B站UP搭建世界首个纯红石神经网络、基于深度学习动作识别的色情检测、陈天奇《机器学编译MLC》课程进展、AI前沿论文 | ShowMeAI资讯日报

AVS1官方参考代码和源码实现 找了好久的AVS1参考代码RM60,很好的资源,用于学习AVS1标准和实现! 立即下载

ShowMeAI日报系列全新升级!覆盖AI人工智能 工具&框架 | 项目&代码 | 博文&分享 | 数据&资源 | 研究&论文 等方向。点击查看 历史文章列表,在公众号内订阅话题 #ShowMeAI资讯日报,可接收每日最新推送。点击 专题合辑&电子月刊 快速浏览各专题全集。点击 这里 回复关键字 日报 免费获取AI电子月刊与资料包。

工具&框架

🚧『c2go』将C语言代码转换为Go语言代码

https://github.com/goplus/c2go

这是 Go+ 项目的一个子项目,在没有任何人为干预的情况下,将任何C项目转换为Go,并保持性能接近C。

🚧『OpenDP』差分隐私计算库

https://github.com/opendp/opendp

OpenDP库是一个模块化的统计算法集合,遵循差分隐私的定义,可以使用许多不同的隐私模型来构建隐私保护计算的应用程序。OpenDP是在Rust中实现的,有Python的易用API。

🚧『mlprodict』工业化机器学习预估器

https://github.com/sdpython/mlprodict

mlprodict 最初是为了帮助实现 ONNX 的转换器,主要功能是一个用于ONNX的 Python 运行时、可视化工具和一个用于 ONNX 的 Numpy API。该软件包还提供了比较预测的工具,以及使用 sklearn-onnx 转换的基准模型。

🚧『easyFL』联邦学习的轻量框架

https://github.com/WwZzz/easyFL

easyFL 是 IJCAI-21 论文 Federated Learning with Fair Averaging 的 PyTorch 实现。easyFL是一个强大且可复用的联邦学习(FL)算法研究实验平台,它提供了一些易于使用的模块,以供那些想做各种联邦学习实验的人使用。 简而言之,FL 研究人员很容易快速实现和比较流行的集中式联邦学习算法。

项目&代码

👍『P-HAR 基于深度学习动作识别的色情检测』代码实现

https://github.com/rlleshi/phar

这只是一个有趣的副项目,旨在了解最先进的(SOTA)人类行为识别 (HAR)模型在色情领域的表现如何。 HAR 是深度学习领域中一个相对较新的活跃研究领域,其目标是从各种输入流(例如视频或传感器)中识别人类行为。

从技术角度来看,光线变化、遮挡以及不同摄像机角度和拍摄技术(POV,专业摄影师)的巨大变化使得位置(动作)识别变得困难。两个相同的位置(动作)在不同的相机视角中被捕获,会完全混淆模型的预测。

该存储库使用三种不同的输入流以获得最佳结果:rgb帧、人体骨架和音频。相应地,在这些输入流上训练三个不同的模型,并通过后期融合将其结果合并。目前,该多模型模型达到的最佳准确率为75.64%,考虑到训练集较小,结果在未来仍能得到改善。

博文&分享

📚『世界首个纯红石神经网络』B站

项目代码将上传至:https://github.com/leamoon/StochasticNet

耗时半年,B站UP主 辰占鳌头 在『我的世界』里搭建出了世界上第一个纯红石的神经网络,可以识别 15x15的手写数字,并且准确率达到80%(在MNIST数据集上模拟)。目前播放量已突破125万,位列B站排行榜最高17名。Yann LeCun 教授在Twitter和Facebook上也转发点赞啦!

