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. Statistical-Learning-Method_Code:手写统计学习方法源码-源码

  2. 前言 力求每行代码都有注释，重要部分注明了公式来源。具体会追求下面这样的代码，学习者可以照着公式看程序，让代码有据可查。 如果时间充沛的话，可能会试着给每一章写一篇博客。先放个博客链接吧：。 注：其中Mnist数据集已转换为csv格式，由于体积为107M超过限制，转换压缩包形式。下载后先将Mnist文件内压缩包直接解压。 实现 第二章感知机： 博客：实现： 第三章K近邻： 博客：实现： 第四章朴素贝叶斯： 博客：实现： 第五章决策树： 博客：实现： 第六章逻辑斯蒂回归与最大熵模型： 博客

  3. 所属分类：其它

    • 发布日期：2021-03-23
    • 文件大小：26mb
    • 提供者：weixin_42148975

  1. Fault-injection-code-源码

  2. 此处的新内容：世界您好 该存储库包含项目“ DNN故障注入”的Python源代码。 它是在Pytorch框架之上开发的。 模拟器的主要功能： 训练深度神经网络（DNN）模型 在测试仪上进行图像分类 在存储DNN参数的存储块中注入位翻转 评估故障环境下的网络弹性 故障注入模拟的输出（即将推出）： .csv文件中已定义故障率范围内的精度曲线 有关注入位置的统计信息摘要，例如e7或数字的符号位。 显示精度曲线的'.png'文件 项目中使用的数据集： MNIST CIFAR-10 CIFAR

  3. 所属分类：其它

    • 发布日期：2021-03-22
    • 文件大小：12kb
    • 提供者：weixin_42137539

  1. VisualizeMNIST:该项目是网络的实时可视化，可从用户输入中识别数字-源码

  2. 可视化 该项目是对网络的实时可视化，可从用户输入中识别数字。 我使用MNIST数据集训练了一个网络，并用python解析了权重数据。有了这些数据，我实现了自己的自定义功能，这些功能是在Processing中运行网络所需的，包括矩阵乘法功能，激活功能。首次试用时，由于对MNIST数据集进行了预处理，以使数字位于图像的中心，所以当用户输入的位置离中心有点远时，就会出现精度问题。我在培训过程中使用了数据增强技术来解决此问题。 安装 要运行此代码，您需要 IDE和一个名为的库。 Instagram 如

  3. 所属分类：其它

    • 发布日期：2021-03-22
    • 文件大小：734kb
    • 提供者：weixin_42137022

  1. gNet:迷你深度学习库-源码

  2. 网络 gNet是一个微型深度学习（DL）库。旨在了解DL的工作原理。它正在CPU上运行。它是用Python语言编写的，并用于： * Numpy for linear algebra calculations * Matplotlib for plottings * Texttable for proper printing of model summary in cmd * wget for download MNIST data * idx2numpy for load MNIST dat

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：968kb
    • 提供者：weixin_42138716

  1. reactpro-源码

  2. reactpro reactpro是我的数字猜测网站。 ip查看网站 （托管在AWS EC-2实例中） 前端 这个网站的前端部分是由react-js制作的。 whiteboard-collab文件夹包含所有react-js代码 后端 该网站的后端部分，由Django制造（Python框架） 机器学习模型（CNN） 我使用tensorflow，numpy，keras库构建了我的CNN模型，该模型可以预测人类的手指数字。该模型是由MNIST数据集newhandwrite训练的。h5是我的机器学习模

  3. 所属分类：其它

  1. nn_best_intervals_test-源码

  2. 项目结构： ├────主要测试＃查找并验证MNIST集的间隔 ├────────攻击模型＃处理对抗过程 ├────────间隔求解器＃处理最佳环境的搜索 ├────────────全局任务＃查看和分析结果 ├────────────────参数＃配置攻击方式和搜索参数 代码用法： “ data”文件夹将图像以.csv格式保存（在这种情况下，图像取自MNIST数据集） “ nn_models”文件夹将神经网络模型保持在pytorch词典格式（.pth）中 “ Parameters.py”定义

  3. 所属分类：其它

  1. Data-Driven-Methods:数据驱动方法-源码

  2. Amath-482-ZachZlepper 数据驱动方法项目1-使用傅立叶变换和去噪技术找到潜水艇的路径项目2-使用Gabor变换识别歌曲《 Comfortly Numb and Sweet Child O'Mine》中的乐器项目3-使用PCA识别弹簧的运动质量系统项目4-使用线性判别分析对MNIST数据进行分类项目5-动态模式分解以将视频中的前景与背景分开

