证据深度学习 “所有模型都是错误的，但是某些模型（知道何时可以信任它们）是有用的！” -乔治·博克斯（改编） 该存储库包含用于重现的代码（如所发布的），以及更通用的代码，以利用证据学习来训练神经网络，以直接从数据中学习不确定性！ 设置 要使用此软件包，必须首先安装以下依赖项： python（> = 3.7） 张量流（> = 2.0） pytorch（支持即将推出） 现在，您可以安装以开始为模型添加证据层和损失！ pip install evidential-deep-learning 现在，您可以直接在现有tf.keras模型管道（ Sequential ， Functional或model-subclassing ）的一部分中直接使用此包： >>> import evidential_deep_learning as edl 例子 要使用证据深度学习，必须将模型的最后

入门图神经网络的好资源,了解GNN的基本原理,训练方法,以及其各种变体的应用。通俗易懂，讲解全面。入门图神经网络的好资源,了解GNN的基本原理,训练方法,以及其各种变体的应用。通俗易懂，讲解全面。

基于Springboot+Vue+Python深度神经网络学习算法水质管理预测系统设计毕业源码案例设计

matlab代码设置参数范围迪普考夫曼 神经网络学习库普曼特征函数 Bethany Lusch，J。Nathan Kutz和Steven L.Brunton撰写的论文代码 运行代码： 克隆存储库。 在数据目录中，通过在Matlab中运行DiscreteSpectrumExample，Pendulum，FluidFlowOnAttractor和/或FluidFlowBox来重新创建所需的数据集。 （或通过电子邮件询问数据集） 返回主目录，使用python运行所需的实验。 有关运行Python实验的注意事项： 建议使用GPU，但不是必需的。 该代码可以在GPU或CPU上运行，而无需进行任何更改。 本文包含四个数据集的结果。 这些是运行脚本进行随机参数搜索（DiscreteSpectrumExampleExperiment.py，PendulumExperiment.py，FluidFlowOnAttractorExperiment.py和FluidFlowBoxExperiment.py）的最佳结果。 要使用产生论文结果的特定参数而不是进行参数搜索来训练网络，请运行DiscreteSpec

径向基(Radial Basis Function:RBF)神经网络学习笔记-附件资源

lssvm算法适用于各类学习，倾侧有效。相关学习的研究者欢迎参考

这是关于图神经网络入门学习的一个简单资料。仅学习使用。

适合初学者，matlab神经网络工具箱

鉴于学习样本对神经网络模型的模式识别性能有很大的影响,提出学习样本的选择应与识别模型所利用的特性相结合,并利用汉明;Hamming 距离对用于旋转不变识别的级联模型的学习样本进行优选,计算机对三个很相似的飞机模型进行识别,识别结果表明对学习样本进行有效的选择不仅可以减少系统的学习训练时间而且可以提高模型的识别能力。

从零开始训练神经网络【学习笔记】[2-2].doc