📚『AI 如何从文本创建逼真图像』Imagen & Parti原理与比较

https://blog.google/technology/research/how-ai-creates-photorealistic-images-from-text/

你有没有见过小狗从一个破裂的鸡蛋中冒出来? 飞艇俯瞰蒸汽朋克城市的照片有多炫酷? 两个机器人如何在影院度过浪漫之夜? 这些听起来似乎不可思议,但“文本到图像生成”的机器学习新技术使此成为可能。 这些模型可以由简单的文本提示生成高质量、逼真的图像。

📚『机器学习100讲』

https://www.cs.ubc.ca/~schmidtm/Courses/LecturesOnML/

这是 Mark Schmidt 在 UBC 教授的 机器学习 相关课程的资料合集,包括6个部分,涵盖了大量机器学习及相关主题。

数据&资源

🔥『数据集蒸馏』相关工作列表

https://github.com/Guang000/Awesome-Dataset-Distillation

这是一份很棒的 数据集蒸馏/冷凝(Dataset Distillation / Condensation)论文集合。数据集蒸馏的任务是合成小数据集,这样在合成集上训练的模型将与在完整数据集上训练的模型,测试精度相匹配。

🔥 陈天奇『机器学习编译MLC』课程

课程以 python为主,尽量以python交互的方式展现机器学习编译的核心思想,并且通过具体实践的介绍和联系已经有的知识点(numpy)来加深理解。课程会保持中文内容在B站每周同步更新,并且在课程主页上更新笔记。

研究&论文

可以点击 这里 回复关键字 日报,免费获取整理好的论文合辑。

⚡ 论文:Discrete Morse Sandwich: Fast Computation of Persistence Diagrams for Scalar Data – An Algorithm and A Benchmark

论文标题:Discrete Morse Sandwich: Fast Computation of Persistence Diagrams for Scalar Data – An Algorithm and A Benchmark

论文时间:27 Jun 2022

所属领域:机器学习

论文地址:https://arxiv.org/abs/2206.13932

代码实现:https://github.com/topology-tool-kit/ttk

论文作者:Pierre Guillou, Jules Vidal, Julien Tierny

论文简介:This fast processing of the dimensions 0 and (d-1) further reduces, and drastically, the number of critical simplices to consider for the computation of D 1 ( f ) D_1(f) D1​(f), the intermediate layer of the sandwich./这种对维度0和(d-1)的快速处理进一步减少了计算 D 1 ( f ) D_1(f) D1​(f)时需要考虑的关键简图的数量,即中间层。

论文摘要:本文介绍了一种高效的持久性图计算算法,给定一个定义在d维简明复数K上的输入片状线性标量场f,d≤3。我们的方法通过引入三个主要的加速器扩展了开创性的 "PairCells "算法。首先,我们在离散Morse理论的背景下表达这个算法,这大大减少了需要考虑的输入简约的数量。第二,我们对问题引入了一种分层的方法,我们称之为 “夹层”。具体来说,通过分别用Union-Find处理1-saddles的不稳定集和(d-1)-saddles的稳定集,可以有效地计算出最小-saddle持久性对(D0(f))和saddle-最大持久性对(Dd-1(f))。这种对维度0和(d-1)的快速处理进一步减少了计算D1(f)(夹层的中间层)时需要考虑的关键简图的数量。第三,我们记录了一些通过共享内存并行化实现的性能改进。我们提供了一个我们算法的开源实现,以达到可重复性的目的。我们还提供了一个可重复的基准包,它利用了一个公共资源库的三维数据,并将我们的算法与各种公开的实现进行了比较。广泛的实验表明,我们的算法将其扩展的开创性的 "PairCells "算法的时间性能提高了两个数量级。此外,它还改善了内存占用和时间性能,超过了14种竞争性方法的选择,比现有的最快方法有了很大的提高,同时产生了严格意义上的相同输出。我们通过在表面、体积数据和高维点云上快速、稳健地提取持久的一维生成器的应用来说明我们的方法优势。

⚡ 论文:Learning Gait Representation from Massive Unlabelled Walking Videos: A Benchmark

论文标题:Learning Gait Representation from Massive Unlabelled Walking Videos: A Benchmark