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：12mb
    • 提供者：weixin_42139357

  1. Fashion-MNIST-dataset-classification:使用tensorflow进行时尚mnist数据集分类-源码

  2. 时尚MNIST数据集分类 1.使用streamlit GUI进行时尚数据集分类，该机器学习强大的库以获取关于streamlit.io的更多信息 单击链接以打开项目 2.读取所需的库文件 3.cnn_model用于抽搐神经网络 4. seq_model用于顺序模型 5.我制作了两个模型，然后在fashion.py文件中称该模型为运行项目的主文件

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：24mb
    • 提供者：weixin_42099987

  1. Open-Set-Recognition:开放集识别-源码

  2. 公开集识别项目 使用PyTorch进行的开放集识别项目。 如有任何问题，请发送电子邮件 注意：由于我的实验性实现（特别是我的方法），需要重新构造。 要求 对于不同的算法和不同的数据集，要求会有所不同。通常，基本和必不可少的要求是： # pytorch 1.4+, torchvision 0.7.0 + pip3 install torch torchvision # sklearn pip3 install -U scikit-learn # numpy pip3 install numpy

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：45mb
    • 提供者：weixin_42129970

  1. tiny_cnn:卷积，关联和合并是神经网络的基本单元。 该测试希望您在CC ++中编写这三部分的功能-源码

  2. tiny_CNN性能测试 卷积，Relu以及池化是卷积神经网络的基本单元，这个项目采用C ++实现了这三个基本单元的前进和后退计算。并且实现了将这三个单元组合为一体的模块以提高性能，组合后有1.2倍的性能提升。该项目采用OpenMP支持多核并行。 目录 介绍 1.项目结构 ./src原始码 ./lib开源第三方矩阵库Eigen（长期可调用MKL） ./data mnist数据集 ./python numpy实现算法demo以及Pytorch作基准 ./main.cpp测试性能代码 2.建立 m

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：11mb
    • 提供者：weixin_42102358

  1. SGGM-源码

  2. 可扩展的几何生成模型| SGGM 描述 在制品 怎么跑 首先，安装依赖项 # clone project git clone gitgithub.com:pierresegonne/SGGM.git # install project cd SGGM pip install -e . pip install -r requirements.txt 接下来，导航到任何文件并运行它。 # module folder cd project # run module (exampl

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：781kb
    • 提供者：weixin_42128963

  1. onboarding:Valohai入职示例项目。 熟悉Valohai输入输出，参数和可视化元数据-源码

  2. Valohai入职-示例项目 :shark: :rocket: 先决条件 Python 3和pip 设置 pip3 install valohai-cli vh login 安装Python帮助程序库pip3 install valohai-utils （可选）安装Jupyter Notebook附加组件 pip3 install notebook pip3 install jupyhai jupyhai install 片段 MNIST数据集： ://onboard-sample.

  3. 所属分类：其它

    • 发布日期：2021-03-15
    • 文件大小：22kb
    • 提供者：weixin_42133861

  1. rUnet-源码

  2. 深度学习项目种子 使用此种子来启动新的深度学习/ ML项目。 内置setup.py 内置要求 MNIST的例子 徽章 比比克斯 目标 该种子的目标是使ML纸质代码结构相同，以便可以轻松地扩展和复制工作。 删除项目中的所有内容 您的项目名称 描述 它能做什么 怎么跑 首先，安装依赖项 # clone project git clone https://github.com/YourGithubName/deep-learning-project-template # install pr

  3. 所属分类：其它

    • 发布日期：2021-03-14
    • 文件大小：50kb
    • 提供者：weixin_42127835

  1. RBF-Softmax-源码

  2. RBF软件 是一种简单但有效的深度神经网络图像分类损失函数。 用编写并从修改过的RBF-Softmax项目。 在RBF-Softmax中，对数由RBF内核计算，然后由超参数缩放。 因此，此处将最后一个FC中的权重视为类原型。 RBF-Softmax管道 MNIST玩具演示可视化的RBF-Softmax和其他损失。 RBF软件 gif后面是在MNIST上训练的RBF-Softmax的2D特征可视化。 随着训练的进行，内部阶级的距离越来越小。 功能可见。 介绍 培训和测试RBF-Sof

