的集合，着重于可重复性。 该项目的目的是为其中许多很酷的VAE模型提供一个快速简单的工作示例。 所有模型都在上进行了训练，以一致性和比较性。 所有模型的架构在相同的层上都保持尽可能相似，除非原始论文需要根本不同的架构（例如，VQ VAE使用残差层，不使用批处理规范，这与其他模型不同）。 这是每个模型的。
要求
Python> = 3.5
PyTorch> = 1.3
Pytorch Lightning> = 0.6.0（ ）
启用CUDA的计算设备
安装
$ git clone https://github.co
2021-10-10 15:20:18
31.55MB
1
使用自动编码器神经网络检测恶意URL
该存储库包含使用自动编码器神经网络检测恶意URL的代码源。 中提供了有关其工作原理的文章。
要构建和测试模型，可以运行：
$ python train_and_test_urls_autoencoder.py
如果您想生成新的丰富数据，可以运行：
$ python enrich_urls_data.py
2021-10-07 11:13:06
13.19MB
1
用卷积滤波器matlab代码deephyp：针对高光谱的深度学习
用于训练和使用高光谱数据的无监督自动编码器和有监督深度学习分类器的工具。
可用文档。
源代码可在上找到。
自动编码器是无监督的神经网络，可用于一系列应用，例如无监督的特征学习和降维。
可以在带标签的数据上训练有监督的深度学习分类器，以预测光谱的类别。
该存储库提供了一个名为deephyp的基于python的工具箱，其中包含针对高光谱数据而构建，训练和测试密集和卷积自动编码器以及分类神经网络的示例。
网络易于设置，并且可以使用不同的体系结构进行自定义。
也可以采用不同的培训方法。
该工具箱基于tensorflow构建。
如果您在研究中使用工具箱，请引用：本文介绍了用于训练自动编码器的光谱角（SA），光谱信息散度（SID）和平方和误差（SSE）损失函数。
如果您在研究中使用余弦谱角（CSA）损失函数，请引用：
如果您在研究中使用分类网络，请引用：
安装
可以使用pip从命令行安装工具箱的：
pip
install
deephyp
可以使用以下方法安装依赖项：
pip
install
-r
requirements.txt
导
2021-10-06 20:25:09
16.28MB
1
带火炬的自动编码器去噪
众所周知，我们从相机拍摄的照片有时不适合处理。 在该项目中，在执行诸如文本检测之类的项目时，采取了必要的步骤以实现最大的效率。 此步骤是清除图像中的噪点。 在这个项目中使用了卷积神经网络和自动编码器。 玩的很开心。
嘈杂的图片和清晰的图片
结果
2021-09-30 14:05:20
6.77MB
1
va
结点树变分自动编码器实现尝试
回购现在处于存档模式原始文件的工作源
我的叉子具有python3兼容性和一些性能改进
2021-09-29 10:54:07
3.19MB
1
TensorFlow 2.0教程
我们的回购。 是的赢家 。
时间线：
2019年10月1日：TensorFlow 2.0稳定！
2019年8月24日：
2019年6月8日：
2019年3月7日：
2019年1月11日：
2018年8月14日：
安装
确保您使用的是python3.x。
CPU安装
pip install tensorflow - U
GPU安装
自己安装CUDA 10.0 （或cudnn ）和cudnn 。 并设置LD_LIBRARY_PATH 。
pip install tensorflow - gpu - U
测试安装：
In [ 2 ]: import tensorflow as tf
In [ 3 ]: tf . __version__
Out [ 3 ]: '2.0.0'
In [ 4 ]: tf . test . is_gpu_available ()
...
totalMemory : 3.95 GiB freeMemory : 3.00 GiB
...
Out [ 4 ]: True
配套TF2视频教程
TensorFl
2021-09-27 21:20:29
105MB
1
基于LSTM的异常检测
假设，应该可以对LSTM进行自动编码，以构建异常检测器。 这证明了这是可能的。
例子
结果表明，如果使用纯无监督的LSTM自动编码器进行训练，则可以检测到具有增加的放大噪声的简单正弦波。
呈现给网络的整个信号[滑动窗口]：
信号近似值（均值）：
LSTM检测器的MSE输出：
添加（并捕获）的噪声样本数：
2021-09-23 17:54:20
14KB
1
[英语] 这个例子展示了如何在 MATLAB 中创建一个条件变分自动编码器 (VAE) 来生成数字图像。VAE 生成具有 MNIST 数据集样式的手绘数字。与变分自动编码器 (VAE) 不同的是，条件 VAE 可以输入要生成的类标签，可以合成更清晰的图像。条件GAN（生成对抗网络）也是合成图像的变量。来自VAE的合成图像往往会模糊，因为此类图像的损失值变低。使用GANs ，问题可能会得到解决。 https://jp.mathworks.com/matlabcentral/fileexchange/74921-conditional-gan-generative-adversarial-network-with-mnist [日本人]这个演示实现了一个条件变分自动编码器。与普通变分自编码器的不同之处在于，您可以指定要生成的图像的标签。这将允许您生成更清晰的图像。 由于VAE的机制，当生成的
2021-09-21 17:05:09
5MB
1
这是文章关于变分自动编码器的中文代码注解
源代码来自于： :
环境要求：
pip install requirements.txt
其他利用的资源：
转置卷积原理动态图： :
模型图片： :
由于本人水平有限，欢迎各位提出批评建议
公众号：BBIT
2021-09-16 14:29:01
2.1MB
1
欧氏距离matlab代码具有变分自动编码器的q空间新颖性检测
该存储库包含本文的正式实现。
依存关系：
Python3
茶野
千层面
麻木
科学的
Matlab的
方法：
在Matlab中实现了基于距离和密度的方法。
其他方法在python中实现。
用法：
要将建议的新颖性检测方法之一与您的数据一起使用，您应该：
在model
/
Data.py中实现数据加载方法
根据您的数据训练模型
运行建议的方法之一：
#
test_data
=
...
nd
=
NoveltyDetection
(
model
=
1
)
res
=
nd
.
compute_fast_novelty_scores
(
test_data
)
#
...
对于matlab方法，数据应首先以“
mat”格式保存：
#
normal_data
=
...,
test_data
=
...
nd
=
NoveltyDetection
(
model
=
1
)
latent_normal_data
=
nd
.
encode
(
normal_data
)
latent_test_data
=
nd
.
encode
2021-09-12 02:25:28
15KB
1