堆叠（堆叠概括） 总览 简单实用的堆叠库，用Python编写。 用户可以使用scikit-learn，XGboost和Keras的模型进行堆叠。 作为该库的功能，训练后可以保存所有失叠的预测以供进一步分析。 描述 （有时被称为堆叠泛化）涉及训练学习算法的其他几个学习算法的预测结合起来。 基本思想是使用一组基础分类器，然后使用另一个分类器组合其预测，以减少泛化误差。 对于理解堆栈和集成学习非常有帮助。 用法 请参阅工作示例： 要运行这些示例，只需运行sh run.sh 注意： 在数据/输入下设置训练和测试数据集 从原始数据集创建的要素必须位于数据/输出/要素下 堆栈模型在scripts文件夹下的scripts.py中定义 需要在该脚本中定义创建的功能 只需运行sh run.sh （ python scripts/XXX.py ）。 详细用法 设置火车数据集及其目标数据和测试数据集。 FEATURE_LIST_stage1 = { 'train' :( INPUT_PATH + 'train.csv'

yolo darknet 网络 深度学习 src源码 ，支持20类

JAVA调用动态链接库DLL之JNative学习源码，详细请参考：http://blog.csdn.net/testcs_dn/article/details/26980027

RMDL：RMDL：用于分类的随机多模型深度学习

PyTorch中的Seq2Seq 这是用于在训练序列到序列模型的完整套件。 它由几个模型和代码组成，可以训练和推断使用它们。 使用此代码，您可以训练： 神经机器翻译（NMT）模型 语言模型 图像到字幕的生成 跳过思维的句子表示 和更多... 安装 git clone --recursive https://github.com/eladhoffer/seq2seq.pytorch cd seq2seq.pytorch; python setup.py develop 楷模 当前可用的模型： 简单的Seq2Seq递归模型 带注意解码器的递归Seq2Seq （GNMT）递归模型 变形金刚-来自的仅关注模型 数据集 当前可用的数据集： WMT16 WMT17 OpenSubtitles 2016 COCO图片标题 可以使用3种可用的分割方法对所有数据集进行标记： 基于字符的细

变分自编码器 (VAE) + 迁移学习 (ResNet + VAE) 该存储库在 PyTorch 中实现了 VAE，使用预训练的 ResNet 模型作为其编码器，使用转置卷积网络作为解码器。 数据集 1. MNIST 数据库包含 60,000 张训练图像和 10,000 张测试图像。 每个图像均保存为28x28矩阵。 2. CIFAR10 数据集包含10个类别的60000个32x32彩色图像，每个类别6000个图像。 3. Olivetti 人脸数据集 脸数据集由 40 个不同主题的 10 张 64x64 图像组成。 模型 模型包含一对编码器和解码器。 编码器 将 2D 图像x压缩为较低维度空间中的向量z ，该空间通常称为潜在空间，而解码器 接收潜在空间中的向量，并在与编码器输入相同的空间中输出对象。 训练目标是让encoder和decoder的组合“尽可能接近identity”。

2000行代码，ArcGIS Engine开发入门源码

深度学习情感分析 多模态情感分析的深度学习

网络表示学习 重新实现了四种网络表示学习算法 ，根据腾讯微博数据集评估，AUC：0.7548 ，对腾讯微博数据集进行评估，AUC：0.7608 ，在腾讯微博数据集上评估，AUC：0.7553 ，对Cora数据集进行评估，预测准确性：0.805 用法 转到源目录，使用以下命令运行： python3 deepwalk_for_tencent.py [or line_for_tencent.py, node2vec_for_tencent.py, grarep_for_cora.py] 要求 麻木 科学的 网络x Gensim 火炬 scikit学习

tntorch-使用PyTorch进行Tensor网络学习 ，这是一个由PyTorch支持的使用张量网络的建模和学习库。 这样的网络的独特之处在于（而不是非线性激活单元）。 功能包括： 张量的基本和奇特索引，广播，分配等 张量分解与重建 按元素和张量-张量算术 使用交叉逼近从黑盒函数构建张量 从张量中找到全局最大值和最小值 统计和敏感性分析 使用自动分化进行优化 杂项张量的运算：堆叠，展开，采样，求导等。 批处理操作（正在进行中） 可用的包括： 混合动力车：CP-Tucker，TT-Tucker等 其他分解，例如和自定义格式 例如，以下网络都以TT和TT-Tucker格式表示4D张量（即，可以采用I1 x I2 x I3 x I4可能值的实函数）： 在tntorch中，所有张量分解共享相同的接口。 您可以以透明的形式处理它们，就像它们是普通的NumPy数组或PyTorch张量