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. MLP:多层感知器-源码

  2. MLP:多层感知器

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：13kb
    • 提供者：weixin_42121754

  1. 2048-Gym:该项目旨在使用强化学习算法来玩2048游戏-源码

  2. 2048健身房 该存储库是一个有关使用DQN（Q-Learning）玩2048游戏并使用加速和加速环境的。使用的算法来自“ ，环境是自定义的 env。该环境包含两种类型的电路板表示形式：二进制和无二进制。第一个使用幂二矩阵来表示电路板的每个图块。相反，没有二进制文件使用原始矩阵板。 该模型使用两种不同类型的神经网络：CNN（卷积神经网络），MLP（多层感知器）。使用CNN作为特征提取器比使用MLP更好。可能是因为CNN可以提取空间特征。结果，代理在1000个已玩游戏的10％中获得2048个图块。

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：57mb
    • 提供者：weixin_42097208

  1. archive:机器学习工具箱-源码

  2. 档案 概述 该存储库是我的机器学习工具箱。它包含我从头开始创建的模型。 楷模 降维 MDS.py –多维缩放 PCA.py –主成分分析 isomap.py-isomap 神经网络， Hopfield.py – Hopfield网络 RBF.py –径向基函数网络 RBM.py –受限玻尔兹曼机 SLP.py –单层感知器 MLP.py –多层感知器 机器学习 SVM.py –支持向量机 ransac.py-随机样本共识 knn.py-k最近邻居

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：11kb
    • 提供者：weixin_42172572

  1. fourier-feature-networks:傅立叶特征使网络可以在低维域中学习高频功能-源码

  2. 傅立叶特征使网络可以在低维域中学习高频功能 | * 1 ， * 1,2 ， * 1 ， 1 ， 1 ， 1 ， 3 ， 2 ， 1 1加州大学伯克利分校， 2 Google研究中心， 3加州大学圣地亚哥分校*表示相等的贡献 抽象的 我们表明，通过简单的傅立叶特征映射传递输入点使多层感知器（MLP）能够学习低维问题域中的高频函数。这些结果揭示了计算机视觉和图形学的最新进展，这些进展通过使用MLP表示复杂的3D对象和场景来实现了最新的结果。使用来自神经正切核（NTK）文献的工具

  3. 所属分类：其它

  1. LOB:中国市场限价订单基准数据集-源码

  2. 高球 中国市场限价订单基准数据集 FinAI实验室 香港高等研究院 目录 介绍 该存储库包含论文描述的和。 在建议的基准数据集上测试了五个基线模型，包括线性回归（LR），多层感知器（MLP），卷积神经网络（CNN），长期短期记忆（LSTM）和CNN-LSTM。 笔记 所有算法均基于深度学习框架。 我们的PyTorch版本是1.7.0。 如果您使用的是较低版本，请相应地修改代码。 抽象的 限价单（LOB）已生成“大财务数据”，供学术界和行业从业者进行分析和预测。 本文提供了一个中国股票市场的基

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：756kb
    • 提供者：weixin_42143092

  1. MLP-Neural-Network-From-Scratch:教程详细介绍了如何从头开始构建多层感知器-源码

  2. 从头开始构建多层感知器 驱动神经网络的数学和计算通常被视为博学且不可渗透。 在MLP.ipynb提供了一个清晰说明的示例，该示例从头开始构建了用于手写识别的神经网络。 本教程分步概述了许多现代机器学习算法中使用的数学和代码。 安装 要在浏览器中查看此笔记本，只需单击上面的MLP.ipynb文件。 要在本地运行此笔记本，请确保已安装 ， 和 。 然后在终端窗口中： $ git clone https://github.com/KirillShmilovich/MLP-Neural-Netwo

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：15mb
    • 提供者：weixin_42107561

  1. left-shift:使用深度强化学习解决游戏2048-源码

  2. 左移 该存储库包含我们的项目中ÉcolePolytechnique的INF581：AI高级主题中使用的代码。 在此项目中，我们旨在培训2048游戏的游戏代理。 我们实现了一个来对游戏进行建模，并使用来自稳定基线库的Deep Q-Learning（DQN）算法来训练多个代理，这些代理会改变状态编码，奖励功能，网络类型和结构。 结果表明，使用单热编码的编码状态对于提高性能至关重要。 我们还得出结论，就此游戏而言，卷积神经网络（CNN）比多层感知器（MLP）更有效。 要进行更深入的讨论，请阅读。

