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. Gh0st RAT Beta 3.6 C++源码

  2. 控制端采用IOCP模型，数据传输采用zlib压缩方式稳定快速，上线数量无上限，可同时控制上万台主机控制端自动检测CPU使用率调整自己的工作线程, 稳定高效宿主为svchost以系统服务启动,有远程守护线程,上线间隔为两分钟。心跳包机制防止意外掉线..支持HTTP和DNS上线两种方式自动恢复SSDT(这功能干什么，大家都知道，免杀自己做吧),安装本程序需要管理员权限控制端279K，返朴归真的界面，生成的服务端无壳，106 K，EXE内的资源用UPX压缩, 可安装多个服务端其它细节方面的功能大家自

  3. 所属分类：网络基础

    • 发布日期：2008-08-22
    • 文件大小：1048576
    • 提供者：adslhack

  1. 无监督__生成模型.zip

  2. 像素循环神经网络 Pixel recurrent neural networks (2016) 作者 A. Oord et al. 训练GANs的改善性技巧 Improved techniques for training GANs (2016) 作者T. Salimans et al. 摘要：近年来，利用卷积网络（CNN）的监督学习已经在计算机视觉应用中被广泛采用。 相比之下，使用CNN的无监督学习得到的关注较少。 在这项工作中，我们希望帮助弥合CNN的监督学习和无监督学习的成功之间的差距。

  3. 所属分类：其它

    • 发布日期：2017-02-22
    • 文件大小：22020096
    • 提供者：oscer2016

  1. AI 顶级国际会议 IJCAI 斯坦福大学PH.D Aditya Grover报告深度生成模型Deep Generative Model

  2. 生成模型是图模型与概率编程语言中概率推理的核心范例，最近由于神经网络在参数化方面的改进、以及基于梯度随机优化方面的进展，使得可以对高维数据进行跨模态建模。 本教程的前半部分，将全面介绍深度生成模型，包括生成对抗网络、变分自编码器以及自回归模型。对于每一个模型，我们都将深入探讨各自的概率公式、学习算法、以及与其他模型的关系。后半部分将演示一组具有代表性的推理任务，展示深度生成网络在其中的应用。最后，我们将讨论堂前领域面临的挑战，并展望未来的研究方向。 目录 第一部分： 生成模型的动机，以及与判别

  3. 所属分类：深度学习

    • 发布日期：2018-07-25
    • 文件大小：26214400
    • 提供者：wen_fei

  1. IntroVAE Introspective Variational Autoencoders for Photographic Image Synthesis

  2. 近日，自动化所智能感知与计算研究中心提出一种新的深度生成模型——自省变分自编码器(Introspective Variational Autoencoder，IntroVAE)，用来实现高清图像等高维数据的无条件生成(unconditional generation)。该模型一方面在不引入额外的对抗判别器的情况下，克服了变分自编码器固有的合成图像趋于模糊的问题；另一方面在不使用常用的多阶段多判别器策略下，实现了高分辨率图像合成的稳定训练。实验结果表明，该模型不仅能够稳定生成高分辨率照片级图像(

  3. 所属分类：深度学习

    • 发布日期：2018-10-10
    • 文件大小：4194304
    • 提供者：huyiqun6

  1. 基于神经网络的统计参数语音合成方法研究_胡亚军.caj

  2. 本文围绕基于神经网络的统计参数语音合成方法，从基于深度学习的频谱 表征和声学模型构建两个方面开展研究工作。在频谱表征方面，将深度学习模 型引入频谱特征提取过程，分别提出了基于深度信念网络（ＤｅｅｐＢｅｌｉｅｆＮｅｔｗｏｒｋ， ＤＢＮ）、卷积神经网络（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＣＮＮ）以及二值隐层深度自 编码器（ＤｅｅｐＡｕｔｏ－ＥｎｃｏｄｅｒｗｉｔｈＢｉｎａｒｙｄｉｓｔｒｉｂｕｔｅｄｈｉｄｄｅｎｕｎｉｔｓ，ＢＤＡＥ）的频谱表

  3. 所属分类：机器学习

    • 发布日期：2019-09-27
    • 文件大小：7340032
    • 提供者：tomclus006

  1. 经过对抗训练的自动编码器，可进行健壮的无监督新物理搜索

  2. 直接对数据进行训练时，粒子物理学中的机器学习技术最为强大，可避免对理论不确定性或预期信号的潜在偏差敏感。 为了能够在寻找新物理学的过程中训练数据，异常检测方法势在必行，这可以通过充当无监督分类器的自动编码器来实现。 然后，影响分类器的不确定性的最后来源是最终状态对象重建中的实验不确定性。 为了减轻它们对分类器的影响并允许对该方法进行实际评估，我们建议将自动编码器与对抗神经网络相结合，以消除其对最终状态对象拖影的敏感性。 我们对它的影响进行了量化，并表明可以在共振引起的t t≤t \ overli