论文时间:28 Jun 2022

所属领域:计算机视觉

对应任务:Contrastive Learning,Gait Recognition,步态识别,对比学习

论文地址:https://arxiv.org/abs/2206.13964

代码实现:https://github.com/shiqiyu/opengait

论文作者:Chao Fan, Saihui Hou, Jilong Wang, Yongzhen Huang, Shiqi Yu

论文简介:As far as we know, GaitLU-1M is the first large-scale unlabelled gait dataset, and GaitSSB is the first method that achieves remarkable unsupervised results on the aforementioned benchmarks./据我们所知,GaitLU-1M是第一个大规模的无标签步态数据集,而GaitSSB是第一个在上述基准上取得显著无监督结果的方法。

论文摘要:步态描述了个人独特而有区别的行走模式,已经成为人类识别中最有前途的生物特征之一。作为一项精细的识别任务,步态识别很容易受到许多因素的影响,而且通常需要大量的完全标注的数据,成本很高,而且无法满足。本文提出了一个大规模的自监督的对比学习的步态识别基准,旨在通过提供信息丰富的行走先验和不同的现实世界的变化,从大规模的无标记的行走视频中学习一般的步态表示,用于实际应用。具体来说,我们收集了一个大规模的无标签步态数据集GaitLU-1M,包括102万个步行序列,并提出了一个概念上简单但经验上强大的基线模型GaitSSB。通过实验,我们在四个广泛使用的步态基准上评估了预训练的模型,即CASIA-B、OU-MVLP、GREW和Gait3D,无论是否有转移学习。无监督的结果与早期基于模型和基于GEI的方法相当,甚至更好。在转移学习之后,我们的方法在大多数情况下比现有的方法要好很多。在理论上,我们讨论了针对步态的对比性框架的关键问题,并提出了进一步研究的一些见解。据我们所知,GaitLU-1M是第一个大规模的无标签步态数据集,而GaitSSB是第一个在上述基准上取得显著无监督结果的方法。GaitSSB的源代码将被整合到OpenGait中,OpenGait可在 https://github.com/shiqiyu/opengait 获取。

⚡ 论文:A Comprehensive Survey on Deep Gait Recognition: Algorithms, Datasets and Challenges

论文标题:A Comprehensive Survey on Deep Gait Recognition: Algorithms, Datasets and Challenges

论文时间:28 Jun 2022

所属领域:计算机视觉

对应任务:Gait Recognition,步态识别

论文地址:https://arxiv.org/abs/2206.13732

代码实现:https://github.com/shiqiyu/opengait

论文作者:Chuanfu Shen, Shiqi Yu, Jilong Wang, George Q. Huang, Liang Wang

论文简介:Besides, we also present a comprehensive summary of all vision-based gait datasets and the performance analysis./此外,我们还对所有基于视觉的步态数据集和性能分析进行了全面总结。

论文摘要:步态识别的目的是通过视觉相机识别远处的人。随着深度学习的出现,步态识别的重大进展通过利用深度学习技术在许多场景中取得了鼓舞人心的成功。然而,日益增长的视频监控需求带来了更多的挑战,包括各种变异下的鲁棒性识别、步态序列中的运动信息建模、协议变异导致的不公平性能比较、生物识别安全和隐私保护。本文对步态识别的深度学习进行了全面研究。我们首先介绍了步态识别从传统算法到深度模型的发展历程,提供了步态识别系统整个工作流程的明确知识。然后,从深度表征和架构的角度对步态识别的深度学习进行了深入总结。具体来说,深度步态表征被分为静态和动态特征,而深度架构包括单流和多流架构。按照我们提出的具有新颖性的分类法,它可以为深度步态识别提供思路并促进其发展。此外,我们还对所有基于视觉的步态数据集和性能分析进行了全面总结。最后,文章讨论了一些具有重大潜在前景的开放问题。

⚡ 论文:Identifying and Combating Bias in Segmentation Networks by leveraging multiple resolutions

论文标题:Identifying and Combating Bias in Segmentation Networks by leveraging multiple resolutions

论文时间:29 Jun 2022

所属领域:计算机视觉

论文地址:https://arxiv.org/abs/2206.14919

代码实现:https://github.com/Deep-MI/FastSurfer

论文作者:Leonie Henschel, David Kügler, Derek S Andrews, Christine W Nordahl, Martin Reuter