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：150mb
    • 提供者：weixin_42165973

  1. RBF_Function_Approximation-源码

  2. RBF_Function_Approximation 径向基函数（RBF）网络在常规逼近理论中有其基础。 它具有通用逼近的能力。 RBF网络是众所周知的多层感知器（MLP）的流行替代方法，因为它具有更简单的结构和更快的训练过程。 在这里，我训练了RBF神经网络进行函数逼近。 使用该网络并预测F（x）= x ^ 3，然后将网络的输出与函数F（x）的结果进行比较，并绘制在x∈[-2，2]范围内的数据比较结果。 结果图像：

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：52kb
    • 提供者：weixin_42162216

  1. CS311-神经计算：实现MLP（多层感知器）的实现，它将学习如何解决XOR问题-源码

  2. CS311-神经计算 2018-2019年神经计算课程的作业。 MLP（多层感知器）的实现，它将学习如何解决XOR问题。

  3. 所属分类：其它

    • 发布日期：2021-03-02
    • 文件大小：348kb
    • 提供者：weixin_42122340

  1. Tensorflow-101：TensorFlow教程-源码

  2. 使用Jupyter Notebook的Tensorflow教程 使用Jupyter Notebook用Python编写的TensorFlow教程（当然）。 试图尽可能友好地进行解释，因为这些教程是针对TensorFlow初学者的。 希望这些教程对于您的深度学习项目是有用的食谱。 享受编码！ :) 内容 / / / / 使用TensorFlow进行机器学习的基础知识： / / 多层感知器（MLP）： / / / 卷积神经网络（CNN）： / / / 使用预训练模型（VGG）：

  3. 所属分类：其它

    • 发布日期：2021-02-28
    • 文件大小：102mb
    • 提供者：weixin_42128141

  1. 硕士项目-源码

  2. 深度学习项目 链接数据集 结构目录 主要的 有线电视新闻网 CapsNet.ipynb MLP.ipynb Process_Data.ipynb 资料集 8863 / [0-1] 10300 / [0-1] ... data_batch_train X_train_1.hdf5 ... data_batch_test X_test_1.hdf5 ... data_batch_valid X_valid_1.hdf5 ... 应用的算法 多层感知器 卷积神经网络 胶

  3. 所属分类：其它

  1. MLP-Estimating-Exoplanet-Parameters：用于使用在反照率谱上训练的多层感知器（MLP）来估计系外行星特性的资源。 演练：https：youtu.beOsnO7RKGaeQ DOI：https：doi.org1

  2. MLP-Estimating-Exoplanet-Parameters：用于使用在反照率谱上训练的多层感知器（MLP）来估计系外行星特性的资源。 演练：https：youtu.beOsnO7RKGaeQ DOI：https：doi.org10.10881538-3873ab740d支持：NAI拨款＃NNX15BB01，斯特勒系外行星环境协作

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：96mb
    • 提供者：weixin_42134554

  1. model_save_for_pima_diabetes-源码

  2. model_save_for_pima_diabetes 在这个项目中 1-我们仅应用多层感知器（MLP）算法并将模型保存到model.json文件。 我们通过在模型上调用save（）函数并指定文件名来保存模型。 在我们的案例中，我们通过首先拟合模型，评估模型并将其保存到文件model.h5来演示这一点。 2-保存的模型随后可以通过调用load_model（）函数并传递文件名来加载。 该函数返回具有相同架构和权重的模型。 在我们的案例中，我们加载模型，总结架构并在同一数据集上对其进行评

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：424kb
    • 提供者：weixin_42136477

  1. 等变MLP-源码

  2. 构造任意矩阵组等变多层感知器的实用方法 | EMLP是一个jax库，用于在深度学习中自动构建等变层。 安装说明 要作为软件包安装，请运行pip install git+https://github.com/mfinzi/equivariant-MLP.git 。 要运行脚本，您需要克隆存储库并将其安装在本地，您可以使用 git clone https://github.com/mfinzi/equivariant-MLP.git cd equivariant-MLP pip install

