RNN和Temporal-ConvNet进行活动识别 ，（等额缴纳） 论文代码： （在杂志上接受，2019年） 项目： 抽象的 在这项工作中，我们使用ResNet-101演示了一个强大的基线两流ConvNet。 我们使用此基线来彻底检查RNN和Temporal-ConvNets的使用，以提取时空信息。 基于我们的实验结果，然后我们提出并研究了两个不同的网络，以进一步整合时空信息：1）时域RNN和2）初始样式的Temporal-ConvNet。 我们的分析确定了每种方法的特定局限性，这些局限性可能构成未来工作的基础。 我们在UCF101和HMDB51数据集上的实验结果分别达到了94.1％和69.0％的最新性能，而无需大量的时间增强。 我们如何解决活动识别问题？ 演示版 GIF展示了我们的TS-LSTM和“时间-开始”方法的前3个预测结果。 顶部的文本是基本事实，三个文本是每种方法的预

Deep convolutional neural networks as an estimator of porosity i

Deep convolutional neural networks as a geological image classif

computer network: communication networks fundamental concepts and key architecture

开源的模块 microwave-networks

Map-matching in complex urban road networks

介绍 torchadver是一个Pytorch工具箱，用于生成对抗性图像。 基本的对抗攻击得以实施。 如 ， ， ， ， 等。 安装 如何使用 简短的攻击过程如下所示。 您可以参考更详细的过程介绍。 通过满足L2范数生成对抗性图像 非目标攻击 from torchadver . attacker . iterative_gradient_attack import FGM_L2 , I_FGM_L2 , MI_FGM_L2 , M_DI_FGM_L2 mean = [ 0.5 , 0.5 , 0.5 ] std = [ 0.5 , 0.5 , 0.5 ] # images normalized by mean and std images , labels = ... model = ... # use mean and std to determine effective rang

神经网络 乳腺癌数据集的神经网络，可产生概率并对新患者进行分类。 训练数据 该模型是使用699例乳腺癌患者的数据集构建的。 数据集经过归一化和清洗，最终使500名患者接受了培训和测试的最终数据集。 共有500例患者，其中262例（52.4％）患有良性肿瘤，238例（47.6％）患有恶性肿瘤。 为了进行训练，使用了80％的数据，其中40％是良性肿瘤，40％是恶性肿瘤，其余20％用于测试。 在这20％中，12.4％来自良性肿瘤，而7.6％来自恶性肿瘤。 怎么跑 克隆存储库 启动你的服务器 现在，您可以访问神经网络预测的结果并查看模型训练的性能图。 内容

《Neural Networks for Time Series Forecasting with R》，2017年新出书籍，深度学习用于时间序列

《TF-GNN：Graph Neural Networks》附录《A.2.2 Creating GraphTensors》例程