MV-LSTM 多变量LSTM当前神经网络用于多变量时间序列的预测和解释 郭，田，陶林和Nino Antulov-Fantulin。 “在多变量数据上探索可解释的LSTM神经网络。” 国际机器学习会议（ICML）。 2019。 郭涛，林涛，卢Y.自回归外生模型的一种可解释的LSTM神经网络[J]。计算机应用，2006,26（5）：1175-1178 关于ICLR的研讨会专题，2018年。 可以在这里找到PyTorch的实现（贷记给KurochkinAlexey）： :

超分辨率SRDPNs张量流 tensorflow实现的超分辨率： 我基于双路径网络的超分辨率实现，但与原始网络完全不同，差异如下所示： 我修改了双路径块的结构，以加快训练速度。 我引入了瓶颈以减小尺寸并进行去卷积以恢复细节。 介绍基于VGG19的特征空间的知觉损失和克损失。 依存关系： 张量流> = 1.3.0 Scipy> = 0.18 GPU内存> 7G 用法： 首先，您需要在下载VGG19的模块以进行损耗函数计算。 然后，将下载的文件imagenet-vgg-verydeep-19.mat移到该项目的SRDPNs文件夹中。 供测试用： 打开main.py ，将数据路径更改为您的数据，例如： flags.DEFINE_string("testimg", "2.bmp", "Name of test image") 执行python main.py进行测试，结果将保存在示例

什么是free5GC free5GC是用于第五代（5G）移动核心网络的开源项目。 该项目的最终目标是实现3GPP Release 15（R15）及更高版本中定义的5G核心网（5GC）。 有关更多信息，请参考。 文献资料 有关文档，请参阅。 讨论 如有疑问和支持，请使用。 此存储库的问题列表专门用于错误报告和功能请求。 贡献 我们欢迎通过做出贡献。 发行公告 每个版本的详细更改记录在发行说明中。每个版本的详细更改记录在发行说明中。 执照 free5GC现在已获得Apache 2.0许可。

深度连接注意力网络（DCANet） 插图 图1. DCANet的示意图。 我们使用Grad-CAM可视化中间特征激活。 Vanilla SE-ResNet50在不同阶段的关注点发生了巨大变化。 相比之下，我们的DCA逐步增强了SE-ResNet50的递归调整焦点，并密切关注目标对象。 方法 图2.深度连接注意力网络概述。 我们将先前关注块中的转换模块的输出连接到当前关注块中的提取模块的输出。 在多个关注维度的上下文中，我们将关注沿着每个维度连接起来。 在这里，我们展示了一个具有两个注意维度的示例。 可以扩展到更大的尺寸。 执行 在此存储库中，所有模型都由实现。 我们在使用标准的数据扩充策略。 要复制我们的DCANet作品，请参考 。 训练有素的模型 :smiling_face_with_smiling_eyes: All trained models and training log files are submitted to an an

BP神经网络 预测算法 测试 数据 RBF 神经网络算法

该代码随附本文 Wadim Kehl，Fabian Manhardt，Federico Tombari，Slobodan Ilic和Nassir Navab：SSD-6D：使基于RGB的3D检测和6D姿势估计再一次变得出色。 ICCV2017。 并允许复制我们的部分作品。 请注意，由于IP问题，我们只能提供经过培训的网络和推理部分。 这允许产生检测和6D姿势池。 不幸的是，无法提供用于训练以及2D / 3D改进的代码。 为了使用该代码，您需要下载 以SIXD格式使用的数据集（hinterstoisser，tejani）（例如，从） 来自 的训练有素的网络 并使用run.py脚本进行魔术操作。 调用“ python3 run.py --help”以查看可用命令。 为了获得正确的阈值，您应该查看补充材料。 Fabian Manhardt现在还添加了一个beta.py，可让您在序列上正

邓恩 深度神经网络

五子棋网络对战版，有如下功能： 1. 分为大厅（默认位置）及独立房间（新建房间或者进入房间后的位置）； 2. 不同的独立房间互不影响； 3. 支持大厅聊天； 4. 支持房间内部聊天； 5. 实时更新当前全部在线人数、以及开启的房间数、服务器时间； 6. 无人房间自动删除； 7. 离开房间时对玩家、以及同房间内玩家自动提示； 8. 支持三种角色：黑色下棋方、白色下棋方、观战者（不限人数）； 9. 支持房间内角色自由切换； 10. 黑方和白方同时存在时可以开始游戏； 11. 记录游戏的上一局胜利者； 12. 支持胜利条件判定，并提示胜利原因； 13. 支持一局游戏结束后可以重新开始； 14. 自动标注上一子下的地方； 15. 可以从房间内返回大厅；

深度学习 该文件夹包含我的各种AI和机器学习项目的深度学习模型。 长短期记忆（LSTM）卷积神经网络（CNN）ResNet50

Keras TCN 与所有主要/最新的Tensorflow版本（从1.14到2.4.0+）兼容。 pip install keras-tcn Keras时间卷积网络。 [] 为什么选择时间卷积网络？ 与具有相同容量的循环体系结构相比，TCN具有更长的内存。 在各种任务（序列MNIST，添加问题，复制内存，字级PTB ...）上，其性能始终优于LSTM / GRU体系结构。 平行度，灵活的接收场大小，稳定的梯度，训练所需的低内存，可变长度的输入... 放大的因果卷积层堆栈的可视化（Wavenet，2016） API 通常的方法是导入TCN层，并在Keras模型中使用它。 下面提供了一个回归任务的示例（对于其他示例，请参阅tasks/ ）： from tensorflow . keras . layers import Dense from tensorflow . keras import Input , Model from tcn import TCN , tcn_full_summary batch_size , timesteps , input_dim = No