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. vaesne:VAE-SNE-源码

  2. VAE-SNE：用于降维和聚类的深度生成模型 VAE-SNE是用于降维和聚类的深度生成模型。 VAE-SNE是一种变分自动编码器（VAE），使用随机邻居嵌入（t-SNE / SNE）目标进行了规范化，以改善压缩后的潜在空间中的局部结构保存性。该模型在优化过程中同时学习高斯混合聚类的分布，然后使用稀疏分水岭过程对重叠的混合成分进行合并，因此，无需手动指定聚类的数量-只要高斯混合成分的数量足够大即可。 VAE-SNE产生的嵌入质量与现有的降维方法相似；可以检测到异常值；可扩展至大型核心数据集；并可

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：269kb
    • 提供者：weixin_42128558

  1. Movielens1M-movie-recommendation-system:使用MovieLens数据集实现了基于自动编码器（AE），可变自动编码器（VAE），BERT的深度学习电影推荐系统-源码

  2. MovieLens1M基于深度学习的电影推荐系统 使用MovieLens1M数据集（数据可以从下载），实现自动编码器（AE），可变自动编码器（VAE），BERT提取电影名特征3种方法，对评分矩阵进行耦合，继而对用户做出推荐。 代码建议在Google Colab环境下运行，代码中的目录请根据自己的实际目录进行修改。 本代码主目录和子目录如下： / content / drive / Movie_lens / --------- ml-1m（包含数据集的文件夹） ---------自动编码器.ip

  3. 所属分类：其它

  1. music-VAE:课堂项目，在旋律之间产生连续的过渡-源码

  2. 音乐VAE 首映礼： creer un dossier“数据”，avec dedans le dossier lmd_aligned（格式为CSV pasdéjàrécupérer）。 creer un dossier“ midi”影片，dans lequel serontécritsles CSV（si pasdéjàrécupérer）。 用法： lmd对齐的du Lahk MIDI数据集 信息，基本灵感 原始想法 github： : 有关数据集的详细笔记本 数据集 关于

  3. 所属分类：其它

  1. Reinforcement-Learning-Approach-to-Autonomous-Race-Car2:强化学习方法助力无人方程式学生技术-源码

  2. 自主赛车的强化学习方法 增强学习方法，用于“ Formula Student Technion无人驾驶”项目，该项目在具有AirSim插件的虚幻引擎4中使用Soft Actor Critic（SAC）算法和变体自动编码器（VAE）进行了模拟。 先决条件 作业系统：Ubuntu 18.04 or Windows 10 软体：Unreal Engine 4.24.3 GPU：Nvidia GTX 1080或更高版本（推荐） 如何建造 通过单击此链接 ， 设置虚幻引擎4，AirSim和FSTD环境

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：10mb
    • 提供者：weixin_42101384

  1. VAE-Tensorflow：在南加州大学（USC）的深度学习课程中，可变自动编码器的Tensorflow实现-源码

  2. Tensorflow中的变体自动编码器 这是由USC深度学习课程（ ）的变式自动编码器的实现。 此演讲的幻灯片可。 该演示代码由编写。 结果 重建 一代 转型 潜在空间 相关作品 VAE VAE原始论文： 该演示代码部分基于这篇文章 生成模型 我对 我对 我实现的 作者 / USC

  3. 所属分类：其它

  1. rna-seq-vae：使用变分自动编码器生成合成基因表达数据-源码

  2. GTEx数据集（V8）的条件变量自动编码器 该项目旨在使用生成模型生成合成基因表达数据。 我们首先研究数据的3D表示形式以及可能要依据的变量，以便有效地分离分布。 当前模型以组织为条件。 组织着色的GTEx数据集（1000个随机基因）的3D表示形式（UMAP，TSNE，PCA）： CVAE当前的重建质量，取决于组织。 基于： 对VAE方差损失论文： ， ， 项目进度： 基准模型创建 评估潜在空间中的均值，绝对差和分组的函数 模型调整 潜在空间大小 批次大小，学习率（应尽早确定时

  3. 所属分类：其它

  1. vae.pytorch：深度特征一致的变分自动编码器的PyTorch实现-源码

  2. PyTorch中的深度特征一致变分自动编码器 深度特征一致变分自动编码器的PyTorch实现。 我基于侯宪旭，沉琳琳，孙可，邱国平实施了DFC-VAE。 我使用CelebA数据集训练了该模型。 有关数据集的更多详细信息，请。 安装 克隆此存储库。 建议使用python 3.6。 使用命令pip install -r requirements.txt安装库。 数据集 您需要从上下载CelebA数据集，并按照以下方式进行排列。 . ├── README.md ├── requirements.

