神经网络的时间序列分析 重点比较ANN，RNN，LSTM和LSTM在时序分析中的表现 在这个项目中，我建立并比较了四种类型的ANN模型：具有Attention的完全连接的ANN，RNN，LSTM，LSTM。 有两个包含时间序列的数据集。 目的是建立深度神经网络，该网络可以学习数据中的时间模式并预测未来观察的价值。 对于那些模型，我比较了预测的准确性和训练过程的速度。 请参考Report.pdf了解详细说明和参考。 为了构建神经网络，我使用python keras库。 为了实现注意力机制，我使用了Christos Baziotis的。

破产机器学习 破产数据研究的目的是为给定数据确定预测破产的最佳分类方法。 破产数据是从COMPUSTAT收集的1980年至2000年的数据，其中有5436个观察值和13个变量。 9个基于会计的变量和1个市场变量是：R1：WC / TA，营运资金/总资产R2：RE / TA，未分配利润/总资产R3：EBIT / TA，息税前利润/总资产R4：ME / TL，权益/总负债的市场价值R5：S / TA，销售/总资产R6：TL / TA，总负债/总资产R7：CA / CL，流动资产/流动负债R8：NI / TA，净收入/总资产R9：破产成本，对数（销售）R10：市值，对数（绝对（价格）*流通股数/ 1000） 对于本研究，由于没有明显的破产趋势，因此可以假定可以将多年来的数据汇总在一起并进行研究。 在这13个变量中，其中一个是“ DLRSN”-一种表示默认值的分类变量，即预测的因变量。 总体而

Tensorflow 中的领域对抗神经网络 域对抗神经网络在 Tensorflow 中的实现。 重新创建 MNIST 到 MNIST-M 实验。 使用tensorflow-gpu==2.0.0和python 3.7.4 。 MNIST 到 MNIST-M 实验 生成 MNIST-M 数据集 改编自 要生成MNIST-M数据集，您需要下载 ，并将其放置在./Datasets/BSR_bsds500.tgz 。 运行create_mnistm.py脚本。 或者，如果在目录中找不到，脚本create_mnistm.py将为您提供下载的选项。 python create_mnistm.py 这应该会生成./Datasets/MNIST_M/mnistm.h5文件。 数据集也可在此处获得： 训练 运行DANN.py脚本。 python DANN.py 取消注释#train('so

有趣的卡格勒 我参加和即将参加的Kaggle比赛的所有参赛作品。 我可能会用Python（利用scikit-learn或类似的库）编写所有内容，但是如果可以的话，偶尔我也可能会使用R或Haskell。 因为我认为这是我的游乐场，所以在此存储库中编写的代码可能非常草率。 如果您有兴趣，请随时做出贡献。 avazu-ctr预测 Avazu的CTR预测比赛- 我的解决方案利用GradientBoostingClassifier和一些预处理/工程流程功能。 就对数损失而言，它的得分为0.4045696 ，而第一名的得分为0.3818529 （截至2014年2月2日）。 数字识别器 数字识别

在Tensorflow上使用神经网络（SSD）进行实时手检测。 此仓库记录了用于使用Tensorflow（Object Detection API）训练手持探测器的步骤和脚本。 与任何基于DNN的任务一样，过程中最昂贵（也是最危险）的部分与查找或创建正确的（带注释）数据集有关。 我主要对检测桌子上的手感兴趣（以自我为中心的观点）。 我首先用了实验（结果不好）。 然后，我尝试了，该非常适合我的要求。 此回购/发布的目的是演示如何将神经网络应用于跟踪手（以自我为中心的视图和其他视图）的（困难）问题。 更好的是，提供可以适应其他用例的代码。 如果您在研究或项目中使用本教程或模型，请引用 。

包含深度学习课程第一课第二周作业所需数据集、模块和相关代码。相关课程的作业的文档说明请搜索相关博客即可。 课程使用notebook做的，需要先安装juyter notebook。 在编程一开始需要导入python第三方库，包括numpy h5py matplotlib PIL scipy 统一使用pip下载安装，安装方法在命令窗口pip install 库名称 。 资源文件： assignment2.ipynb 是notebook文件可在网页book中打开，做好的作业和代码及运行结果都在里面； images 文件夹中是一些共测试的图片 datasets 文件夹中是本周课程用到的数据集，包括训练集和测试集； assignment2 文件夹是其他人做的作业； lr_utils.py 是课程提供的导入数据的模块，具体代码开始部分使用。

网络钓鱼网站检测：使用神经网络检测网络钓鱼网站的实验

有关YOLO v3的使用，请参见。 ML.Net中的YOLO v5 将YOLO v5与ML.Net一起使用 多亏了 ， 和 请参阅“的讨论，以问题。 参见分支 见keesschollaart81的 ML.Net中的YOLO v4 将YOLO v4与ML.Net一起使用 Onnx模式在onnx /型号回购可。 结果 资源 https://github.com/onnx/models/tree/master/vision/object_detection_segmentation/yolov4 https://github.com/hunglc007/tensorflow-yolov4-tflite https://towardsdatascience.com/yolo-v4-optimal-speed-accuracy-for-object-detection-79896ed4

深度学习入门经典，以初学者的角度来讲解，python实现自己的深度学习，另外有很多训练的trick

神经元 深度神经网络的完全可定制的硬件综合编译器 版权所有2017，高前田山崎新也及其贡献者 执照 Apache许可2.0（ ） 什么是NNgen？ NNgen是开源的编译器，用于为深度神经网络综合模型专用的硬件加速器。 NNgen根据输入模型定义生成Verilog HDL源代码和DNN加速器的IP内核包（IP-XACT）。 生成的硬件包罗万象，包括处理引擎，片上存储器，片上网络，DMA控制器和控制电路。 因此，开始处理后，生成的硬件不需要外部电路或CPU进行任何其他控制。 NNgen的后端使用Veriloggen，这是Python中的开源混合范例高级综合编译器。 因此，您可以为新的DNN算法和应用程序自定义NNgen。 为NNgen贡献 NNgen项目始终在欢迎问题，错误报告，功能建议和请求请求。 社区管理员 作为该项目的经理，社区经理负责社区管理，并促进软件开发和推广。 提交者 提交者是被授予对项目的写访问权的个人。 为了做出贡献者，需要社区经理的批准。 贡献领域可以采用各种形式，包括代码贡献和代码审查，文档，教育和推广。 提交者对于高质量，健康的项目至关重要。 社区积极寻