deep-learning personal practice 深度学习个人练习，该项目实现了深度学习中一些常用的算法，内容包括： 四种初始化方法：zero initialize, random initialize, xavier initialize, he initialize。 深度神经网络 正则化 dropout 三种梯度下降方法：BGD, SGD, mini-batch 六种优化算法：momentum、nesterov momentum、Adagrad、Adadelta、RMSprop、Adam 梯度检验 batch normalization recurrent neural network (RNN) Note: 下列 1-10中网络架构主要为四大块： initialize parameters、forward propagation、backward propagati

随机配置网络(SCN)通过引入不等式约束来限制输入权重和偏置的赋值,随着节点数量增加,网络能够逼近任意的数学函数和数据模型。在构建SCN的过程中,由于网络本身性质以及样本数据的不适定性和病态条件等问题会引起网络的过拟合,故提出一种基于Dropout技术的改进型SCN模型(Dropout-SCN)来自适应地约束输出权重分布和大小,以此来提高网络模型的识别精度。光纤数据验证的结果表明:与传统的SCN和L2范数正则化的SCN模型相比, Dropout-SCN模型具有更低的测试误差,有效地减缓了网络过拟合问题,提高了对光纤预警系统(OFPS)中光纤入侵信号的识别准确率。

针对目前行人重识别技术的缺点，提出一种基于Siamese网络的行人重识别方法.首先使用Dropout算法对卷积神经网络进行改良，降低发生过拟合问题的概率；而后构造一个Siamese网络，将CNN （Convolution Neural Network）中特征提取和检验相融合，提高图像识别的效率和准确率；最后利用度量学习算法中的马氏距离作为检索图像匹配相似度的评价指标.实验结果表明：针对Market-1501数据集，该方法可以有效提高采用卷积神经网络的行人重识别方法识别效率和准确率.

差异缺失分析 差异缺失分析可捕获单细胞RNA测序数据中的生物学变异 单细胞RNA测序数据的特征是具有大量的零计数，但是越来越多的证据表明这些零反映了生物变异而不是技术伪像。 我们提出了差异缺失分析（DDA），以鉴定单细胞RNA测序数据中生物变异的影响。 使用16个公开可用的模拟数据集，我们显示DDA可以准确地检测生物变异，并且可以比依赖计数的方法更可靠地评估转录本的相对丰度。 可从获得DDA。 可以在此处找到相关手稿图形的脚本，功能和源数据。 此外，从原始数据矩阵中的Seurat对象开始，描述了DDA的两个小插曲 可以在bioRxiv上找到手稿的预印本： ://doi.org/10.1101/2021.02.01.42929187 可以在一个闪亮的应用程序中交互式地浏览结果： : :

主要介绍了Tensorflow中的dropout的使用方法，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧

自适应阈值低秩近似（ALRA） 介绍 ALRA是一种在单细胞RNA测序数据中插入缺失值的方法，在提供的预印本“使用低秩近似法对scRNA-seq数据进行零保存插值”中进行。 给定一个scRNA-seq表达矩阵，ALRA首先使用随机SVD计算其rank-k近似值。 接下来，每一行（基因）都以该基因最负值的大小为阈值。 最后，矩阵被重新缩放。 该存储库包含用于在R中运行ALRA的代码。ALRA的唯一先决条件是安装随机SVD软件包RSVD，可以将其安装为install.packages('rsvd') 。 这些功能现在为已安装用户提供了一个标志use.mkl ，它可以大大加快基于默认rpca的版本的速度。 请注意，rpca-mkl仍在开发中，并且不在CRAN上，因此它不是必需的软件包，但是如果用户已经安装了rpca-mkl，则可以通过将该标志设置为True来使用它。 用法 请确保将矩阵为行，

深度学习中Dropout优化的原理分析 深度学习原理.pdf

深度学习中Dropout的作用和原理 深度学习原理.pdf

辍学学生的预测 该项目的目标是确定有辍学风险的学生 介绍 从一组包含有关1000名学生的前两个学期的信息的文件中，必须将它们集成到一个文件中以进行后续分析，最后的文件必须分为三组： 100名学生进行测试 200名学生评估模型 700名学生训练模型。 学生没有被标记，因此需要对数据进行描述性分析，一旦标记了学生，就必须使用kmeans才能基于聚类分析来标记数据。 必须使用人工神经网络来训练模型，以预测哪些学生会辍学。 建立模型后，必须使用100名学生的测试数据集来了解其中哪些人会辍学，因此它将使用一种遗传算法来优化大学的资源，以便为学生提供机会，从而避免辍学。 方法 发展 变量选择和特征工程 性别：男性或女性（0或1） admision.letras ：十进制数字，代表学生在高中入学考试中的成绩。 admision.numeros ：小数，表示学生在高中入学考试中的成绩。 prom

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。