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. 对于recurrent network的可解释

  2. 对于深度学习中RNN网络的可解释化，提出了新的见解，对于深度学习RNN的学习不可多得的参考文献

  3. 所属分类：深度学习

    • 发布日期：2019-01-18
    • 文件大小：2097152
    • 提供者：banxia1995

  1. 可解释机器学习资源.zip

  2. 神经网络、机器学习、深度学习的可解释性研究，个性化推荐的可解释性研究

  3. 所属分类：深度学习

    • 发布日期：2019-07-10
    • 文件大小：56623104
    • 提供者：qq_41020101

  1. Python-TensorWatch是一款专为深度学习和强化学习而设计的调试和可视化工具

  2. TensorWatch是一款专为深度学习和强化学习而设计的调试和可视化工具。 它充分利用Jupyter Notebook显示实时可视化，并提供查询实时训练过程的独特功能，而无需遍历各种日志记录。 您还可以使用TensorWatch构建自己的UI和仪表板。 此外，TensorWatch利用几个优秀的库来可视化模型图，审查模型统计，解释预测等。

  3. 所属分类：其它

    • 发布日期：2019-08-11
    • 文件大小：12582912
    • 提供者：weixin_39840588

  1. 可解释CNN的对象分类【上海交大】.pdf

  2. 本文提出了一种学习深度卷积神经网络(CNN)中可解释卷积滤波器的通用方法，用于对象分类，每个可解释滤波器都对一个特定对象部分的特征进行编码。我们的方法不需要额外的注释对象部分或纹理的监督。相反，我们使用与传统CNNs相同的训练数据。在学习过程中，我们的方法在一个高卷积层中自动分配每个可解释的过滤器，每个过滤器的对象都是某个类别的一部分。

  3. 所属分类：机器学习

    • 发布日期：2020-03-14
    • 文件大小：8388608
    • 提供者：syp_net

  1. 新闻情感方向判断方法、电子设备及计算机可读存储介质.pdf

  2. 使用深度学习和模型的方法，判断非结构化文本的情绪倾向CN107688651A 权利要求书 2/2页 若从该待预测新闻的标题和正文中没有识别出所述第一文件中的事件关键词,且没有 识别岀与所述第二文件中的事件正则表达式符合的内容,则将所述预定的机器学习算法获 取的该待预测新闻的情感分数作为该待预测新闻的最终评分。 8.如权利要求7所述的新闻情感方向判断方法,其特征在于,所述调整所述预定的机器 学习算法获取的该待狈测新闻的情感分数还包括: 若从该待预测新闻的标题和正文中识别出与所述第二文件中的事件正则

  3. 所属分类：机器学习

    • 发布日期：2019-07-12
    • 文件大小：649216
    • 提供者：lanhao5635865

  1. 医学图像分析中可解释的深度学习模型（来自滑铁卢大学）

  2. 深度学习方法对各种医学诊断任务都非常有效，甚至在其中一些任务上击败了人类专家。然而，算法的黑箱特性限制了临床应用。最近的可解释性研究旨在揭示对模型决策影响最大的特征。这一领域的大多数文献综述都集中在分类学、伦理学和解释的需要上。本文综述了可解释的深度学习在不同医学成像任务中的应用。

  3. 所属分类：机器学习

    • 发布日期：2020-05-31
    • 文件大小：3145728
    • 提供者：syp_net

  1. 高阶项解释 应用.pptx

  2. 分析了深度学习领域近些年的成就与瓶颈，要从盲目追求黑盒子的精度中释放出精力来，分析模型的初衷——说人话，让人理解——即让模型变得可解释。

  3. 所属分类：深度学习

    • 发布日期：2020-08-27
    • 文件大小：2097152
    • 提供者：qq_35155934

  1. 可解释人工智能 (xAI) 方法和深度元学习模型

  2. 可解释人工智能(xAI)是近年来出现的一个有趣的问题。许多研究人员正试图从不同的角度和有趣的结果来处理这个问题。然而，我们在理解这些类型的模型方面仍处于起步阶段。在未来的几年里，深度学习模型的开放性将被讨论。

  3. 所属分类：机器学习

    • 发布日期：2020-09-13
    • 文件大小：1048576
    • 提供者：syp_net

  1. 可解释人工智能XAI：算法到应用

  2. 能够解释机器学习模型的预测在医疗诊断或自主系统等关键应用中是很重要的。深度非线性ML模型的兴起，在预测方面取得了巨大的进展。然而，我们不希望如此高的准确性以牺牲可解释性为代价。结果，可解释AI (XAI)领域出现了，并产生了一系列能够解释复杂和多样化的ML模型的方法。

