注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. keras示例程序

  2. addition_rnn.py 执行序列学习以执行两个数字（作为字符串）的添加。 antirectifier.py 演示如何为Keras编写自定义图层。 babi_memnn.py 在bAbI数据集上训练一个内存网络以进行阅读理解。 babi_rnn.py 在bAbI数据集上训练一个双支循环网络，以便阅读理解。 cifar10_cnn.py 在CIFAR10小图像数据集上训练一个简单的深CNN。 conv_filter_visualization.py 通过输入空间中的渐变上升可视化 VGG1

  3. 所属分类：深度学习

    • 发布日期：2017-10-23
    • 文件大小：10mb
    • 提供者：manoerina0411

  1. 基于卷积神经网络的问答方法研究

  2. 1.环境配置： ubantu(16.04) python(3.5) tensorflow(0.12.0) export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.10.0-cp35-cp35m-linux_x86_64.whl sudo pip3 install --upgrade $TF_BINARY_URL 2.模型介绍： https://www.tensorflow.org/

  3. 所属分类：Python

    • 发布日期：2018-09-13
    • 文件大小：101mb
    • 提供者：weixin_43093901

  1. TensorFlow实现AlexNet.py

  2. AlexNet模型是Hinton的学生Alex Krizhevsky在2012年提出来的。AlexNet包含了几个比较新的技术点，也首次在CNN中成功应用了ReLU、Dropout和LRN等Trick。 AlexNet主要使用的新技术点如下： （1）成功使用ReLU作为CNN的激活函数，并验证其效果在较深的网络超过了sigmoid，解决了sigmoid在网络较深时的梯度弥散问题。 （2）训练时使用dropout随机忽略一部分神经元，以避免过拟合，主要是最后几个全连接层使用了dropout。 （3

  3. 所属分类：深度学习

  1. 利用tensorflow实现的卷积神经网络来进行MNIST手写数字图像的分类.py

  2. 利用tensorflow实现的卷积神经网络来进行MNIST手写数字图像的分类。 #导入numpy模块 import numpy as np #导入tensorflow模块，程序使用tensorflow来实现卷积神经网络 import tensorflow as tf #下载mnist数据集，并从mnist_data目录中读取数据 from tensorflow.examples.tutorials.mnist import input_data mnist = inpu

  3. 所属分类：深度学习

    • 发布日期：2020-03-18
    • 文件大小：8kb
    • 提供者：aotomo740

  1. code_wanglianlian_1901271.py

  2. CIFAR10图片分类VGG19准确率93%，使用gpu训练，大约3个多小时，还有实验报告说明文档，想要私聊。拿到这样一个图片分类问题，先要获取数据，分析数据，对数据进行预处理，然后定义网络，定义损失函数和优化器，接着训练网络并更新参数，最后对网络进行测试。如果只使用最简单的卷积网络模型，训练出的效果很一般，只有70%左右，因此需要更加复杂的网络结构。优化器的选择可以加快速度和确保网络模型的训练结果，我是用的是随机梯度下降。

  3. 所属分类：深度学习

    • 发布日期：2020-01-25
    • 文件大小：8kb
    • 提供者：qq_36017937

  1. PyTorch 模型训练实用教程

  2. 本教程内容主要为在 PyTorch 中训练一个模型所可能涉及到的方法及函 数， 并且对 PyTorch 提供的数据增强方法（22 个）、权值初始化方法（10 个）、损失函数（17 个）、优化器（6 个）及 tensorboardX 的方法（13 个） 进行了详细介绍，本教程分为四章， 结构与机器学习三大部分一致。 第一章， 介绍数据的划分，预处理，数据增强； 第二章， 介绍模型的定义，权值初始化，模型 Finetune； 第三章， 介绍各种损失函数及优化器； 第四章， 介绍可视化工具，用于监控数

  3. 所属分类：机器学习

    • 发布日期：2019-03-03
    • 文件大小：4mb
    • 提供者：qq_29893385

  1. 卷积函数使用.py

  2. 卷积函数一直是神经网络中比较重要的环节，学好这块对以后的学习有及其重要的作用。在卷积神经中，卷积函数更是必不可少。

  3. 所属分类：深度学习

    • 发布日期：2020-06-20
    • 文件大小：3kb
    • 提供者：zhang19910329

  1. SSD_Realization_TensorFlow:基于开源SSD的重构，简化了代码结构-源码

  2. SSD_Realization_TensorFlow 使用 数据准备 将VOC2012数据解压到文件夹VOC2012中，注意检查下一级目录包含注解文件夹和JPEGImages文件夹。 生成TFR压缩数据 使用jupyter运行tfr_generate.ipynb ，使用TFR格式压缩图片对于提升训练速度大有替代益 训练模型 调用脚本即可 python train_ssd_network.py 测试运行 进入eval目录，运行： python show_ssd_network.py 在该脚本中有

