目录 介绍 该存储库表示在开发用于材料科学中的机器学习的图形网络方面的工作。 这项工作仍在进行中，到目前为止，我们开发的模型仅基于我们的最大努力。 我们欢迎任何人使用我们的代码和数据来构建和测试模型的努力，所有这些代码和数据都是公开的。 也欢迎任何意见或建议（请在Github Issues页面上发帖。） 使用我们的预训练MEGNet模型进行晶体特性预测的Web应用程序可从。 MEGNet框架 MatErials图形网络（MEGNet）是DeepMind图形网络[1]的实现，用于材料科学中的通用机器学习。 我们已经证明了它在分子和晶体的广泛属性中实现非常低的预测误差方面所取得的成功（请参阅 [

机器学习框架之TensorFlow学习

简易的联邦学习与分布式机器学习框架

现有的机器学习框架/软件包存在几个问题： 无法处理大数据：多数Python，Matlab和R写的训练框架适合处理规模小的样本，没有为大数据优化。 不容易整合到实际生产系统：standalone的程序无法作为library嵌入到大程序中。 模型单一：一个软件包往往只解决一个类型的问题（比如监督式或者非监督式）。 不容易扩展：设计时没有考虑可扩展性，难以添加新的模型和组件。 代码质量不高：代码缺乏规范，难读懂、难维护。 弥勒佛项目的诞生就是为了解决上面的问题，在框架设计上满足了下面几个需求： 处理大数据：可随业务增长scale up，无论你的数据样本是1K还是1B规模，都可使用弥勒佛项目。 为实际生产：模型的训练和使用都可以作为library或者service整合到在生产系统中。 丰富的模型：容易尝试不同的模型，在监督、非监督和在线学习等模型间方便地切换。 高度可扩展：容易添加新模型，方便地对新模型进行实验并迅速整合到生产系统中。 高度可读性：代码规范，注释和文档尽可能详尽，适合初学者进行大数据模型的学习。

详细地阐述了TensorFlow上执行图优化算法，对于深入了解TensorFlow框架很有意义，为各种DAG执行引擎的设计提供技术指导！

KelpNet：纯C＃机器学习框架 /* SampleCode */ FunctionStack nn = new FunctionStack ( new Convolution2D ( 1 , 32 , 5 , pad : 2 , name : " l1 Conv2D " ), new ReLU ( name : " l1 ReLU " ), new MaxPooling ( 2 , 2 , name : " l1 MaxPooling " ), new Convol

TF Encrypted是TensorFlow中用于加密机器学习的框架。 它看上去和感觉上都像TensorFlow，它利用Keras API的易用性，同时通过安全的多方计算和同态加密对加密数据进行训练和预测。 TF Encrypted的目的是在不要求密码学，分布式系统或高性能计算专业知识的情况下，使隐私保护机器学习随时可用。 有关更多，，请参见下文，或访问以了解有关如何使用该库的更多信息。 也非常欢迎您加入我们的以解决有关使用和开发的所有问题。 安装 TF Encrypted是上的一个软件包，支持Python 3.5+和TensorFlow 1.12.0+： pip install tf-

Minerva:高效灵活的并行深度学习引擎 不同于cxxnet追求极致速度和易用性，Minerva则提供了一个高效灵活的平台

本文于csdn,主要为TensorFlow是什么，TensorFlow特点、安装和使用。数据获取和输入等。TensorFlow是Google开源的第二代用于数字计算（numericalcomputation）的软件库。它是基于数据流图的处理框架，图中的节点表示数学运算（mathematical operations），边表示运算节点之间的数据交互。TensorFlow从字面意义上来讲有两层含义，一个是Tensor，它代表的是节点之间传递的数据，通常这个数据是一个多维度矩阵（multidimensional