HypeLCNN概述 该存储库包含论文“具有用于高光谱和激光雷达传感器数据的光谱和空间特征融合层的深度学习分类框架”的论文源代码(正在审查中) 使用Tensorflow 1.x开发(在1.10至1.15版上测试)。 该存储库包括一套完整的套件,用于基于神经网络的高光谱和激光雷达分类。 主要特点: 支持超参数估计 基于插件的神经网络实现(通过NNModel接口) 基于插件的数据集集成(通过DataLoader接口) 培训的数据有效实现(基于内存的有效/基于内存/记录的) 能够在经典机器学习方法中使用数据集集成 神经网络的培训,分类和指标集成 胶囊网络和神经网络的示例实现 基于CPU / GPU / TPU(进行中)的培训 基于GAN的数据增强器集成 交叉折叠验证支持 源代码可用于在训练大数据集中应用张量流,集成指标,合并两个不同的神经网络以进行数据增强的最佳实践 注意:数据集文件太
2024-10-09 21:46:44 128KB deep-neural-networks tensorflow fusion lidar
1
Deep Learning Toolbox Reference, Deep Learning Toolbox Reference, Deep Learning Toolbox Reference
2024-08-01 14:24:01 12.15MB matlab deep learning toolbox
1
github官网下载的,深度学习 with PyTorch 中文版, 项目网页地址:https://tangshusen.me/Deep-Learning-with-PyTorch-Chinese/#/ 基本摘录版(Essential Excerpts),共141页, 内容包括以下五个部分: 1.深度学习与PyTorch简介 2.从一个张量开始 3.使用张量表示真实数据 4.学习机制 5.使用神经网络拟合数据
2024-07-12 14:59:56 56.41MB python pytorch 深度学习
1
ACNet:通过非对称卷积块增强强大的CNN的内核骨架ACNet ICCV 2019论文:ACNet:通过非对称卷积块增强强大的CNN的内核骨架 其他实现:PaddlePaddle重新实现以构建ACNet和转换权重已被PaddlePaddle官方仓库接受。 @ parap1uie-s的出色工作! Tensorflow2:一个简单的插件模块(https://github.com/CXYCarson/TF_AcBlock)! 只需使用它来构建模型,然后调用deploy()即可将其转换为推理时结构! @CXYCarson的惊人作品
2024-07-10 17:38:53 145KB Python Deep Learning
1
文字分类 文本分类(文本分类)是自然语言处理中的一个重要应用技术,根据文档的内容或主题,自动识别文档所属的预先定义的类别标签。文本分类是很多应用场景的基础,某些垃圾邮件识别,舆情分析,情感识别,新闻自动分类,智能客服机器人的合并分类等等。此处分为两个部分: 第1部分:基于scikit学习机器学习的Python库,对比几个传统机器学习方法的文本分类 第2部分:基于预训练词向量模型,使用Keras工具进行文本分类,用到了CNN 本文语料:,密码:P9M4。更多新闻标注语料,。 预训练词向量模型来自,下载地址: 。 第1部分:基于scikit-learn机器学习的文本分类方法 基于scikit-
2024-06-24 14:49:13 208KB python nlp machine-learning deep-learning
1
参与度识别模型 :hugging_face: TensorFlow和TFLearn实现: 敬业度是学习体验质量的关键指标,并且在开发智能教育界面中起着重要作用。 任何此类界面都需要具有识别参与程度的能力,以便做出适当的响应; 但是,现有数据非常少,新数据昂贵且难以获取。 这项工作提出了一种深度学习模型,可通过在进行专门的参与数据训练之前,通过对容易获得的基本面部表情数据进行预训练来改善图像的参与识别,从而克服数据稀疏性挑战。 在两个步骤的第一步中,使用深度学习训练面部表情识别模型以提供丰富的面部表情。 在第二步中,我们使用模型的权重初始化基于深度学习的模型以识别参与度。 我们称其为参与模型。 我们在新的参与度识别数据集上训练了该模型,其中包含4627个参与度和脱离度的样本。 我们发现参与模型优于我们首次应用于参与识别的有效深度学习架构,以及优于使用定向梯度直方图和支持向量机的方法。 参考 :hugging_face: 如果您使用我们的
2024-06-12 17:37:04 112KB education deep-learning Python
1
目录 介绍 该存储库表示在开发用于材料科学中的机器学习的图形网络方面的工作。 这项工作仍在进行中,到目前为止,我们开发的模型仅基于我们的最大努力。 我们欢迎任何人使用我们的代码和数据来构建和测试模型的努力,所有这些代码和数据都是公开的。 也欢迎任何意见或建议(请在Github Issues页面上发帖。) 使用我们的预训练MEGNet模型进行晶体特性预测的Web应用程序可从。 MEGNet框架 MatErials图形网络(MEGNet)是DeepMind图形网络[1]的实现,用于材料科学中的通用机器学习。 我们已经证明了它在分子和晶体的广泛属性中实现非常低的预测误差方面所取得的成功(请参阅 [
2024-06-06 11:20:22 39.25MB machine-learning deep-learning tensorflow keras
1
基于LSTM神经网络模型的日志异常检测 主要基于Deeplog实现 DeepLog - Anomaly Detection and Diagnosis from System Logs through Deep Learning (部分paper来源于知网,请尊重版权~)
2024-05-24 13:36:59 82.2MB Python
1
MCA: Multidimensional collaborative attention in deep convolutional neural networks for image recognition MCA:用于图像识别的深度卷积神经网络中的多维协作注意力
2024-05-07 19:17:45 4.1MB 深度学习 人工智能
1
通过深度学习在光谱学中检索气体浓度 田林波,孙佳晨,张军,夏金宝,张志峰,Alexandre A. Kolomenskii,汉斯·舒斯勒,张ler 该存储库提供补充材料,包括: 代码 load data.py-将数据从xlxs文件加载到pkl。 I / O例程 模型Implementation.py-在Keras中实现的深度神经网络(1D-CNN&DMLP)。 Pre-training.py-预训练模型的说明 transfer-learning.py-为预训练的模型实施转移学习的说明。 数据集 目前,我们尚未决定如何提升大容量数据集的水平。与编辑协商后将确认。
2024-05-06 12:07:36 427KB Python
1