本下载提供VGG16-tensorflow/keras完整版，不是notop版！CSDN要求每下载链不超过200M，因此我打了3个子包，下载后请自行解压还原，提供CSDN给盆友们快速下载，花了些时间收集，收点成本费就是了^_^ 强烈鄙视坐地起价开50下载分而且还是notop版！需要notop版的请在我的下载专区查看。

本下载提供VGG16-tensorflow/keras完整版，不是notop版！CSDN要求每下载链不超过200M，因此我打了3个子包，下载后请自行解压还原，提供CSDN给盆友们快速下载，花了些时间收集，收点成本费就是了^_^ 强烈鄙视坐地起价开50下载分而且还是notop版！需要notop版的请在我的下载专区查看。

脑计算机接口的深度学习模型 该存储库包含可用于解码脑计算机接口（BCI）的EEG和EEG信号的深度学习模型。 一些模型依赖于gumpy提供的功能， gumpy是一个python工具箱，其中包含多个gumpy常用的信号和特征处理例程。 外部链接 gumpy ： github上的gumpy： 不良学习的核心开发人员和贡献者 齐德·塔耶布（Zied Tayeb） Nicolai Waniek， 内拉·加布西（Nejla Ghaboosi） 尤里·费杰耶夫（Juri Fedjaev） 伦纳德·莱奇利（Leonard Rychly） 执照 该存储库中的所有代码均根据MIT许可证发布。 有关更多详细信息，请参见LICENSE文件。

帮助同学快速回顾监督型算法的主要步骤。 包含机器学习监督类算法+集成学习模型（内容来自：《统计机器学习》+《集成学习》+集成学习论文梗概+知乎答主内容总结） 机器学习理论基础+朴素贝叶斯+感知机+决策树+SVM+随机森林+K近邻+GBDT+Adaboost+XGBoost+LightGBM

快速SRGAN 该存储库的目标是实现实时超分辨率，以对低分辨率视频进行升采样。 目前，该设计遵循架构。 但是代替残差块，采用反向残差块以提高参数效率和快速操作。 这种想法在某种程度上受到。 培训设置如下图所示： 速度基准 通过平均800帧以上的运行时间获得以下运行时间/ fps。 在GTX 1080上测得。 输入图像尺寸 输出尺寸 时间（秒） 第一人称射击 128x128 512x512 0.019 52 256x256 1024x1024 0.034 30 384x384 1536x1536 0.068 15 我们看到有可能以30fps的速度将其上采样到720

解释器仪表板 创建人：Oege Dijk 该软件包使快速部署仪表板Web应用程序变得很方便，该应用程序说明了（兼容scikit-learn的）机器学习模型的工作原理。 仪表板提供有关模型性能，特征重要性，特征对单个预测的贡献，“假设条件”分析，部分依赖图，SHAP（交互作用）值，单个决策树的可视化等交互式图表。 您还可以在笔记本/便携式计算机环境中以交互方式浏览仪表板的组件（或直接从那里启动仪表板）。 或使用自己的和说明设计仪表板（由于库的模块化设计）。 您可以将多个仪表板组合到一个。 例如部署在： ，在详细的文档 ，例如如何推出针对不同型号笔记本的仪表板，以及如何与解释器对象交互的例子笔记本电脑。 与scikit-learn ， xgboost ， catboost ， lightgbm等一起使用。 安装 您可以通过pip安装该软件包： pip install explain

课程分享——TensorRT 加速深度学习模型详解，附代码、文档、工具，完整版视频教程下载。 本课程讲解了英伟达TensoRT在加速深度学习模型中的应用，在本课程中，不仅授之以“渔”，而且授之以鱼，在讲解使用方法的基础上，最终完成一个统一的推理引擎和一个统一模型转换工具，可以把tf, caffe和onnx模型通过配置文件转换为TensorRT模型，并使用推理引擎进行加速。同时在Int8量化中给大家讲解了如和进行Int8量化，并赠送了我自己开发的一个手工读取和修改量化表的工具。在课程中给大家讲解了性能优化和如何避免各种坑。使得开发后的工具可以直接在工程部署中应用。 课程目录： 第1章：课程简介和TensorRT简介 第2章：推理引擎的开发 第3章：小试牛刀-python转换TRT并测试推理引擎 第4章：统一转换工具的开发 第5章：推理引擎的优化 第6章：关于Int8量化 第7章：关于windows版本的移植说明

自然语言处理-用于微博情感分析的一种情感语义增强的深度学习模型

文档是对《Python机器学习及实践》这本书中提到的常见模型的一个总结，便于在实际运用时快速选择模型和API。

describeX：面向数据科学家的可解释AI框架 ExplainX是面向数据科学家和业务用户的模型可解释性/可解释性框架。 使用explainX可以了解整体模型的行为，解释模型预测背后的“原因”，消除偏见并为您的业务涉众创建令人信服的解释。 为什么我们需要模型可解释性和可解释性？ 必不可少的 解释模型预测 调试模型 检测数据偏差 获得业务用户的信任 成功部署AI解决方案 我们可以用explainX回答什么问题？ 为什么我的模型出错？ 我的模特有偏见吗？ 如果是，在哪里？ 我如何理解和信任模型的决策？ 我的模型满足法律和法规要求吗？ 我们已在服务器上部署了该应用程序，因此您可以使用