去噪扩散概率模型 乔纳森·何（Jonathan Ho），阿杰伊·贾恩（Ajay Jain），彼得阿比尔 论文： : 网址： ： 实验在Google Cloud TPU v3-8上运行。需要TensorFlow 1.15和Python 3.5，以及CPU实例的以下依赖关系（请参阅requirements.txt ）： pip3 install fire pip3 install scipy pip3 install pillow pip3 install tensorflow-probability==0.8 pip3 install tensorflow-gan==0.0.0.dev0 pip3 install tensorflow-datasets==2.1.0 培训和评估脚本位于scripts/子目录中。运行训练和评估的命令在脚本顶部的注释中。数据存储在GCS存储桶中。编写脚本

Pix2Pix_CFD 描述流体流动的AI模型。 关于项目 受启发，这是在具有U-net架构的AI模型的keras框架上的重新实现。 训练数据是从共享存储库中借用的，以验证实施。 该模型试图预测不同形状的汽车上的速度大小。 训练数据 培训数据可在以下位置找到： ： （约700 MB）。 将此文件放在目录中，并相应地编辑笔记本。 可在此处找到测试数据： : 未来工作的想法 预测阻力强度。 使用RANS结果作为训练数据来预测LES仿真的网格大小。

此仓库具有我的图像分类模型开发的历史。 模型代码开始于从Kaggle下载胸部X射线数据集。 然后要预处理数据集，请删除损坏的图像。 基本模型由4组卷积和maxpooling层组成，然后是平坦层和2个致密层。 模型版本2与基本模型相似，但是增加了增强功能。 为了比较这些模型，针对时期绘制了精度曲线和损耗曲线。 另外，输入一组测试图像以测试训练后的模型，并绘制混淆矩阵和ROC曲线。

理查兹方程 这是一个简单的一维Richards方程模型，出于教学目的，该模型在iPython笔记本中进行了编码。 提供了对此模型的说明 注意：我的van Genuchten库中的默认参数集以m和d为单位。 更新：原始的Richards方程模型适用于稳态边界条件，但是要对此进行调整很简单。 在“ Richards Equation Transient.ipynb”中，我非常混乱地添加了一个瞬态渗透边界条件。 我记录了自己创建这个脚本的过程，这可能有助于理解其中的思考过程。 参见此处：和。 该脚本可以整理并适应自定义问题。

Create React App入门 该项目是通过引导的。 可用脚本 在项目目录中，可以运行： yarn start 在开发模式下运行应用程序。 打开在浏览器中查看它。 如果您进行编辑，则页面将重新加载。 您还将在控制台中看到任何棉绒错误。 yarn test 在交互式监视模式下启动测试运行器。 有关更多信息，请参见关于的部分。 yarn build 构建生产到应用程序build文件夹。 它在生产模式下正确捆绑了React，并优化了构建以获得最佳性能。 生成被最小化，并且文件名包括哈希值。 您的应用已准备好进行部署！ 有关更多信息，请参见关于的部分。 yarn eject 注意：这是单向操作。 eject ，您将无法返回！ 如果您对构建工具和配置选择不满意，则可以随时eject 。 此命令将从您的项目中删除单个生成依赖项。 相反，它将所有配置文件和传递依赖项（webpac

Keras ResNeXt 来自Keras 2.0+中的的论文，ResNeXt模型的实现。 包含用于构建常规ResNeXt模型（针对类似于CIFAR的数据集进行优化）和ResNeXtImageNet（针对ImageNet数据集进行优化）的代码。 显着特征 ResNeXt使用新的扩展块架构更新ResNet块，该架构取决于cardinality参数。 可以从本文的下图中进一步将其可视化。 但是，由于在Keras中不能直接使用分组卷积，因此在此存储库中使用了等效的变体（请参见块2） 用法 对于一般的ResNeXt模型（对于ImageNet以外的所有数据集）， from resnext import ResNext model = ResNext(image_shape, depth, cardinality, width, weight_decay) 对于针对ImageNet优化的Res

负荷预测 该负载预测器旨在执行24小时的短期和长期负载预测。 数据源 从2012年11月到2013年12月，提供了加利福尼亚州一个样本家庭的15分钟间隔负荷数据和每小时温度数据。 选型 为了适应负载需求的非线性相互作用，选择了多层感知器回归器对该负载数据进行建模。 实现了八个预测变量： 内插温度* 24小时滞后负载* 7天滞后负载* 前一天的平均负载* 一天中的时间 星期几 一年中的一天 周末/节假日 *仅用于短期预测 预测24小时 您可以训练模型并在24小时内执行预测。 forecast_date表示24小时间隔的开始时间。 import forecaster forecaster . train_model_and_forecast ( load_data = 'load_temperature_data.csv' , forecast_date = '2018-6-30

生产者，消费者，线程同步，模型，锁

datamicroarray：小样本，高维微阵列数据集的集合，用于评估机器学习算法和模型

深度预测房价EDA 在该项目中，使用Kaggle's competition数据集。 在此过程中，我们将经历： 使用IQR和z-score方法去除异常值 可视化categorical变量和continuous变量 如何处理string dtype列以构建machine learning model 处理missing价值 入门 该可在Kaggle上使用，可在创建该笔记本的相同环境中使用，即使用所使用的相同版本的软件包等。 发现 要了解EDA阶段的发现，请进入 机器学习模型 学习曲线 RMS和R2分数 根据实际值可视化我们的预测 执照