  3. 所属分类：其它

    • 发布日期：2020-04-17
    • 文件大小：430080
    • 提供者：weixin_38725119

  1. 雷达的数字波束形成 文献

  2. 雷达的数字波束形成第卷增刊1 邱文杰译:雷达的数字波束形成 在数字处理器中,加权运算的精确和可预测的性质最终可以最佳和最快地控制天线波束 形状 13接收机校准方便 在任何系统中,至少有一部分波束形成过程是在多个接收机之后进行的,系统在接收机 各通道以及天线中的增益和相位误差是敏感的。这些误差的范围将直接影响波束形状的“质 量’,所以必须将它们或保持在可接受的低电平上,或用某些方式来补偿。正如后面第14节 中指出的,数字波束形成法允许选择后一方案,从而避免了要求接收机通道内有非常严格的 绝对公差或

  3. 所属分类：电信

    • 发布日期：2019-03-16
    • 文件大小：1048576
    • 提供者：yanchuan23

  1. 1）2020C-一种硬盘故障预测的非监督对抗学习方法.pdf

  2. 领域：异常检测，深度学习 方法：非监督对抗学习 场景：硬盘故障检测 网络结构：基于LSTM自编码器与生成式对抗网络相结合 数据集：BackBlaze 采用非监督对抗学习的好处，由于训练阶段未用到异常样本(即正样本)，模型不受样本不均衡的影响，很好的避免了由于训练样本不均衡导致的过拟合问题。 已有研究大都使用5 天以内的短期序列数据进行学习和检测，不能很好的学习到自我监测分析报告数据长期稳定的变化趋势，使得模型不具有鲁棒性。同时结合14年提出的生成式对抗网络。故提出了基于LSTM的自编码器与生

  3. 所属分类：互联网

    • 发布日期：2020-10-16
    • 文件大小：881664
    • 提供者：qq_16488989

  1. 让旧照片焕发新生AI工具.zip

  2. 首先训练两个变分自编码器 VAE：VAE1 用于真实照片 r ∈ R 和合成图像 x ∈ X，通过联合训练一个对抗判别器缩小它们的 domain gap；对干净图像 y ∈ Y 进行 VAE2 训练。利用 VAE 将图像转换到紧凑的潜在空间，了解了在紧凑潜在空间将损坏的图像恢复到带 partial non-local block 的干净照片的映射。 不是自己弄的，单纯学习分享，所以设置0分，如果被调整后面会再改回0分。

  3. 所属分类：其它

    • 发布日期：2020-11-25
    • 文件大小：14680064
    • 提供者：weixin_38747087

  1. 「深度生成建模」最新大综述论文

  2. 深度生成建模是一类训练深度神经网络对训练样本分布进行建模的技术。研究已经分成了各种相互关联的方法，每一种方法都进行了权衡，包括运行时间、多样性和体系结构限制。特别是，本综述涵盖了基于能量的模型、变分自编码器、生成对抗网络、自回归模型、规一化流，以及许多混合方法。这些技术是在一个单一个框架下绘制的，比较和对比来解释每种技术背后的前提，同时回顾当前最先进的进展和实现。

  3. 所属分类：机器学习

    • 发布日期：2021-03-16
    • 文件大小：723968
    • 提供者：syp_net

  1. 基于条件生成对抗网络的多风格素描-照片生成

  2. 针对普通生成模型生成的图片存在细节缺乏、图片模糊等问题,结合变分自编码器(VAE)强大的特征提取能力,使用条件生成对抗网络(CGAN)生成了高质量照片,结果表明,利用该方法基于CUHK student人脸库生成照片,照片的相似性度提高了0.09,达到了0.77。同时在实际应用中,手绘素描由于画家的不同而风格迥异,在训练素描-照片生成过程中使用同一风格的素描会使得输入图像单一。为避免这一问题,通过使用多种素描样式扩展训练数据集,提高了模型通用性,结果表明,相比于未扩展训练集,基于扩展训练集生成的照

  3. 所属分类：其它

    • 发布日期：2021-02-21
    • 文件大小：7340032
    • 提供者：weixin_38624557

  1. 2021《机器学习导论》讲义

  2. 这是一门专门为STEM学生开发的机器学习入门课程。我们讨论有监督、无监督和强化学习。笔记开始阐述了没有神经网络的机器学习方法，如主成分分析，t-SNE，和线性回归。我们继续介绍基本和高级神经网络结构，如传统神经网络、(变分)自编码器、生成对抗网络、受限玻尔兹曼机器和递归神经网络。