  3. 所属分类：机器学习

    • 发布日期：2020-10-13
    • 文件大小：47185920
    • 提供者：syp_net

  1. 《机器学习模型思考》系列：线性回归模型的基本假设

  2. /关注 长歌大腿 公众号，发送“机器学习”关键字，可获取包含机器学习（包含深度学习)，统计概率，优化算法等系列文本与视频经典资料，如《ESL》《PRML》《MLAPP》等。/ 文章来源《机器学习模型思考》系列：线性回归模型的基本假设 . 线性模型是众多模型的基准，是更大范围的广义线性模型如支持向量机SVM，逻辑回归等模型的基模型，是经常使用的非常重要的数学方法。但是大多数机器学习或者数学建模的书籍中都没有讲述该模型的适用条件，任何模型在应用时都有其适用范围，作为最广泛的线性模型也不例外。以下为线

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：49152
    • 提供者：weixin_38546459

  1. 使用Node.js在深度学习中做图片预处理的方法

  2. 背景 最近在做一个和对象识别相关的项目，由于团队内技术栈偏向 Javascr ipt，在已经用 Python 和 Tensorflow 搭建好了对象识别服务器后，为了不再增加团队成员维护成本，所以尽可能将训练和识别之外的任务交给 Node.js 来做，今天要讲到的图片预处理就是其中之一。 这里对还不了解深度学习的人就几个概念做个简单的解释 对象识别：对象识别可理解为计算机在一张图片中发现某个或某些指定的物体，比如找到里面所有的狗。 训练：计算机学会对象识别这个本领就像人类学会说话一样，

  3. 所属分类：其它

    • 发布日期：2021-01-02
    • 文件大小：774144
    • 提供者：weixin_38586186

  1. deeplearning-cv-starter:这是我在dp和cv中学习期间一些入门资料的存储库-源码

  2. deeplearning-cv-starter 这是我在dp和cv中学习期间一些入门资料的存储库。 使用pytorch 现在，我将主要使用 。 首先，它真的很容易安装，尤其是对于非cpu版本。我尽力了，仍然无法安装 。如果您真的想使用它但也无法安装，可以尝试 ，它是一种类似于jupyter-notebook的在线工具，可让您使用免费的gpu并安装了tensorflow，pytorch等。 其次，这是我老师的推荐。 在线课程 我不太推荐的，这是所谓的翻转课程，很多课程都是在Coursera班级深度

  3. 所属分类：其它

    • 发布日期：2021-03-21
    • 文件大小：1024
    • 提供者：weixin_42131414

  1. pine：用于解释深度神经网络预测的可解释AI框架-源码

  2. PINE：并行口译员网络 介绍 PINE（P arallel我nterpreter NE twork）是一种新型的可解释性框架，它提供DNNs体面的解释，以使后面的黑盒模型成为对用户透明的决策推理。 PINE是如何工作的？ PINE的结构由两个并行网络组成。 主要模型是我们要解释的主要模型，而Interperter是一个自动编码器网络，它与主要模型平行训练，最终了解了主要模型的预测方式。 由于PINE内部的损失函数，在经过训练过程的每次传播之后，解释器都会学习更多有关如何基于Main Mo

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：35651584
    • 提供者：weixin_42181693

  1. chitra：深度学习计算机视觉库，可通过GradCAMGradCAM ++轻松进行数据加载，模型构建和模型可视化-源码

  2. 奇特拉 什么是Chitra？ 奇特拉（चित्र）是一种深度学习计算机视觉库，方便数据加载，建立模型和模型的解释与GradCAM / GradCAM ++。 图书馆还不稳定。 强调： 无需任何样板即可更快地加载数据。 逐步调整图像大小。 使用chitra.trainer模块对不同模型进行快速实验。 以循环学习率训练模型。 使用GradCAM / GradCAM ++进行模型解释，无需额外代码。 如果您有更多用例，请对所需功能。 安装 使用点子（推荐） pip install

  3. 所属分类：其它

    • 发布日期：2021-02-09
    • 文件大小：5242880
    • 提供者：weixin_42099151

  1. XSWEM：用于NLP的简单且可解释的深度学习模型-源码

  2. XSWEM TensorFlow中实现了一个简单且可解释的NLP深度学习模型。 基于Shen等人提出的SWEM-max。 。 该软件包目前正在开发中。 该软件包的目的是使培训和解释SWEM-max变得容易。 您可以在软件包的目录中找到我们已实现的功能的演示。 每个笔记本都有一个徽章，可让您自己在Google Colab中运行它。 随着新功能的添加，我们将添加更多笔记本。 有关如何训练基本SWEM-max模型的演示，请参阅 。 当地说明 目前，我们正在实施为本地说明开发的一些方法。 lo

