基于Keras+python实现的声纹识别系统完整源码(可训练和测试)+带数据集+训练好的模型+项目说明.7z 【项目】基于深度学习的声纹识别 【主要功能】 通过声音识别人物 实现原理（流程）： 音频 → 提取语音特征（FFT、Mel过滤、MFCC）→ CNN&GRU → Triplet loss损失函数训练 + 预训练 + 训练得结果

Train the DenseNet-40-10 on Cifar-10 dataset with data augmentation. 做了数据及增强等操作 并且是一个完整的工程文件 包括cifar的预测训练等功能，自主训练即可，代码易懂

CMD 域不变表示学习的中心矩差异-ICLR 2017 注意：及其和均可使用 该存储库包含用于重现实验的代码，该论文在Werner Zellinger，Edwin Lughofer和Susanne Saminger-Platz的美国国际学习表示会议（ICLR2017）上发表了报告的实验。 JKU Linz的基于知识的数学系统，以及软件能力Hagenberg的数据分析系统小组的Thomas Grubinger和ThomasNatschläger。 在源代码中，CMD域正则化器用'mmatch'表示。 要求 该实现基于Theano和神经网络库Keras。 要安装Theano和Keras，请按照各自github页面上的安装说明进行操作。 您还需要：numpy，熊猫，seaborn，matplotlib，sklearn和scipy 数据集 我们在论文中报告两个不同基准数据集的结果：Amazo

segmentation_models：具有预训练主干的细分模型。 Keras和TensorFlow Keras

深度强化学习指南（与Keras和OpenAi体育馆一起使用） 使用Keras和OpenAi体育馆进行深度强化学习策略梯度方法的分步教程。 在这个简短的项目中，我们将使用强化学习算法（策略梯度方法-REINFORCE）训练神经网络玩Pong游戏。 如果要运行它，则只需克隆存储库，然后打开钢筋_learning_pong_keras_policy_gradients.ipynb ，然后阅读并运行笔记本 我们训练了一个简单的200个隐藏的神经元网络和一个卷积模型。 简单网络的示例播放： 简单网络玩游戏的视频（ ）： 卷积网络玩游戏的视频（ ）： 考虑到有限的时间和出于学习目的，我并不是要寻找一个受过良好训练的代理，但我希望这个项目可以帮助人们熟悉rl算法和keras的基本过程。 上面的视频花了3天时间让代理在慢速的计算机上学习。 为了获得生产结果，需要更多的培训和调整，这不是我

工业视觉异常检测框架 目录 语境 该存储库包含与我们的异常检测框架相关的代码，该框架使用针对在我们的污点状噪声损坏的图像上训练的自动编码器。 全文可在，并将很快在ICPR2020上发表。 下面的插图概述了使用我们的方法（AESc +染色）在MVTec AD某些样本上获得的异常检测结果。 方法概述 在这项工作中，我们解决了工业应用中图像异常检测的问题。 我们的方法基于经过训练的自动编码器，可以将任意图像（即有或没有任何缺陷）映射到干净图像（即无任何缺陷）。 通过这种方法，可以通过以下方法发现缺陷： （通常）一种基于残差的方法，该方法通过测量输入图像与其重建的干净版本之间的绝对差来评估异常。 （或者）基于不确定性的方法依赖于这样的直觉，即在训练过程中看不到的结构（即异常）将与更高的不确定性相关联，这可以通过MCDropout技术推断出的30个输出图像之间的差异来估算。 为了提高重建的干

SiameseLSTM-Keras 针对短语/句子/序列的相似性比较提出了一种评价模型——Siamese LSTM（孪生网络）。该模型是输入为句子对，输出为输入句子对的相似性得分，基于Keras实现。训练35轮左右模型达到拟合，测试集准确率87%

Bert4Keras-LZ 代码说明 本代码将将BERT，albert，Roberta预训练模型整合到wikisql与nl2sql表格数据集中，检验预训练模型对于表格问答的效果以下是对代码运行的说明。 环境配置 tensorflow == 1.14 keras == 2.2.4 bert4keras == 0.7.0 keras_bert == 0.80 python == 2.7 / 3.5 数据集下载 WikiSQL： : NL2SQL：无 文件运行 python wikisql_bert.py python nl2sql_bert.py 运行结果展示