  3. 所属分类：机器学习

    • 发布日期：2021-02-12
    • 文件大小：4194304
    • 提供者：syp_net

  1. 复旦机器学习与深度学习.zip

  2. 深度学习资料集合：(1.1.1)--神经网络基础.pdf，(1.4.1)--银行客户流失预测.pdf，(2.1.1)--深度学习应用概况.pdf，(3.1.1)--卷积神经网络基础.pdf，(3.11.1)--卷积笔记.pdf，(4.1.1)--卷积神经网络算法.pdf，(4.7.1)--VGG动物识别.pdf，(5.1.1)--循环神经网络模型.pdf，(5.7.1)--股票预测.pdf，(6.1.1)--目标检测.pdf，(6.14.1)--任务检测.pdf，(7.1.1)--生成对抗网络.

  3. 所属分类：深度学习

    • 发布日期：2021-02-08
    • 文件大小：99614720
    • 提供者：weixin_43207204

  1. advanced-tensorflow：更多高级TensorFlow实现-源码

  2. 先进的TensorFlow （更多+重构）高级TensorFlow实现的集合。 尽我所能用一个Jupyter Notebook实现算法。 去噪自动编码器 卷积自动编码器（使用反卷积） 可变自动编码器 二维玩具示例上的AVB 基本分类（MLP和CNN） 自定义数据集生成 使用自定义数据集进行分类（MLP和CNN） MLP和CNN的OOP样式实现 使用TF-SLIM进行预训练的网络使用 具有预训练网络的班级激活图 预处理Linux内核源 使用Char-RNN进行训练和采样 具有梯度反转层的

  3. 所属分类：其它

    • 发布日期：2021-02-06
    • 文件大小：22020096
    • 提供者：weixin_42140716

  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：13312
    • 提供者：weixin_42144086

  1. 受限玻尔兹曼机RBM简述与Python实现

  2. 生成式模型 生成式模型的理念大同小异，几乎都是用一个模型产生概率分布来拟合原始的数据分布情况，计算两个概率分布的差异使用KL散度，优化概率模型的方法是最小化对数似然，可以用EM算法或梯度优化算法。 今天表现比较好的生成模型有VAE变分自编码器，GAN生成对抗网络和PixelRNN以及Seq2Seq等。而RBM则比它们要早很多，可以说是祖师爷级别的模型。 受限玻尔兹曼机 RBM模型是一种很早被提出的基于能量和概率的生成式模型，它拥有一个显层和一个隐层，层上有偏置，两层之前有一个权值矩阵W，只是看

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：709632
    • 提供者：weixin_38677585

  1. 基于自编码器的语音情感识别方法研究

  2. 在语音情感识别的研究中存在特征集维度过高的问题。高维度的特征向量易造成参数过拟合。因此需要一种合适的特征提取与筛选的方法降低特征维度。自编码器是一种应用广泛的特征降维方法，由此本文提出一种基于栈式自编码器，结合对抗训练的方法并在对抗训练中引入Wasserstein距离构造对抗损失函数进行特征降维。实验结果表明，与原始的对抗自编码器相比，经过改进的自编码器在对特征进行同等程度的降维后，准确率平均提高了3.31%。

  3. 所属分类：其它

    • 发布日期：2021-01-12
    • 文件大小：1048576
    • 提供者：weixin_38707240

  1. CVAE-GAN-zoos-PyTorch-Beginner:对于初学者来说，这将是VAE，GAN和CVAE-GAN的最佳起点。其中包含AE，DAE，VAE，GAN，CGAN，DCGAN，WGAN，WGAN-GP，VAE-GAN，CVAE-

  2. CVAE-GAN-ZOOS-PyTorch-初学者 首先先感谢给小透明点赞的几个朋友。 中文讲解： 如果你是第一次接触AE自编码器和GAN生成对抗网络，那这将会是一个非常有用且效率的学习资源。所有的内容使用PyTorch编写，编写格式清晰，非常适合PyTorch新手作为学习资源。本项目的所有模型当前都是基于MNIST数据库进行图片生成。MNIST数据集是一个比较小，一个光CPU可以运行起来的小数据库。新人友好数据库。 本项目包含以下模型：AE（自编码器），DAE（降噪自编码器），VAE（变分自编

  3. 所属分类：其它

    • 发布日期：2021-03-20
    • 文件大小：44040192
    • 提供者：weixin_42113794