  3. 所属分类：其它

  1. Conditional_GAN_Mnist-源码

  2. 有条件的_GAN_Mnist 抽象的 该项目是我们团队在Kaist大学进行的CS492“机器学习计算机视觉”课程的最终项目。 在该项目中，我们为Mnist数据集实现了条件GAN模型。 安装 keras == 2.4.3 张量流== 2.4.0 火车 要进行训练，只需运行文件cgan.py。 在训练过程中经过一定时间后，模型的权重将保存到文件夹“ saved_model_weights”，模型生成的图像将保存到文件夹“ images”。 训练完成后，训练历史记录将保存到文件夹“ plot_h

  3. 所属分类：其它

    • 发布日期：2021-03-13
    • 文件大小：27mb
    • 提供者：weixin_42150360

  1. Vision-Systems-Lab:MLP，DCNN，深度卷积自动编码器，LSTM，GRU，ResNets，DCGAN-波恩大学的CudaVision实验室（SS19）-源码

  2. 视觉系统实验室：在GPU上学习计算机视觉[自述文件未定期更新] 作者：Saikat Roy， 波恩大学CudaVision实验室（SS19）的存储库（主要）在PyTorch，Python3和Jupyter笔记本电脑上实现。 该项目从神经网络的基础开始，并延伸到更深层次的模型。 以下项目包含在相应的文件夹中： 项目1：Softmax回归（无autograd / Pytorch张量） 涉及使用softmax回归和手动梯度计算对MNIST数据集进行分类。 经过5次简单的迭代运行后，训练和测试集

  3. 所属分类：其它

    • 发布日期：2021-03-11
    • 文件大小：14mb
    • 提供者：weixin_42116921

  1. Mnist-数字分类-源码

  2. Mnist-数字分类 这是一个使用mnist手写数据集的机器学习教程项目。 自制文件夹旨在作为一种无需使用外部程序包即可直接创建神经网络的方法。 这使用从下载的mnist数据集。 该数据集不包含在此仓库中。 tf文件夹使用tensorflow库包含相同的文件。 settens的教程启发了使用tensorflow的神经网络。 这一工作效率更高。 有两种不同类型的文件： 训练 训练模型，然后创建一个窗口以显示来自测试数据集的图像以及该模型预测的猜测。 绘图位数 用户可以在屏幕上绘制，然后使用模

  3. 所属分类：其它

  1. 画廊：BentoML示例项目画廊-源码

  2. BentoML画廊 这是机器学习项目的集合，展示了如何使用运送经过训练的机器学习模型以用于生产中的模型服务。 使用BentoML构建的示例项目 Scikit学习 情绪分析 | | 具有自定义WebUI的虹膜分类器 | | 使用JsonInput的多个模型-Google | | 火炬 时尚MNIST- | | CIFAR-10图像分类 | | Tensorflow Keras 时尚MNIST- | | 文字分类 | | 有毒评论分类器 | | Tensorflow 2.0

  3. 所属分类：其它

  1. data_science_portfolio：我为学术，自学和业余爱好完成的数据科学项目组合-源码

  2. 数据科学与机器学习产品组合 包含用于学术，自学和专业目的的数据科学项目组合的存储库。 以Jupyter笔记本的形式呈现。 工具类 Python ：NumPy，Pandas，Seaborn，Matplotlib 机器学习：scikit-learn，TensorFlow，keras 内容 机器学习 ：卷积神经网络，它使用通过合并来自MNIST的图像而生成的数据来学习识别数字序列（基于图像识别数字）。 ：对从社交网络广告购买了SUV的客户使用K-NN。 ：使用关于加密货币的概率模型来找到数值问

  3. 所属分类：其它

  1. svm_mnist_digit_classification：具有scikit学习和支持向量机（SVM）算法的MNIST数字分类-源码

  2. 使用scikit-learn在python中进行SVM MNIST数字分类 该项目提出了的众所周知的问题。 出于本教程的目的，我将使用具有原始像素特征的算法。 该解决方案使用易于使用的机器学习库以python编写。 该项目的目标不是达到最先进的性能，而是教您如何使用sklearn的SVM在图像数据上训练SVM分类器。 尽管该解决方案并未针对高精度进行优化，但结果还是不错的（请参见下表）。 如果您想获得最佳性能，这两个资源将向您展示当前的最新解决方案： 下表显示了与其他模型相比的一些结果：

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：49kb
    • 提供者：weixin_42150341
« 12 3 4 »