  3. 所属分类：其它

    • 发布日期：2021-03-23
    • 文件大小：79kb
    • 提供者：weixin_42110533

  1. gcnn-survey-paper-源码

  2. 图卷积神经网络（GCNN）模型 该存储库包含用于节点分类，链接预测和联合节点分类以及链接预测的GCNN模型的张量流实现，以补充Chami等人的调查论文。 注意：这不是官方支持的Google产品。 代码组织 train.py ：训练带有FLAGS参数的模型。 train --helpshort了解更多信息。 。 launch.py ：训练具有不同参数组合的多个模型。在launch.py文件中指定参数。 launch --helpshort获取更多信息。 best_model.py ：使用lau

  3. 所属分类：其它

  1. DAMDNet:DAMDNet用于3D人脸对齐（ICCV2019研讨会）论文-源码

  2. 双重注意力MobDenseNet（DAMDNet）进行稳健的3D人脸对齐（ICCV2019研讨会）-Pytorch 笔记 在“ Demo.py”文件中，您将找到如何运行这些代码。 在“ FaceSwap / Demo2.py”文件中，您将找到如何运行人脸交换代码。 抽象的 本文提出了一种双重注意机制和一种高效的端到端3D人脸对齐框架。通过深度可分离卷积，密集连接卷积和轻量级通道注意机制，我们建立了一个稳定的网络模型。 为了增强网络模型提取人脸区域空间特征的能力，我们采用空间分组智能特征增强模块来

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：125mb
    • 提供者：weixin_42131790

  1. multiprofit:多目标带源建模星系拟合代码-源码

  2. 多重收益 multiprofit是受启发而为LSST数据管理制作的Python天文源建模代码。 MultiProFit表示多重轮廓拟合。 多方面可以是多对象，多组件，多波段，多乐器以及有朝一日的多纪元。 multiprofit可以使用高斯像素卷积点扩展函数将源建模为高斯混合（包括Sersic轮廓的近似值）时拟合任何类型的成像数据。 它还可以通过使用或来生成与任意PSF图像或模型卷积的真实Sersic和/或其他受支持的模型。 尽管目前仅限于相同尺寸的像素匹配图像，但multiprofit仍支持

  3. 所属分类：其它

  1. gcn：在TensorFlow中实现图卷积网络-源码

  2. 图卷积网络 这是图卷积网络的TensorFlow实现，用于图中节点的（半监督）分类任务，如我们的论文所述： Thomas N.Kipf，Max Welling，（ICLR 2017） 有关高级解释，请查看我们的博客文章： 托马斯·基普夫（Thomas Kipf），（2016） 安装 python setup.py install 要求 张量流（> 0.12） 网络 运行演示 cd gcn python train.py 数据 为了使用您自己的数据，您必须提供 N×N邻接矩阵（N是节

  3. 所属分类：其它

  1. CarND语义分割-源码

  2. 语义分割 介绍 在此项目中，您将使用完全卷积网络（FCN）在图像中标记道路像素。 设置 显卡 main.py将检查以确保您使用的是GPU-如果您的系统上没有GPU，则可以使用AWS或其他云计算平台。 框架和包装 确保已安装以下设备： 对于SciPy的imresize函数，您可能还需要 。 数据集 从下载。 将数据集提取到data文件夹中。 这将创建一个包含所有训练图像的data_road文件夹。 开始 实行 在“ TODO”注释指示的main.py模块中实现代码。 不需要填写带有“ OPTION

  3. 所属分类：其它

    • 发布日期：2021-02-20
    • 文件大小：341kb
    • 提供者：weixin_42099633

  1. Road_extraction：注意Unet和Deep Unet实现，用于道路提取多gpu张量流-源码

  2. Road_extraction 使用多GPU模型张量流的Attention Unet和Deep Unet实现道路提取 Deep U-Net的多种变体已经过额外的层和额外的卷积测试。 尽管如此，优于所有人的模型是Attention U-Net：学习在哪里寻找胰腺。 我添加了一个额外的调整来提高性能，将卷积块切换为残差块 TensorFlow分割 TF细分模型，U-Net，Attention Unet，Deep U-Net（U-Net的所有变体） 使用神经网络（NN）进行图像分割，旨在从遥感影像

