ARX模型作为系统辨识中的基础模型在其中扮演着很重要的角色，此数据集可以用于其预测

热电联产系统模型：使用ThermoSyspro库的OpenModelica热电联产系统模型

Retinaface：人脸检测模型在Pytorch当中的实现 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 Easy Medium Hard Widerface-Train Retinaface_mobilenet0.25.pth Widerface-Val 1280x1280 89.76% 86.96% 74.69% Widerface-Train Retinaface_resnet50.pth Widerface-Val 1280x1280 94.72% 93.13% 84.48% 注意事项 本库下载过来可以直接进行预测，已经在model_data文件夹下存放了Retinaface_mobilenet0.25.pth文件，可用于预测。 如果想要使用基于resnet50的retinaface请下载Retinaface_resnet50.pth进行预测。 所需环境 p

多任务问题生成 用于问题回答和问题生成的mT5模型 引文 @misc{turkishmultitaskQA, author = {Özcan Gündeş}, title = {Turkish Multitask MT5 for Question Generation & Answering}, publisher = {GitHub}, journal = {GitHub repository}, year = {2021}, howpublished={\url{https://github.com/ozcangundes/multitask-question-generation}} }

伯特分类服务 介绍 使用训练分类模型并通过部署模型。 然后，我们可以使用REST API进行在线预测。 开始使用 整个实验基于Chnsenticorp数据集，该数据集是正面和负面情绪的两类数据集。 0.准备训练前模型 下载中文bert模型chinese_L-12_H-768_A-12 ，然后解压缩并移至models目录。 1.训练模型 sh fine-tuning.sh 2.进行预测和导出模型 我们需要将检查点更改为张量流服务的格式。 sh export-model.sh 然后， export-model的结构将为： . └── 1569141360 ├── saved_model.pb └── variables ├── variables.data-00000-of-00001 └── variables.index 3.部署模型

AGC-Nuvi回收网 AI Grand Challenge 2020第三回合的有效垃圾检测模型Nuvilabs解决方案。 要检测的类是： 燃烧 纸 钢 玻璃 塑料 塑料袋 发泡胶 食物 用法 下载预训练的模型 wget --load-cookies /tmp/cookies.txt "https://docs.google.com/uc?export=download&confirm=$(wget --quiet --save-cookies /tmp/cookies.txt --keep-session-cookies --no-check-certificate 'https://docs.google.com/uc?export=download&id=1LnCw4L8RnM3qM96czxTTsOHn3xAKEpya' -O- | sed -rn 's/.*confirm=(

双项 双项主题模型 参数清单 INFILE =数据文件 num_topics =主题数 alpha，beta =模型超参数

RNN时间序列异常检测 在Pytorch中实现的基于RNN的时间序列异常检测器模型。 这是基于RNN的时间序列异常检测器的一种实现，它由时间序列预测和异常分数计算的两阶段策略组成。 要求 Ubuntu 16.04+（在Windows 10上报告了错误。请参阅。欢迎提出建议。） Python 3.5+ 火炬0.4.0+ 脾气暴躁的 Matplotlib Scikit学习 数据集 1.纽约市出租车乘客人数 提供的纽约市出租车乘客数据流 Cui，Yuwei等人进行了预处理（以30分钟为间隔汇总）。 在中 ， 2.心电图（ECG） ECG数据集包含对应于心室前收缩的单个异常 3. 2D手势（视频监控） 视频中手势的XY坐标 4.呼吸 一个病人的呼吸（通过胸廓扩展测量，采样率10Hz） 5.航天飞机 航天飞机Marotta阀的时间序列 6.电力需求 荷兰研究机构一年的电力需求 时

计算机视觉与机器学习 SRU：Places Recognizer项目 Mahya Mahdian和Mohammad Hassan Sattarian 该项目旨在训练一种能够识别我们大学（SRU）六个不同地方的模型。 选择的地方（模型类）： 电脑校园 建筑校园 场地 自助餐 自己 文化馆 快速开始 连接到服务器波纹管并拍照或从图库中选择以进行预测： http://http://95.211.250.100:8080/predict 或者 克隆存储库，打开一个终端并输入： cd " Usage Sample " python predict.py [ImagesAddress] 结构 模型是一种基于微调实现是（显然）是经过VGS16网络预先训练而成的Places图像，更具体地说是place365数据集，它仅使用基本模型的卷积层进行了解冻，并经过了最后的5个卷积层的训练，并连接到了具

MachineLearning_Project 通过操纵神经网络的各种参数，已经开发出用于人类活动识别的CNN体​​系结构。 培训和测试在公共数据集MHEALTH上进行，用于将人类活动分为与各种活动相对应的12类。 通过由2个卷积，2个最大池和2个线性层组成的体系结构，我们实现了96％的精度和90.52％的F1得分，优于在同一数据集上训练的几个最新模型。