  3. 所属分类：其它

    • 发布日期：2021-02-22
    • 文件大小：11kb
    • 提供者：weixin_42134338

  1. 异常检测-源码

  2. 异常检测算法 这些算法可以直接运行：（可以在“ Vae”目录中找到数据集结构） BeatGAN：B.Zhou，S.Liu，B.Hooi，X.Cheng和J.Ye，“ Beatgan：使用对抗性生成的时间序列进行异常节律检测”，IJCAI，2019年，第4433–4439页。 Dagmm：B. Zong，Q。Song，MR Min，W。Cheng，C。Lumezanu，D。Cho和H. Chen，“用于无监督异常检测的深度自动编码高斯混合模型”，载于ICLR，2018年。 Encdec：P。Mal

  3. 所属分类：其它

  1. 变体自动编码器：如“自动编码变体贝叶斯” [Kingma，Welling，2014]中所述，在PyTorch中实现简单VAE的个人实现。-源码

  2. 变体自动编码器 Kingma，DP和Welling，M.（2013）对论文“ AutoEncoding Variational Bayes”的个人实现。 该存储库的主要目的是使刚开始使用Variational Autoencoders的人们可以轻松访问本文的实现，而不必研究高度优化且难以搜索的库。 我用原始论文中给出的超参数训练了模型。 潜在维度为3，编码器和解码器的MLP仅具有400个隐藏单元的单个线性层。 增加层数和潜在空间的尺寸会得到更好的结果。 我们使用100个重要性加权样本-122

  3. 所属分类：其它

    • 发布日期：2021-02-20
    • 文件大小：274kb
    • 提供者：weixin_42148975

  1. ssl_actionrec-源码

  2. 用于动作识别的骨架序列的自我监督学习 结果 当前的线性分类结果： 南大子 加州大学洛杉矶分校 南大xview cvpr 20基准 50.7 84.9 76.3 自动编码器（预测簇） 59.19 83.45 66.67 VAE 66.93 85.0 73.35 莫科 66.99 83.73 71.86 Moco-AE 68.19 85.0 Moco-AE +潜在相似性 70.53 86.08 77.01 Moco-AE +自上而下的相似性 67.33

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：134kb
    • 提供者：weixin_42153691

  1. 编码器：VAE编码器-源码

  2. 编码器：VAE编码器

  3. 所属分类：其它

    • 发布日期：2021-02-15
    • 文件大小：234kb
    • 提供者：weixin_42110362

  1. 旋律VAE_M4L-源码

  2. 节奏VAE_M4L 使用变分自动编码器（VAE）的现场（M4L）节奏发生器的最大值 怎么运行的 如果要快速测试设备，请使用/release目录中的设备。 要求 您需要通过软件包管理器将Node for Max软件包更新为最新版本（版本1.2.3或更高版本），或使用Max的最新版本（8.1.0或更高版本） 已知问题 -当您连续不断地产生节奏时，Node for Max有时会因“ Max API Timeout”错误而崩溃，并且您会看到“尚未训练模型”错误消息。 与名称包含特殊字符（例如[]?

  3. 所属分类：其它

    • 发布日期：2021-02-13
    • 文件大小：55mb
    • 提供者：weixin_42102272

  1. 自动编码器：在Tensorflow 2.0中实现降噪，稀疏，压缩，可变自动编码器（VAE）和Beta-VAE-源码

  2. TensorFlow 2.0中的自动编码器 以下自动编码器的实现； 香草自动编码器（AE） 去噪自动编码器 备用自动编码器（进行中） 压缩式自动编码器（进行中） 可变自动编码器（VAE） 条件变分自动编码器（CVAE） 节拍变奏自编码器（beta-VAE）（进行中） 如何运行： 运行python3 main.py --ae_type AE 我们可以传递的参数： ae_type：自动编码器的类型-AE，DAE，VAE，CVAE，BetaVAE latent_dim：潜在维度的度数