论文简介:We analyse how this resolution-bias in the data distribution propagates to systematically biased predictions for group L at higher resolutions./我们分析了数据分布中的这种分辨率偏差是如何在更高的分辨率下传播到对L组的系统性偏差预测的。

论文摘要:对偏见的探索对医疗环境中深度学习管道的透明度和适用性有重大影响,但迄今为止还没有得到充分的研究。在本文中,我们考虑了两个独立的小组,其训练数据只在不同的图像分辨率下可用。对于H组来说,可用的图像和标签都是首选的高分辨率,而对于L组来说,只有低分辨率数据存在。我们分析了数据分布中的这种分辨率偏差是如何传播到L组在高分辨率下的系统性偏差预测的。我们的结果表明,单一分辨率的训练设置会导致体积组差异的显著损失,从而转化为DSC测量的错误分割以及随后低分辨率组的分类失败。我们进一步探讨如何利用跨分辨率的训练数据来消除这种系统性的偏差。具体来说,我们研究了图像重采样、比例增强和分辨率独立性的影响,并证明了多分辨率方法可以有效地减少偏差。

⚡ 论文:Shifts 2.0: Extending The Dataset of Real Distributional Shifts

论文标题:Shifts 2.0: Extending The Dataset of Real Distributional Shifts

论文时间:30 Jun 2022

所属领域:计算机视觉

对应任务:Autonomous Driving,Image Classification,无人驾驶,图像分类

论文地址:https://arxiv.org/abs/2206.15407

代码实现:https://github.com/shifts-project/shifts

论文作者:Andrey Malinin, Andreas Athanasopoulos, Muhamed Barakovic, Meritxell Bach Cuadra, Mark J. F. Gales, Cristina Granziera, Mara Graziani, Nikolay Kartashev, Konstantinos Kyriakopoulos, Po-Jui Lu, Nataliia Molchanova, Antonis Nikitakis, Vatsal Raina, Francesco La Rosa, Eli Sivena, Vasileios Tsarsitalidis, Efi Tsompopoulou, Elena Volf

论文简介:This creates a need to be able to assess how robustly ML models generalize as well as the quality of their uncertainty estimates./这就需要能够评估ML模型泛化的稳健程度,以及其不确定性估计的质量。

论文摘要:分布性转变,或训练和测试数据之间的不匹配,是机器学习在高风险的工业应用中使用的一个重大障碍,如自动驾驶和医学。这就需要能够评估ML模型泛化的稳健程度,以及其不确定性估计的质量。标准的ML基线数据集不允许评估这些属性,因为训练、验证和测试数据往往是相同的分布。最近,出现了一系列专门的基准,具有分布匹配和移位的数据。在这些基准中,Shifts数据集在任务的多样性和数据模式方面非常突出。虽然大多数基准在很大程度上由二维图像分类任务主导,但Shifts包含了结构化天气预报、机器翻译和车辆运动预测任务。这使得模型的鲁棒性特性可以在一系列不同的工业规模的任务中得到评估,并得出普遍的或直接适用于特定任务的结论。在本文中,我们用两个数据集扩展了Shifts数据集,这两个数据集来自于具有高度社会重要性的工业、高风险应用。具体来说,我们考虑了三维磁共振脑图像中白质多发性硬化症病变的分割任务和海运货船的耗电量估计。这两项任务的特点是无处不在的分布性变化和由于错误的高成本而产生的严格安全要求。这些新的数据集将使研究人员能够进一步探索新形势下的稳健概括和不确定性估计。在这项工作中,我们提供了对这两项任务的数据集和基线结果的描述。