  3. 所属分类：其它

    • 发布日期：2021-02-08
    • 文件大小：109568
    • 提供者：weixin_42128988

  1. MusicGenerator：使用TensorFlow实验各种深度学习模型以生成音乐-源码

  2. 音乐生成器 介绍 使用TensorFlow实验各种深度学习模型以生成音乐 结果 解释不同的模型和实验。 安装 该程序需要以下依赖项（易于使用pip进行安装）： Python 3 TensorFlow（已通过v0.10.0rc0测试。不适用于以前的版本） CUDA（有关使用gpu的信息，请参见TensorFlow 以了解更多信息） Numpy（应该与TensorFlow一起安装） 御堂（MIDI图书馆） Tqdm（用于不错的进度条） OpenCv（很抱歉，没有简单的方法可以使用pyt

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：182272
    • 提供者：weixin_42141437

  1. d2l-torch：《动手学深度学习》 PyTorch版本-源码

  2. d2l火炬 首先感谢《动手学深度学习》的原作者和贡献者为我们提供了一本本极为优秀的书籍。如果您对框架没有特定偏好或需求，不妨尝试MXNet，则极为优秀的深度学习框架。原书地址：http: ，原书视频教程： ， 本书在原书（19年5月20日版本）基础上将所有代码改用PyTorch进行实现，并以注解的形式对部分内容的进行了解释与扩展。因为PyTorch与MXNet在设计上存在不同，对原书部分内容进行了删改。 请按照目录中的顺序阅读学习。 如果您喜欢这本书，请给本项目点个star，并购买原书纸质版

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：35651584
    • 提供者：weixin_42166918

  1. anuvada：使用PyTorch的NLP可解释模型-源码

  2. Anuvada：使用PyTorch的NLP可解释模型 因此，您想知道为什么分类器做出了特定决定，或者为什么新的深度学习分类模型没有按照您希望的方式执行？ 或者，您的数据集中可能偏向某个特定类，并且您想了解是否存在任何此类极端情况。 深度学习的常见批评之一是黑匣子的本质（生活本身就是一个大黑匣子，根本无法解释，甚至不问我关于爱的问题）。 为了解决这个问题，研究人员开发了许多方法来可视化和解释推理。 模型不一定必须是可解释的，但是当做出重要的决定（例如向个人推荐哪些工作或是否给个人贷款）时，对模型

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：297984
    • 提供者：weixin_42105816

  1. 多峰语音情感识别：用于语音情感识别和歧义解决的轻量级和可解释的ML模型（在IEMOCAP数据集上进行训练）-源码

  2. 多模式语音情感识别和歧义解决 总览 从语音中识别情感是一项与情感本身含糊不清的定义有关的艰巨任务。 在这项工作中，我们建立了轻量级的多模式机器学习模型，并将其与较重且难以解释的深度学习对应模型进行了比较。 对于这两种类型的模型，我们都使用来自给定音频信号的手工制作的功能。 我们的实验表明，轻量级模型可以与深度学习基准媲美，甚至在某些情况下甚至可以胜过深度学习基准，从而在IEMOCAP数据集上实现了最先进的性能。 获得的手工特征向量用于训练两种类型的模型： 基于ML：逻辑回归，SVM，随机森林

  3. 所属分类：其它

    • 发布日期：2021-02-03
    • 文件大小：1048576
    • 提供者：weixin_42128393

  1. Python的框架/库总结（深度学习向）

  2. 下面总结了一些我平时常用的库，并配有解释，不多废话，直接上！ 1深度学习库 Tensflower（用过） 先说我对tensflower的理解，入门特别推荐，安装方便，代码一堆，通俗是真的通俗，易懂也是真的易懂，不过支持前期入门，并不支持深入使用。谷歌公司开发的神经网络开源库，主要优点是可进行分布式计算，API稳定，兼容性比较好。张量（Tensor）是他的基本数据单位，可在各种设备上运行，在图形处理和语音识别方面有不俗实力 pytorch（用过） 作为torch的Python版本，由Faceboo

  3. 所属分类：其它

    • 发布日期：2021-01-21
    • 文件大小：81920
    • 提供者：weixin_38689113
« 12 3 4 »