  3. 所属分类：其它

  1. 5分钟学习驾驶：实施强化学习方法，使汽车在几分钟内学会平稳驾驶-源码

  2. 在几分钟内学会平稳驾驶 在驴车模拟器中使用强化学习算法-软演员关键（SAC）和可变自动编码器（VAE），在几分钟内学会平稳驾驶。 Medium上的博客文章： 视频： ： 0级 1级 注意：必须将预训练的代理保存在logs/sac/文件夹中（您需要传递--exp-id 6 （文件夹的索引）才能使用预训练的代理）。 快速开始 下载模拟器或从构建模拟器 安装依赖项（参见requirements.txt） （可选，但建议）下载预训练的VAE： 使用Soft Actor-Critic（SAC

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：10mb
    • 提供者：weixin_42117037

  1. TensorFlow-VAE-GAN-DRAW：使用TensorFlow（深度卷积生成对抗网络（DCGAN），变分自编码器（VAE）和DRAW：用于图像生成的递归神经网络）实施的生成方法的集合-源码

  2. TF-VAE-GAN-DRAW ，和TensorFlow实现。 跑 VAE / GAN： python main.py --working_directory /tmp/gan --model vae 画： python main-draw.py --working_directory /tmp/gan 深度卷积生成对抗网络在使用默认参数的10个星期后产生了不错的结果。 ＃＃＃去做： 更复杂的数据。 添加 用空间变压器层替换当前的注意力机制

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：13kb
    • 提供者：weixin_42144086

  1. 计算机视觉：计算机视觉休假学习材料-源码

  2. 计算机视觉 传统和基于ML的计算机视觉技术的自学指南 理论 重要的计算机视觉和机器学习概念的实现。 计算机视觉 背景扣除 色彩空间 产品特点 筛选器 几何 仿射变换 投影变换 HOG功能 直方图 单应性 霍夫变换 图像渐变 K均值 卡尔曼滤波 线性代数 向量 矩阵 形态运算 光流 分割 门槛 深度学习 自动编码器 有线电视新闻网 甘 VAE 已应用 常用库的常见任务解决方案：OpenCV，PyTorch，Scikit学习。 分类 ResNet 挤压网 物体检测 多目标追踪 球追踪 玩家追踪

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：92mb
    • 提供者：weixin_42134097

  1. 股票预测模型：收集机器学习和深度学习模型以进行股票预测，包括交易机器人和模拟-源码

  2. 股票预测模型，收集用于股票预测的机器学习和深度学习模型，包括交易机器人和模拟。 目录 内容 楷模 LSTM LSTM双向 LSTM 2路径 格鲁 双向GRU GRU 2路径 香草 香草双向 香草2路径 LSTM Seq2seq LSTM双向Seq2seq LSTM Seq2seq VAE GRU Seq2seq GRU双向Seq2seq GRU Seq2seq VAE 注意是您所需要的 CNN-Seq2seq 扩张的CNN-Seq2seq 奖金 如何使用模型之一来预测t +

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：15mb
    • 提供者：weixin_42131342

  1. Font-VAE：使用带卷积的变分自动编码器分析字体形状-源码

  2. Font-VAE：使用带有卷积神经网络的变分自编码器的字体形状分析 VAE架构 VAE具有模块化设计。 编码器，解码器和VAE是3种共享权重的模型。 训练VAE模型后，编码器可用于生成潜矢量。 通过从均值= 0和std = 1的高斯分布中采样潜矢量，可以将解码器用于生成字体图像。 编码器 解码器 使用的数据集 数据集大小=每个班级训练5000和验证1000 宽度，高度= 112、112 字体大小= 25 使用的字符=“ AaBbCcDdEeFfGgHhIiJjKkLlMmNnOoPpQqRrS

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：247mb
    • 提供者：weixin_42103587

  1. PyTorch-VAE：PyTorch中的变种自动编码器（VAE）的集合-源码

  2. 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>

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：31mb
    • 提供者：weixin_42156940

  1. vmf_vae_nlp：EMNLP18论文“稳定可变自动编码器的球形潜在空间”的代码-源码

  2. 稳定变分自编码器（vMF-VAE）的球面潜在空间 在此存储库中，我们提供了以下算法的实验设置和实现： Spherical Latent Spaces for Stable Variational Autoencoders. Jiacheng Xu and Greg Durrett. EMNLP 2018. 作者：和。 arXiv版本已发布： 。 关于 关键字： PyTorch ， VAE ， NLP ， vMF 从此仓库中可以获得什么： 原始高斯VAE ; 具有已调整超参数的新型vo

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：37mb
    • 提供者：weixin_42116791
« 12 »