基于多模态机器学习的膝关节骨关节炎进展的平原X线片和临床数据预测。 纸张代码和预先训练的模型。 Arxiv预印本： ://arxiv.org/abs/1904.06236 （c）奥卢大学Aleksei Tiulpin，2018-2019年。 关于 该存储库包含完整的代码，可重现本文中的培训过程。 要从头开始训练模型，您需要从MOST和OAI数据集中获取DICOM图像。 您还需要获取相应的元数据（可从网站下载。中提供了有关获取数据的更多说明。可在找到注释这些图像所需的元数据。 安装，培训和评估 依存关系 为了运行该项目，我们使用了Ubuntu 16.04 ， Docker和nvidia-docker 。 这些是您唯一需要的软件依赖项。 请安装这些就可以了。 如果不想使用Docker ，则可以按照给定的Dockerfile遵循安装过程。 我们使用3xGTX1080Ti NVIDIA

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

通过双向LSTM-CNNs-CRF教程进行端到端序列标签 这是针对ACL'16论文的PyTorch教程 该存储库包括 资料夹 设置说明文件 预训练模型目录（笔记本电脑将根据需要自动将预训练模型下载到此目录中） 作者 安装 最好的安装pytorch的方法是通过 设置 创建新的Conda环境 conda create -n pytorch python=3.5 激活公寓环境 source activate pytorch 使用特定的python版本（python 3.5）设置笔记本 conda install notebook ipykernel ipython kernel install --user PyTorch安装命令： conda install pytorch torchvision -c pytorch NumPy安装 conda install -c anaco

使用CK JSON API统一预测分析 所有CK组件都可以在和！ 该项目由托管。 这是一个存储库，其中包含CK模块和操作，以使用我们的标准CK JSON API统一对不同预测性分析框架（scipy，R，DNN）的访问。 社区使用它来研究工作流程/管道，以实现协作，可重用和可再现的实验。 见我们最近的文章中了解更多详情： ， 。 更多信息： 作者 贡献者 查看贡献者列表 带操作的共享CK模块 建议 实验 实验原始 实验视图 图形 图点 笔记本 数学条件 数学前沿 数学变化 模型 模型图像分类 模型 模型 模型种类 模型 报告 桌子 安装 首先按照此处所述安装CK框架。 然后按如下所示安装此CK存储库： $ ck pull repo:ck-analytics $ ck list ck-analytics:module:* 依存关系 Python： matplot

FMA：音乐分析数据集 ， ， ， 。 国际音乐信息检索学会会议（ISMIR），2017年。 我们介绍了免费音乐档案（FMA），这是一个开放的且易于访问的数据集，适用于评估MIR中的多个任务，MIR是与浏览，搜索和组织大型音乐收藏有关的领域。 但是，社区对功能和端到端学习的兴趣日益增长，这受到大型音频数据集可用性有限的限制。 FMA旨在克服这一障碍，以161个流派的分级分类法，提供来自16,341位艺术家和14,854张专辑的106,574条曲目的917 GiB和343天的Creative Commons许可音频。 它提供全长和高质量的音频，预先计算的功能，以及轨道和用户级别的元数据

贝叶斯神经网络 以下近似推理方法的Pytorch实现： 我们还提供以下代码： 先决条件 火炬 脾气暴躁的 Matplotlib 该项目是用python 2.7和Pytorch 1.0.1编写的。 如果CUDA可用，它将自动使用。 这些模型也不会太大，因此也可以在CPU上运行。 用法 结构体 回归实验 我们对用 生成的玩具数据集和真实数据（六个）进行了均方差和异方差回归实验。 Notebooks / classification /（ModelName）_（ExperimentType）.ipynb ：包含在（ExperimentType）上使用（ModelName）进行的实验，即同调/异

rmdTemplates：包含Rmarkdown模板集合的R包

在Jupyter笔记本中编写和共享计算分析的十个简单规则 该存储库是对 及其预印本 浏览以下示例笔记本，了解十个简单规则的应用。 此外，我们还建立了以众包更多技术和深入的教程，并紧跟快速发展的Jupyter生态系统。 我们鼓励您贡献并分享您的专业知识。 例子1 本示例演示了使用机器学习方法预测蛋白质折叠分类的可重现的4步工作流程。 规则9：设计笔记本以供阅读，运行和浏览。 下面的nbviewer链接提供笔记本电脑和笔记本电脑的非交互式预览。 按钮使用Binder（ ）服务器在Web浏览器中启动Jupyter Notebook或Jupyter Lab（可能很慢！）。 （请参阅Binder网站如何设置到Git存储库的链接。）HTML链接提供了笔记本的永久静态记录。 也可以从0-Workflow.ipynb顶级笔记本中的链接直接启动所有笔记本。 Nbviewer Jupyter笔记本 Jupyter实验室 HTML 规则8：共享和解释您的数据。 为了实现可重复性，我们提供了example1 / data目录，其中包含运行工作流程所需的所有数据。 该数据与下载位置和下载日期