  3. 所属分类：其它

    • 发布日期：2021-02-19
    • 文件大小：16mb
    • 提供者：weixin_42172972

  1. LA-GCN：针对图卷积网络的可学习聚合器的TensorFlow实现-源码

  2. TensorFlow中用于图卷积网络的可学习聚合器 图卷积网络的可学习聚合器的TensorFlow实现。 通过引入共享的辅助模型为GCN（LA-GCN）提供可学习的聚合器，该模型在邻域聚合中提供了自定义架构。 在此框架下，提出了一种称为LA-GCN（Mask）的新模型，其中包括一个新的聚合函数，即掩码聚合器。 辅助模型为给定节点的每个邻居学习一个特定的掩码，从而允许注意节点级别和功能级别。 该机制将学习为预测的节点和特征分配不同的重要性，从而为预测提供可解释的解释并提高模型的鲁棒性。 张力

  3. 所属分类：其它

  1. Tf-CoronaXray：一种深度学习方法，用于对受COVID-19感染和正常病例的肺部X射线进行分类-源码

  2. Tf-电晕X射线 型号摘要： 3个卷积层，并带有最大展平的最大池化层，以将参数压缩为包含较大矢量的所有内容的列矢量。 Sigmoid用于将ReLU作为隐藏层激活函数的最终二进制分类。 每个时期训练和验证10幅图像的小批量（总共15个时期）。 该数据集来自Kaggle（日期为2020年2月）。 可视化模型测试和验证数据的准确性和损失： 附言：main.py和main.ipynb中的代码是相同的，为了方便使用，我将它们都放在这里。

  3. 所属分类：其它

    • 发布日期：2021-02-17
    • 文件大小：318mb
    • 提供者：weixin_42151599

  1. 反反蜘蛛：越来越多的网站具有反爬虫特性，有的用图片隐藏关键数据，有的使用反人类的验证码，建立反反爬虫的代码仓库，通过与不同特性的网站做斗争（无恶意）提高技术。（欢迎提交意图采集的网站）（因工作原因，项目暂停）-源码

  2. 基于CNN的验证码图片识别 简介 本项目采用alexnet模型和letnet模型，可根据实际需要选择(在train_model.py中的train函数修改即可)95.5% 作者有话说 不知不觉这个git库伴随我从16到到20年，带给我自己最棒的一段人生旅程， 整理了这份文档，希望任何想学习图片识别，玩玩卷积神经网络的同学可以最便捷的上手体验。 请谨慎使用技术，仅支持学习，不支持任何黑灰产相关 可参看：https://www.urlteam.cn/?p=1893 https://www.urlte

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：29mb
    • 提供者：weixin_42128676

  1. 纹理合成-使用卷积神经网络：论文的Tensorflow实现-“使用卷积神经网络进行纹理合成”-源码

  2. 卷积神经网络的纹理合成 Tensorflow实现的论文-“使用卷积神经网络进行纹理合成” 在此笔记本中，我们将基于给定的纹理生成新的纹理。 输出将从刮擦噪声图像生成。 该过程的步骤如下。 同样，创建笔记本是为了便于自学。 步骤1：预处理输入图像 步骤2：计算输入图像所有图层的输出。 步骤3：什么是损失函数，并计算损失函数。 步骤4：运行Tensorflow模型以最小化损耗并优化输入噪声变量。 步骤5：后期处理并显示图像。 第6步：自动化处理流程 步骤7：绘制成功结果。 结果： 档案：

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：17mb
    • 提供者：weixin_42113754

  1. Relation_Extraction：使用深度学习（CNN）进行关系提取-源码

  2. 关系提取 卷积神经网络的关系分类 该代码是使用tensorflow的论文的实现。 ＃＃算法 我几乎遵循了上面提到的论文中使用的技术，只调整了一些参数，例如字向量的尺寸，位置向量，优化函数等。 基本体系结构是卷积层，最大池和最终softamx层。 我们总是可以在输入层和最终的softmax层之间添加/删除conv和max-pool层的数目。 我只使用了1个转换和1个最大池。 ##文件 text_cnn.py-这是一个实现模型体系结构的类。 因此，它接受输入，包含所有层，例如conv2d （卷

  3. 所属分类：其它