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. 深度学习模型在对撞机中寻找新物理时的可移植性

  2. 在这项工作中，我们评估了深度学习模型的可移植性，以检测超出标准模型的信号。 为此，我们在三种不同的信号模型上训练了深度神经网络：通过改变风味的中性电流产生 t Z ，成对产生类似矢量的 T -夸克通过标准模型胶子聚变和在3个质量点（1、1.2和1.4 TeV）的重胶子衰变中发生夸克。 这些网络使用 t 进行了训练

  3. 所属分类：其它

    • 发布日期：2020-03-20
    • 文件大小：660480
    • 提供者：weixin_38733245

  1. Python-简化使用Keras构建和训练深度学习模型的项目模板

  2. 简化使用Keras构建和训练深度学习模型的项目模板

  3. 所属分类：其它

    • 发布日期：2019-08-10
    • 文件大小：89088
    • 提供者：weixin_39840515

  1. U-Net深度学习模型对DCE-MRI上乳腺肿块自动分割和定位的准确性分析

  2. :训练U-Net 深度学习模型对乳腺动态增强磁共振图像(DCE-MRI)上乳腺肿块进行 自动分割、定位和体积测量,并将结果自动导入结构化报告中,探讨其植入临床工作流程的可行性,旨在提高诊断效率和效能

  3. 所属分类：深度学习

    • 发布日期：2020-09-22
    • 文件大小：2097152
    • 提供者：pqu2pqu3

  1. 深度学习模型训练的优化

  2. MIT版深度学习第8章 深度学习模型训练的优化 ，介绍各种优化算法：随机梯度下降算法，动量算法，自适应学习率的优化算法

  3. 所属分类：深度学习

    • 发布日期：2020-11-04
    • 文件大小：27262976
    • 提供者：baidu_35560935

  1. dl_inference:通用深度学习推理服务，可在生产环境中快速上线由TensorFlow，PyTorch，Caffe框架训练出的深度学习模型-源码

  2. 通用深度学习推理服务 可在生产环境中快速上线由TensorFlow，PyTorch，Caffe框架训练出的深度学习模型。 dl_inference是58同城推出的通用深度学习推理服务，使用dl_inference只需将模型文件放在指定目录然后启动服务就可以进行推理请求调用。dl_inference当前支持TensorFlow，PyTorch和Caffe模型，提供GPU和CPU两种布置方式，并且实现了模型多例程部署时的负载均衡策略，支持线上海量推理请求。 dl_inference具备的功能如下

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：825344
    • 提供者：weixin_42106357

  1. deploy-carbrad-prediction:使用转移学习（resnet50），flask和heroku进行深度学习模型部署-源码

  2. 部署预测 使用转移学习（resnet50），flask和heroku进行深度学习模型部署 汽车品牌预测 使用Keras汽车品牌分类转移学习VGG 16和VGG 19火车数据和测试数据火车数据包含-3个品牌汽车-audi，lamborghini，mercedes类，每个文件夹包含audi-20张图像；兰博基尼-19辆;奔驰-25 测试数据由-audi-9组成；兰博基尼-30;奔驰-19 什么是转学 转移学习是机器学习中的一个研究问题，其重点是存储在解决一个问题并将其应用于其他但相关的问题时获得的知

  3. 所属分类：其它

    • 发布日期：2021-03-19
    • 文件大小：1048576
    • 提供者：weixin_42173218

  1. Tech_Aarticle:深度学习模型在各大公司实战落地细节解读：主要是通过阅读各种实战文章，梳理模型落地的工程细节，涉及到搜索推荐自然语言处理-源码

  2. 深度学习模型实战-深度学习模型在各大公司实际生产环境的应用讲解文章 微信公众号：NLP从入门到放弃 建这个仓库的是因为工作之后发现生产环境中应用的模型需要做到速度和效果的平衡，并不是越复杂越好。所以一味的追求新的模型效果不大（并非不追，也要多看新东西）。学到模型最终是要用，而且要用好，于是就建了这么个仓库，积累一下深度学习模型在各个公司中的应用以及细节，这样在自己的工作中可以做到这一点。主要是罗列一些各大公司分享的文章，涉及到搜索/推荐/自然语言处理（NLP），持续更新... 最近更新文章 因为

  3. 所属分类：其它

    • 发布日期：2021-03-18
    • 文件大小：155648
    • 提供者：weixin_42178688

  1. TensorDash:TensorDash是一个应用程序，可让您远程监控深度学习模型的指标并在模型训练完成或崩溃时通知您-源码

  2. TensorDash TensorDash是一个应用程序，可让您远程监视深度学习模型的指标，并在模型训练完成或崩溃时通知您。 为什么选择Tensordash？ 实时观看您的模型火车。 支持所有主要的深度学习框架。 远程获取有关培训和验证指标的详细信息。 当您的模型完成训练或崩溃时得到通知。 获取有关模型指标的详细图表。 安装 安装Python包 有两种安装tensordash的方法： 从PyPI安装tensordash（推荐）： 注意：这些安装步骤假定您在Linux或Mac环境

