- 笔记这是将该应用程序投入生产的示例，您应该使用celery或aws lambda。

pytorch-3dunet PyTorch实施3D U-Net及其变体： 基于3D U-Net的标准3D U-Net ÖzgünÇiçek等人。 基于残差3D U-Net。 该代码允许对U-Net进行以下方面的训练：语义分割（二进制和多类）和回归问题（例如降噪，学习解卷积）。 二维U网 也可以训练标准2D U-Net，有关示例配置，请参见 。 只需确保将单例z维保留在H5数据集中（即(1, Y, X)而不是(Y, X) ），因为数据加载/数据扩充始终需要3级张量。 先决条件 Linux NVIDIA GPU CUDA CuDNN 在Windows上运行 该软件包尚未在Windows上进行过测试，但是有报告称该软件包已在Windows上使用。 要记住的一件事：在使用CrossEntropyLoss进行训练时：配置文件中的标签类型应该从long更改为int64 ，否则会出现错误：

内眼深度学习 总览 这是一个深度学习工具箱，用于在医学图像（或更常见的是3D图像）上训练模型。 它与Azure中的云计算无缝集成。 在建模方面，此工具箱支持 细分模型 分类和回归模型 序列模型 分类，回归和序列模型可以仅将图像作为输入，或者将图像和非成像数据的组合作为输入来构建。 这支持了医疗数据的典型用例，在这些用例中，除了图像之外，还经常可以使用测量，生物标记或患者特征。 在用户方面，该工具箱专注于使机器学习团队能够实现更多目标。 它是云计算第一，并依靠来执行，簿记和可视化。 两者合计，得出： 可追溯性：AzureML保留已执行的所有实验的完整记录，包括代码快照。 标签会自动添加到实验中，以后可以帮助过滤和查找旧实验。 透明度：所有团队成员都可以访问彼此的实验和结果。 重现性：使用相同代码和数据的两次模型训练运行将得出完全相同的指标。 所有随机性源（例如多线程）均受到控制。 降低成本：使用AzureML，在开始培训工作时就请求所有计算（虚拟机，VM），并在最后释放它们。 闲置的虚拟机不会产生成本。 此外，Azure低优先级节点可用于进一步降低成本（便宜多达80％）。

多频道 用于越南人情绪分析的多通道LSTM-CNN模型 这是针对“用于越南人情绪分析的多通道LSTM-CNN模型” [ ]的实现。 我们提供了情绪分析数据集：VS。 数据集包括两个版本：标记化和不标记化。 要运行此代码： 请在preprocessing.py和load_data.py中指定数据路径。 运行“ python preprocessing.py”，然后运行“ python cnn_lstm.py” 要求： 凯拉斯 张量流 贡献 请在知识库中创建问题。 我们鼓励人们为该存储库做出贡献并在实际应用中应用。 执照 此存储库中的代码根据的条款。 如果您使用我们的数据或实施方式，请引用我们的以下论文，并通过电子邮件分享您的想法： @INPROCEEDINGS{Quan, author={Q. H. Vo and H. T. Nguyen and B. Le and M.

请注意，该项目仍处于测试阶段。 请报告您遇到的任何问题或建议。 我们将尽力Swift解决它们。 也欢迎捐款！ 神经先知 基于PyTorch的和启发的基于神经网络的时间序列模型。 文献资料 我们目前正在改进。 有关NeuralProphet的直观介绍，请查看的演讲。 讨论与帮助 讲解 有几个可以帮助您入门。 请参阅我们的以获取更多资源。 最小的例子 from neuralprophet import NeuralProphet 导入软件包后，可以在代码中使用NeuralProphet： m = NeuralProphet () metrics = m . fit ( df , freq

移动网 移动U-NET语义分割。 使用process_video文件每帧运行约40毫秒

TMC13 建造 OSX mkdir构建 光盘制作 cmake .. -G Xcode 打开生成的xcode项目并构建它 Linux mkdir构建 光盘制作 cmake .. 制作 视窗 md构建 光盘制作 cmake .. -G“ Visual Studio 15 2017 Win64” 打开生成的Visual Studio解决方案并进行构建 跑步 此TMC13编解码器实现对帧序列进行编码。 单个二进制文件包含编码器和解码器实现，并使用--mode选项进行选择。 选项文档通过--help命令行选项提供。 运行时配置和配置文件 可以在配置文件中指定所有命令行参数。 cfg /目录中提供了一组符合当前通用测试条件的配置文件模板。 例子 要生成配置文件，请运行gen-cfg.sh脚本： mpeg-pcc-tmc13/cfg$ ../scripts/gen-cfg.sh --al

DeepSpeech剧本 使用DeepSpeech训练语音识别模型的速成班。 快速链接 从这里开始。 本部分将设定您对DeepSpeech手册可以实现的目标的期望，以及开始训练自己的语音识别模型所需的先决条件。 了解了DeepSpeech Playbook可以实现的功能后，本节将概述DeepSpeech本身，其组成部分以及它与您过去使用过的其他语音识别引擎的不同之处。 之前，你可以训练一个模型，你需要收集和格式化数据的语料库。 本节概述了DeepSpeech所需的数据格式，并逐步介绍了从Common Voice准备数据集的示例。 如果您正在训练使用与英语不同的字母（例如带有变音符号的语言）的模型，那么您将需要修改alphabet.txt文件。 了解得分手的工作，以及如何建立自己的得分手。 了解DeepSpeech的声学模型和语言模型之间的差异，以及它们如何组合以提供端到端语音识别。 本节

0.快速开始 挑战杯项目：金融文本情感分析模型|| 挑战杯项目：财务文本情感分析模型 金融领域短文本情感分析 配置要求： python 3.x 1.使用方法 1.0下载 sudo git clone https://github.com/AsuraDong/news-emotion.git news_emotion mv -R ./news_emotion/ 你的程序路径/ 1.1文件结构 clean_data / # 清洗数据 __init__ . py clean_html . py # 清洗网页标签 langconv . py # 简体和繁体转化 zh_w

Pytorch_rppgs 使用pytorch实现rppg模型 型号清单 DeepPhys（加拿大） MTTS 测试