⚡ 论文:BigBIO: A Framework for Data-Centric Biomedical Natural Language Processing

论文标题:BigBIO: A Framework for Data-Centric Biomedical Natural Language Processing

论文时间:30 Jun 2022

所属领域:自然语言处理

对应任务:Language Modelling,Multi-Task Learning,语言模型,多任务学习

论文地址:https://arxiv.org/abs/2206.15076

代码实现:https://github.com/bigscience-workshop/biomedical

论文作者:Jason Alan Fries, Leon Weber, Natasha Seelam, Gabriel Altay, Debajyoti Datta, Samuele Garda, Myungsun Kang, Ruisi Su, Wojciech Kusa, Samuel Cahyawijaya, Fabio Barth, Simon Ott, Matthias Samwald, Stephen Bach, Stella Biderman, Mario Sänger, Bo wang, Alison Callahan, Daniel León Periñán, Théo Gigant, Patrick Haller, Jenny Chim, Jose David Posada, John Michael Giorgi, Karthik Rangasai Sivaraman, Marc Pàmies, Marianna Nezhurina, Robert Martin, Michael Cullan, Moritz Freidank, Nathan Dahlberg, Shubhanshu Mishra, Shamik Bose, Nicholas Michio Broad, Yanis Labrak, Shlok S Deshmukh, Sid Kiblawi, Ayush Singh, Minh Chien Vu, Trishala Neeraj, Jonas Golde, Albert Villanova del Moral, Benjamin Beilharz

论文简介:Training and evaluating language models increasingly requires the construction of meta-datasets --diverse collections of curated data with clear provenance./训练和评估语言模型越来越需要构建元数据集–具有明确出处的各种数据集合。

论文摘要:训练和评估语言模型越来越需要构建元数据集–具有明确出处的各种数据集。最近,自然语言提示通过将现有的、有监督的数据集转化为多种多样的新的预训练任务,突出了元数据集的好处,从而改善了零样本泛化。虽然在一般领域的文本中取得了成功,但将这些以数据为中心的方法转化为生物医学语言建模仍然具有挑战性,因为标记的生物医学数据集在流行的数据中心中的代表性明显不足。为了应对这一挑战,我们介绍了BigBIO,这是一个由126个以上生物医学NLP数据集组成的社区库,目前涵盖了12个任务类别和10种以上的语言。BigBIO通过对数据集及其元数据的程序化访问,促进了可重复的元数据集,并与目前的平台兼容,用于提示工程和端到端少/零样本的语言模型评估。我们讨论了我们的任务模式协调、数据审计和贡献指南的过程,并概述了两个说明性的使用案例:生物医学提示的零样本评估和大规模多任务学习。BigBIO是一个持续的社区努力 https://github.com/bigscience-workshop/biomedical](https://github.com/bigscience-workshop/biomedical)

我们是 ShowMeAI,致力于传播AI优质内容,分享行业解决方案,用知识加速每一次技术成长!点击查看 历史文章列表,在公众号内订阅话题 #ShowMeAI资讯日报,可接收每日最新推送。点击 专题合辑&电子月刊 快速浏览各专题全集。点击 这里 回复关键字 日报 免费获取AI电子月刊与资料包。

python好玩的项目—色情图片识别代码分享 一、实验简介 本实验将使用 Python3 去识别图片是否为色情图片,我们会使用到 PIL 这个图像处理库,会编写算法来划分图像的皮肤区域 1.1. 知识点 Python 3 的模块的安装 Python 3 基础知识 肤色像素检测与皮肤区域划分算法 Pillow 模块的使用 argparse 模块的使用 1.2. 效果展示 二、实验步骤 2.1. 安装包 PIL 2009年之后就没有更新了,也不支持 Python3 ,于是有了 Alex Clark 领导的公益项目 Pillow,Pillow 是一个对 PIL 友好的分支,支持 Python3,所以我们这里安装的是 Pillow,其 立即下载

相关推荐

华为P30/pro (ELE-AL00) 鸿蒙4.2降级 EMUI 9

分享

m0_52356707的博客 1万+

MLC--机器学习编译的课程笔记

MLC机器学习编译的精简笔记,尝试用简要地表达一些概念,目的不是大而全,需要更全面的可以看陈天奇老师课程课程。

CoSword 1865

【目标追踪】python背景模型减除法原理及其实现

python基于背景模型差法的视频目标追踪帧差法的问题:背景模型差法目标追踪原理1. 基本思路:2. 图例讲解:3. 存在的问题&如何解决:4. 最终效果预览第一步——调用摄像头:1. 使用opencv打开视频or摄像头:2. 读取逐帧图片:第二步——处理图片:1. 转换成灰度图:3. 累加权重重构背景:3. 计算像素差:3. 使用中值滤波和膨胀腐蚀去噪:3.1 中值滤波:3.2 图像腐蚀...