  3. 所属分类：其它

    • 发布日期：2021-03-12
    • 文件大小：1048576
    • 提供者：weixin_42137028

  1. Face-Mask-Detection:该项目使用的是不戴口罩的不同人的图像数据集。 然后将其用于使用SSD创建深度学习模型并检查准确性和验证分数-源码

  2. 面膜检测 该项目使用的是不戴口罩的不同人的图像数据集。 然后将其用于创建深度学习模型，并检查准确性和验证分数。 什么是SSD？ ！[SSD架构]（ ） SSD代表Single Shot Multibox Detector。 它是一种用于使用单个深度神经网络检测图像中对象的技术。 基本上，它用于图像中的对象检测。 通过使用VGG-16体系结构的基本体系结构，SSD能够在速度和准确性方面胜过YOLO和Faster R-CNN等其他对象检测器。 下图给出了SSD的体系结构。 从头开始训练SSD模

  3. 所属分类：其它

    • 发布日期：2021-03-07
    • 文件大小：9437184
    • 提供者：weixin_42176612

  1. celeb-detection-oss：GIPHY的开源名人检测深度学习模型-源码

  2. GIPHY名人探测器 GIPHY的开源名人检测深度学习模型和代码 关于 GIPHY自豪地发布了我们的自定义机器学习模型，该模型能够以98％的准确度识别2300多个名人面Kong。 该模型经过训练，可以识别GIPHY上最受欢迎的名人，并且可以识别并预测一系列图像（如GIF和视频）中的多个面Kong。 该项目是由GIPHY研发团队开发的，目的是建立一个深度学习模型，该模型可以注释我们最受欢迎的内容，或者可以比主要科技公司提供的类似模型更好。 我们为我们的结果感到非常自豪，并已向公众发布了该模型和培

  3. 所属分类：其它

    • 发布日期：2021-02-26
    • 文件大小：1048576
    • 提供者：weixin_42164931

  1. 使用Keras+TensorFlow开发一个复杂深度学习模型

  2. 本文来自csdn，本文介绍了Keras是什么，Keras序列模型，使用Keras保存和恢复预训练的模型以及使用KerasAPI开发VGG卷积神经网络等相关内容。Keras是提供一些高可用的PythonAPI，能帮助你快速的构建和训练自己的深度学习模型，它的后端是TensorFlow或者Theano。本文假设你已经熟悉了TensorFlow和卷积神经网络，如果，你还没有熟悉，那么可以先看看这个10分钟入门TensorFlow教程和卷积神经网络教程，然后再回来阅读这个文章。在这个教程中，我们将学习以

  3. 所属分类：其它

    • 发布日期：2021-02-24
    • 文件大小：373760
    • 提供者：weixin_38516706

  1. 自动化论文评分-使用LSTM：一种深度学习模型，可预测给定输入文章的分数-源码

  2. 自动化论文评分-使用LSTM 深度学习模型，可预测给定输入文章的分数。 数据集来自惠普基金会提供的Kaggle ASAP竞赛。 如果您要进行交互式演示，则mysite文件夹包含Django应用。 性能准确性由二次加权Kappa（QWK）计算，该度量用于衡量两个评估者之间的一致性。 六年前，这项竞赛的执行水平达到了0.82的QWK分数。 我的模型的QWK得分为0.961。 该模型体系结构由2个长期短期记忆（LSTM）层和一个密集输出层组成。 最后一层使用Relu激活功能。 QWK是通过使用5

  3. 所属分类：其它

    • 发布日期：2021-02-18
    • 文件大小：35651584
    • 提供者：weixin_42104181

  1. 深度学习模型：经过训练的模型可以确定公司的未来决策-源码

  2. 深度学习模型 经过训练的模型可以确定公司的未来决策 您为神经网络模型选择了多少个神经元和层？ 对于这个项目，我利用了10个输入层，每个输入层都具有ReLu功能以及总共768个节点。 sigmond函数用于输出。 您是否能够实现目标模型性能？ 不，我无法达到高于或等于75％准确度的目标性能，但非常接近72％。 您采取了哪些步骤来尝试提高模型性能？ 利用500个时代，增加了层数，使每隔一层的节点数增加了一倍。 在编译过程中，添加了lr为0.0005的编译器代码，从而使模型可以采取一些有目的的

