BP神经网络 预测算法 测试 数据 RBF 神经网络算法

邓恩 深度神经网络

使用PyTorch对预训练的卷积神经网络进行微调。 产品特点 可以访问ImageNet上经过预训练的最受欢迎的CNN架构。 自动替换网络顶部的分类器，使您可以使用具有不同类数的数据集训练网络。 使您可以使用任何分辨率的图像（不仅限于在ImageNet上用于训练原始模型的分辨率）。 允许添加一个Dropout层或一个自定义池层。 支持的架构和模型 从包中： ResNet（ resnet18 ， resnet34 ， resnet50 ， resnet101 ， resnet152 ） ResNeXt（ resnext50_32x4d ， resnext101_32x8d ） Dens

nn.py 从头开始用Python编写的简单前馈神经网络实现。 该代码现在有点像意大利面条。

量子神经网络 Qiskit Hackathon Korea 2021：具有PyTorch和Qiskit的混合量子经典神经网络

MA-CNN Multi-Attention-CNN 说明 本仓库只是对ICCV 2017 论文《Learning Multi-Attention Convolutional Neural Network for Fine-Grained Image Recognition》中的多注意力卷积神经网络进行模仿和复现 论文作者GitHub地址 本项目的重点是全连接层聚类获得的注意力矩阵和通道损失函数 本项目主要用于图像中细粒度特征的识别和视频流中关键帧的提取 本项目由Pytorch实现，只能运行在GPU上 代码 data_macnn.py 对外提供数据接口，面对不同数据集需要修改继承于Pytorch数据相关模块的三个函数 conv_macnn.py 训练macnn的卷积部分，可以任选卷积网络，注意好输出的通道数量和尺寸就好 part_macnn.py 训练macnn的聚类部分 Dis已实现，D

作者：李军利 / 14th June 2020 内容：图基础和图引擎；图算法：图挖掘、 图表示学习 、图神经网络、 知识表示学习/知识图谱三元组 （Graph Mining 、Graph Embedding、Graph Neural Network、Knowledge-Graph Embedding） 编程相关：Linux、C++、Python、TensorFlow、Pytorch、DGL、PyG、networkx、HDFS 写作动力：随着图引擎和图算法研究的深入，涉及越来越广，希望在 里记录一些总结和思考 分类：旨在获取embedding的无监督算法称为 图表示学习 ; GNN常常是监督学习; 知识图谱相关的称为 KG-Embedding（我的分类很主观，基于游走的算法常称为图表示算法，基于邻居汇聚的叫 GNN） 分类 笔记 论文 代码 异构 属性 基础 [Graph Th

python代码实现，可以调整网络结构，适用分类与回归问题，包含随机梯度下降、动量梯度下降，RMSProp、Adam优化算法。

网络 概述 使用 Theano 构建具有以下特征的卷积神经网络 输入的弹性失真和噪声 卷积层 带有 Dropout 的隐藏层，Maxnorm 正则化 各种输出层，如 Softmax、高斯混合等。 依赖关系 Python 3.0 西诺 pip 安装 git+git://github.com/Theano/Theano.git 示例用法 制作一个像 params/5numbers.prms 这样的文件来拥有一个定义你想要构建的 CNN 的字典。 使用 train.py 运行它 python3 train.py mnist params/mnist.prms 您自己的数据 使其适用于您自己的数据（称为galaxy数据）。 在数据目录（如mnist.py ）中创建一个模块，名为galaxy.py ，加载时将具有以下四个属性。 training_x, training_y, testing_x,

PredRNN 包含PyTorch的纸张实现- PredRNN：使用时空LSTM进行预测性学习的递归神经网络 数据集 移动MNIST数据集可在下载 建筑