梁瑛平的博客 1948

【原创】MLC LLM AI 本地部署

运行 build.py 或者 mlc_chat.rest 需要用 mlc_ai_nightly_cu121 或者 mlc_ai_nightly_vulkan的 libtvm.so 和 libtvm_runtime.so。需要注意,如果使用 mlc_chat_cli,需要用编译tvm后的 libtvm.so 和 libtvm_runtime.so.复制替换的方式不优雅,可以配置 LD_LIBRARY_PATH。

张志鹏的博客 2777

YOLO11涨点优化:损失函数优化 | 引入MPDIoU,利用边界框左上角和右下角距离,彻底解决重叠框匹配失效问题

【摘要】针对目标检测中重叠框匹配失效问题,本文提出基于MPDIoU损失函数的解决方案。MPDIoU通过同时约束边界框的左上角和右下角两点距离,有效解决了传统IoU损失在重叠场景下的优化歧义问题。文章首先分析YOLO系列在密集目标检测中的性能瓶颈,指出GIoU/CIoU等现有方法无法区分相同IoU值但偏移方向不同的预测框。随后详细解析MPDIoU的数学原理及其相对于主流损失函数的优势,证明两点距离约束能提供唯一优化方向。最后给出在YOLO11中实现MPDIoU的具体方案,包括核心代码修改点和架构适配建议。实验

2601_95807009的博客 173

17、扩展景深成像的瞳孔函数工程技术解析

本文详细解析了扩展景深成像的关键技术,包括基于焦距堆栈的数字处理方法、立方相位掩模的光学设计、对数非球面透镜的应用以及旋转点扩散函数的深度编码功能。通过实验验证和实际应用分析,展示了这些技术在显微镜成像、工业检测和医疗影像中的广泛用途及优势。同时探讨了未来发展方向,如智能算法优化、新型光学材料和多模态成像技术,为相关领域的技术创新提供了参考。

y2z3a4b5c的博客 169

各类邪恶代码

盘点那些邪恶的代码

kapu12的博客 7542

WCK Operation (WCK 操作)

LPDDR6 SDRAM采用双时钟系统(WCK和CK),其中WCK频率是CK的两倍。为确保数据正确传输,需通过WCK2CK同步操作使两种时钟对齐。LPDDR6支持两种同步模式:Auto-sync off模式和WCK Always on模式,可通过MR22寄存器选择。同步操作由特定命令(Read/Write/MRR等)触发,需在满足特定时序参数(如tWCKENL、tWCKPRE等)后完成。同步前必须完成WCK2CK训练,且不同操作(读取/写入/CAS)有各自的时序要求。该机制确保数据在正确时钟相位下传输,是L

李家小院 658

通过 resnet 实现对色情图片&性感图片的识别(代码/调优/数据)

零:代码 https://github.com/yangbisheng2009/nsfw-resnet(绝对良心代码,欢迎 star) 一、背景 线上海量图片,需要将其中性感图片、色情图片识别出来 比如: 性感普通图片二、调研 在经过一些列调研之后,确定了以下几种方案: 机器学习方法,利用p_hash或者图片hog特征或者傅里叶变化、小波变换抽取图片向量特征,采用传统机器学习的方法...