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：10mb
    • 提供者：weixin_42135073

  1. 投资组合：数据科学投资组合-源码

  2. 数据科学组合 包含数据科学和数据分析项目的存储库。 使用Python进行机器学习 解释性数据分析，特征工程，监督机器学习（逻辑回归，决策树，随机森林）。 结果：基准是Logistic回归，并且在测试数据集上产生了0.7694的AUC。 通过利用随机森林和对参数进行超调，可以达到0.8025 AUC。 因此，超调会产生更好的性能。 技术： 监督机器学习：逻辑回归，决策树，随机森林 工具 ： Python ：熊猫，Numpy，Sklearn，Matplotlib，Seaborn 带有Pyt

  3. 所属分类：其它

  1. 深度学习-反向指导-源码

  2. 深度学习역멘토링 2020年ibksystem发行商。 讲座1 1.1机器学习简介 机器学习의정의 机器学习의 지도학습（监督学习） KNN分类 线性回归 비지도학습（无监督学习） K均值聚类 1.2线性回归 梯度下降学习率 过度拟合 正则化 早停 1.3梯度下降优化算法 批次梯度下降 随机梯度下降（SGD） 唠叨 势头 阿达格勒 道具 亚当 1.4二进制分类 逻辑回归 交叉熵 1.5多项式分类 softmax 1.6실습 자료 第二讲 2.1神经网络介绍 人工神经网络的历史 2.2多

  3. 所属分类：其它

  1. sonar_binary_classification：使用深度神经网络将物体分类为岩石或矿山（金属）-源码

  2. 声纳二进制分类 使用的图书馆： pandas，numpy，sklearn，tensorflow / keras，matplotlib 多层感知器（MLP）人工神经网络用于区分从金属圆柱体弹回的声纳信号和从大致圆柱体岩石弹回的声纳信号。 最终模型在测试集上的准确度为87.5％。 项目概况 目标： 练习使用tensorflow和keras进行深度学习。 练习分类问题。 数据集信息： 文件“ sonar.mines”包含111种模式，这些模式是通过以各种角度和各种条件从金属圆柱体上弹跳声纳信

  3. 所属分类：其它

  1. 二次激活函数：深度学习最终项目-源码

  2. ECE472（深度学习）最终项目 二次神经元作为深度神经网络中的激活功能 安德鲁·洛伯（Andrew Lorber）和马克·科斯科夫斯基（Mark Koszykowski） 摘要：我们的深度学习最终项目基于Yaparla Ganesh和Rhishi Pratap Singh在使用二次神经元进行模式分类的研究中进行的一项实验研究。 他们的论文讨论了使用二次（QUAD）神经元来构建二次神经网络，这与多层感知器（MLP）模型中熟悉的线性神经元相反。 本文展示了其二次神经元作为二次激活函数的用途。 在

  3. 所属分类：其它

  1. Multi_Layer_Perceptron：python中没有神经网络python库的基本神经网络MLP模型-源码

  2. 多层感知器 python中没有基本神经网络python库的基本神经网络MLP模型。

  3. 所属分类：其它

    • 发布日期：2021-02-13
    • 文件大小：10kb
    • 提供者：weixin_42099633

  1. 希伯来语深度学习：希伯来语ספרמלאבעבריתבנושאיםשללמידתמכונהולמידהעמוקה-源码

  2. 希伯来语深度学习 למידתמכונהולמידהעמוקהבעברית 目录 1.机器学习导论 2.机器学习算法 3.线性神经网络（回归问题） 3.1线性回归 3.1.1基本概念 3.1.2梯度下降 3.1.3正则化和交叉验证 3.1.4线性回归作为分类器 3.2 Softmax回归 3.2.1 Logistic回归 3.2.2交叉熵和梯度下降 3.2.3优化 3.2.4 SoftMax回归–多类Logistic回归 3.2.5 SoftMax回归为神经网络 4.深度神经网络

  3. 所属分类：其它

« 12 »