  3. 所属分类：其它

    • 发布日期：2021-02-15
    • 文件大小：680960
    • 提供者：weixin_42129005

  1. LSTM_Stock_Predictor：使用深度学习模型预测加密货币价格-LSTM RNN体系结构-源码

  2. LSTM_Stock_Predictor 由于加密货币投机活动的波动性，投资者通常会尝试结合社交媒体和新闻文章的观点来帮助指导其交易策略。 这样的指标之一就是 ，它试图使用各种数据源来产生加密货币的每日FNG值。 让我们使用FNG值和简单的收盘价来构建和评估深度学习模型，以确定FNG指标是否为加密货币提供比正常收盘价数据更好的信号。 我们将使用深度学习递归神经网络来建模比特币收盘价。 一个模型将使用FNG指标来预测收盘价，而第二个模型将使用收盘窗口来预测第n个收盘价。 方法： 准备数据以进

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：8388608
    • 提供者：weixin_42175971

  1. 阿塞拜疆-假新闻生成器：该项目的目的是使用LSTM递归神经网络以阿塞拜疆语言生成假新闻。 LSTM递归神经网络是功能强大的深度学习模型，用于学习序列数据。 在这里，LSTM模型接受了65,000个样本的训练，并且应该能够生成文本-源码

  2. 阿塞拜疆假新闻发生器 语言模型可以根据序列中已观察到的单词来预测序列中下一个单词的概率。 神经网络模型是开发统计语言模型的首选方法，因为它们可以使用分布式表示形式，其中具有相似含义的不同单词具有类似表示形式，并且因为它们在进行预测时可以使用最近观察到的单词的较大上下文。 该项目的目的是使用LSTM递归神经网络以阿塞拜疆语言生成假新闻。 LSTM递归神经网络是功能强大的深度学习模型，用于学习序列数据。 在该项目中，使用LSTM模型并对其进行了65 000个样本的训练，并且该模型应该能够生成文本。

  3. 所属分类：其它

    • 发布日期：2021-02-12
    • 文件大小：8388608
    • 提供者：weixin_42160278

  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. 面部美容预测器：深度学习模型，用于预测图像中面部的美容分数。 领先于最新技术的最高18％（2019）-源码

  2. 面部美容预测器 基于FaceNet和MTCNN的深度学习模型，用于预测图像中人脸的美容分数。 CNN的表现比最新技术高出18％（2019）。 其中包括用于从图像生成特征的脚本，训练回归器以及用于基于gunicorn / gevent进行推理的异步服务器。 基于 要求： python 3.7 安装 pipenv install --dev 快速开始 下载数据集 下载数据集 下载FaceNet模型并将其压缩到data目录中 使用以下方法转换数据集： python scr ipts/conve

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：2097152
    • 提供者：weixin_42126677

  1. AKSDeploymentTutorial：有关如何在启用GPU的Kubernetes集群上部署深度学习模型的教程-源码

  2. 该存储库不再处于主动维护状态，请查看使用Azure Machine Learning提供的较新版本。 作者：Mathew Salvaris和Fidan Boylu Uz 使用GPU在Kubernetes集群上部署深度学习CNN 总览 在此存储库中，Jupyter笔记本中有许多教程，其中包含有关如何在启用GPU的Kubernetes集群上部署预训练的深度学习模型的逐步说明。 这些教程涵盖了如何从以下深度学习框架中部署模型： 对于每个框架，我们都要执行以下步骤： 在模型开发中，我们加载预训练的模

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：4194304
    • 提供者：weixin_42120405

  1. deep-learning-training-gui：通过GUI（网络应用）在经过预先训练的深度学习模型上进行训练和预测模型。 没有更多的参数，没有更多的数据预处理-源码

  2. 描述 我的目标是在不编写额外代码的情况下，通过GUI（或您可以调用Web应用程序）简化经过预训练的深度学习模型的安装和培训。 设置数据集并立即开始训练，并使用TensorBoard或DLTGUI工具对其进行监视。 没有更多的参数，没有更多的数据预处理。 在开发此应用程序时，我受到NVIDIA开发的DIGITS系统的启发。 训练图像分类算法不会有任何问题。 训练图像分类模型，保存模型并根据保存的模型进行预测很容易。 几个参数！ 您将能够在预训练的模型上训练。 它在1.0中不存在，但是，

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：314572800
    • 提供者：weixin_42166626

  1. ludwig：Ludwig是一个工具箱，可用于训练和评估深度学习模型，而无需编写代码-源码

  2. 翻译成 / 路德维希（Ludwig）是一个工具箱，可让用户无需编写代码即可训练和测试深度学习模型。 它建立在TensorFlow之上。 要训​​练模型，您需要提供一个文件，其中包含您的数据，一列用作输入的列以及一列用作输出的列，其余的将由路德维希完成。 简单的命令可用于在本地和分布式方式训练模型，并用于预测新数据。 还可以使用编程API来使用来自Python的Ludwig。 一套可视化工具可让您分析模型的训练和测试性能，并进行比较。 路德维希在构建时就牢记了可扩展性原则，它基于数据类型

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：2097152
    • 提供者：weixin_42138788
« 12 3 4 5 6 7 8 9 10 ... 50 »