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。

使用适用于Java的Hyperledger Fabric SDK创建和部署区块链网络 设置和初始化通道，安装和实例化链码，并在您的区块链网络上执行调用和查询 区块链是一个共享的，不可更改的账本，用于记录交易历史。 Linux基金会的Hyperledger Fabric是IBM致力于区块链的软件实现，是一个允许的网络。 Hyperledger Fabric是一个分布式账本解决方案的平台，该平台以模块化架构为基础，可提供高度的机密性，灵活性，灵活性和可扩展性。 在区块链解决方案中，区块链网络充当后端，而应用程序前端则使用SDK与网络进行通信。 为了建立前端和后端之间的通信，Hyperledger Fabric社区提供了许多SDK，用于各种编程语言，例如NodeJS SDK和Java SDK。 该代码模式说明了使用Hyperledger Fabric SDK Java创建，部署和测试区块链网络

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

Ansible的自我修复网络 与Red Hat和F5 该存储库托管Arctiq在2018年1月和5月的Ansible自我修复网络演示期间使用的示例文件。 该演示文稿和演示结合了使用GNS3服务器和Packet.net的裸机在模拟网络实验室环境中构建的内容。 Arctiq的演示包括以下用例： 使用Ansible Tower通过Cisco，Juniper，F5和Nginx Web服务器完全重置和重建整个网络实验室环境 适用于Tower和GitHub的自定义Webhook-存储库即将推出！ Nagios通知Stackstorm网络中断影响了Web应用程序，其中Stackstorm使用Ansible Tower触发了修复程序 一个Slack触发器“ iquit”通知Stackstorm，它注入了错误版本的Web应用程序。 Nagios对此进行了了解，并通知Stackstorm，使用Ans

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

SEGAN：语音增强生成对抗网络 介绍 这是SEGAN项目的存储库。 我们的原始文件可以在找到，并且测试样本可以。 在这项工作中，采用了一种对抗性生成方法，以一种完全卷积的体系结构来进行语音增强（即从损坏的语音信号中去除噪声），如下所示： 该模型处理处于不同SNR的许多噪声条件下的原始语音波形（训练时为40，测试时为20）。 它还可以对来自混合在同一结构中的许多说话者的语音特征进行建模（无需任何身份监督），这使得生成的结构在噪声和说话者维度上具有普遍性。 所有项目都是使用TensorFlow开发的。 关于GAN的定义和部署，有两个很好的参考资料库： GAN：实施改进以更稳定的方式训练G

GT-CS6250 计算机网络项目代码

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。