快速神经风格 :sunset: :rocket: 注意：该代码库已不再维护，请使用提供的pytorch examples存储库中的代码库。 该存储库包含艺术风格转换算法的pytorch实现。 该算法可用于将图像的内容与另一图像的样式混合。 例如，这是一张以彩色玻璃绘画风格渲染的门拱的照片。 该模型使用所述的方法以及。 README中显示的示例的已保存模型可以从下载。 免责声明：此实现也是存储库的一部分。 此存储库中的实现使用预训练的Caffe2 VGG，而pytorch示例存储库实现使用预训练的Pytorch VGG。 这两个VGG具有不同的预处理，这导致不同的--content-weight和--style-weight参数。 样式化的输出图像看起来也略有不同。 要求 该程序是用Python编写的，并使用 ， 。 GPU不是必需的，但可以显着提高速度，尤其是在训练新模型时。 可以使用保存的模型在笔记本电

TLD 算法 Tracking-Learning-Detection翻译

重装 一个Python实用程序，可在每次迭代时从源代码重新加载循环体而不会丢失状态 在训练深度学习模型期间对编辑源代码有用。 这样，您可以添加日志记录，打印统计信息或保存模型而无需重新开始训练，因此也不会丢失训练进度。 安装 pip install reloading 用法 要在每次迭代之前从源重新加载for循环的主体，只需使用reloading包装迭代器，例如 from reloading import reloading for i in reloading ( range ( 10 )): # here could be your training loop print

包括两本书，书名都是Deep Learning with Python，一本作者：Nikhil Ketkar，2017版，带目录，另一本作者是一直在维护Keras的谷歌工程师：Francois Chollet

PyTorch的官方实现： 深度学习中域内不确定性估计和集合的陷阱，ICLR'20 / / // 海报视频（5分钟） 环境设定 以下内容允许使用创建并运行具有所有必需依赖项的python环境： conda env create -f condaenv.yml conda activate megabayes 日志，图表，表格，预训练砝码 在文件夹中，我们提供： 保存的日志以及所有计算结果 ipython笔记本示例，可重现绘图，表格并计算深整体等效（DEE）分数 某些模型的预训练权重可以在以下： 和等。这些权重还可以通过通过命令行界面下载： pip3 install wldhx.yadisk-direct % ImageNet curl -L $(yadisk-direct https://yadi.sk/d/rdk6ylF5mK8ptw?w=1) -o deepens_imag

画面质量 描述 图像质量是用于自动图像质量评估（IQA）的开源软件库。 依存关系 Python 3.8 （开发中）Docker 安装 该软件包是公共的，并托管在PyPi存储库中。 要将其安装在您的机器中 pip install image-quality 例子 安装image-quality包之后，您可以在python终端中运行以下命令来测试它是否已成功安装。 >>> import imquality.brisque as brisque >>> import PIL.Image >>> path = 'path/to/image' >>> img = PIL.Image.open(path) >>> brisque.score(img) 4.9541572815704455 发展 如果添加新的tensorflow数据集或修改zip文件的位置，则必须更新url校验和。 您可以在以下找到

SMS_Spam_Classifier：垃圾邮件分类器

深度学习的显著成功引发了人们对其在医学诊断中的应用的兴趣。即使最先进的深度学习模型在对不同类型的医疗数据进行分类时达到了人类水平的准确性，但这些模型在临床工作流程中很难被采用，主要是因为它们缺乏可解释性。深度学习模型的黑盒性提出了设计策略来解释这些模型的决策过程的需要，这导致了可解释人工智能(XAI)这个话题的产生。在此背景下，我们提供了XAI应用于医疗诊断的全面综述，包括可视化、文本和基于示例的解释方法。此外，这项工作回顾了现有的医学成像数据集和现有的指标，以评估解释的质量。作为对大多数现有综述的补充，我们包含了一组基于报告生成方法之间的性能比较。最后，还讨论了XAI在医学影像应用中的主要挑战。 https://www.zhuanzhi.ai/paper/f6e90091666dbcaa5b40c1ab82e9703b 引言 人工智能(AI)领域在过去十年取得的进展，支持了大多数计算机视觉应用的准确性的显著提高。医学图像分析是在对不同类型的医学数据(如胸部X光片[80]、角膜图像[147])进行分类时取得人类水平精确度的应用之一。然而，尽管有这些进展，自动化医学成像在临床实践中很少

深度压缩压缩深度神经网络，并带有经过修剪训练的量化和霍夫曼算法 这是文件的pytorch实现。 Pytorch版本：0.4.0

Yahoo的开放NSFW模型的Tensorflow实现 该存储库包含以tensorflow重写的的实现。 原始重量已使用提取 。 您可以在data/open_nsfw-weights.npy找到它们。 先决条件 所有代码均应与Python 3.6和Tensorflow 1.x （经1.12测试）兼容。 该模型的实现可以在model.py找到。 用法 > python classify_nsfw.py -m data/open_nsfw-weights.npy test.jpg Results for 'test.jpg' SFW score: 0.9355766177177429 NSF