我爱大猫咪的博客 1万+

ESP32 DW1000 UWB 室内定位系统

详细介绍ESP32 DW1000 UWB 室内定位系统的设计演示demo。

DT程序员的博客 1662

农业无人机:无人机图像处理_(8).遥感图像处理与分析

遥感图像处理与分析在农业无人机技术中具有重要作用,通过图像预处理、特征提取、分类与分割、目标检测等技术,可以实现对农田的精细管理、作物监测、病虫害预测等应用。本节详细介绍了这些技术的基本概念、常用方法和具体实现,希望对您在农业无人机图像处理方面的学习和应用有所帮助。

zhubeibei168的博客 1340

在任何设备上都可运行LLM#隐私、个性化

当Earth配上了本地运行的LLMshadowChatGPT的开源替代方案越来越多,其中有不少本地运行LLM的解决方案,本地模型可以保护我们的隐私和私有数据不被上传到云端,同时,利用本地模型的能力,我们可以实现更为个性化的使用场景。RWKV Runner项目旨在消除大语言模型的使用门槛,全自动为你处理一切,你只需要一个仅仅几MB的可执行程序。项目提供了与OpenAI API兼容的接口,这意味着一切...

shadowcz007的博客 426

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

C语音版飞机大战

C语音版飞机大战 不多说直接上代码 #include<iostream> #include<windows.h> #include<conio.h> #include<time.h> #include<string> using namespace std; /*=============== all the structures ===============*/ typedef struct Frame { COORD position[2];

weixin_50973371的博客 1855

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

一个比较淫荡的程序源码(VC)

一个比较淫荡的程序源码(VC) 一个比较淫荡的程序,编译好之后,运行,你就会.................. (VC) 复制内容到剪贴板 代码: /* code by W.Z.T */ /* Just For Fun */ #include #include #define SLEEP_TIME1 10 #define SLEEP

日志 1万+

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

(已加马赛克)10 行代码判定色*情*图片——Python 也可以系列之二

10 行代码判定色*情*图片——Python 也可以系列之二作者:赖勇浩(http://blog.csdn.net/lanphaday)致编辑:我已经给图片打上马赛克了,别再删除了啊,我这是纯技术贴!声明:本文因科学研究需要,包含部分色*情*图片,不可作为传播色*情*信息的证据。今天先是在 优快云 看到《大学生发明依据皮肤比例过滤色*情*图片软件》(http://news.csdn.net/n/

赖勇浩的编程私伙局 7万+

机器学习编译第1讲:机器学习编译概述

MLC-机器学习编译-第一讲-机器学习编译概述课程主页:https://mlc.ai/summer22-zh/ 机器学习应用程序已经无处不在。我们的智能家居设备由自然语言处理(NLP)和语音识别模型驱动,自动驾驶技术依赖于计算机视觉模型作为支柱,还有推荐系统帮助我们在探索时发现新内容。 同样有趣的是AI应用的部署环境是非常丰富的。推荐系统算法通常由大型公司部署在云平台上;当我们谈论自动驾驶时,我们首先想到的是强大的 GPU 或车辆上的专用计算设备;我们使用手机上的智能应用程序来识别花园中的花朵以及如何照料它

10点43的博客 1062

Python 3 色情图片识别

目录(?)[-] Python 3 色情图片识别 一实验简介 11 知识点12 效果展示 二实验步骤 21 安装包22 程序原理23 实现脚本24 测试效果 三实验总结四完整代码 Python 3 色情图片识别 一、实验简介 本实验将使用 Python3 去识别图片是否为色情图片,我们会使用到 PIL 这个图像处理库,会编写算法来划分图

sisiair的博客 1万+

色情图片识别--代码分析

代码逻辑 resize调整大小 为了实现保证长宽比的前提下调整到规定的大小范围,这里先对宽度进行调整,计算maxwidth/width的比例,再计算相应的高度。再比较maxheight与调整后的高度,如果还是过大再按照相同的方法调整宽度。两个if判断后,宽度和高度均满足要求,并保证了图片没有拉伸或压缩。 但是原函数在这里返回了一个状态值(如果没有变化返回 0;原宽度大于 maxwidth 返回 1;原高度大于 maxheight 返回 2;原宽高大于 maxwidth, maxheight 返回 3)不

flying_elephant的博客 1万+

看了大黄的代码以及模板,深感惭愧

T T T T T T T T T T T T T 。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

小媛在努力~ 2万+

用10行代码实现鉴黄

                                                                       (本内容转载自公众号“科技与Python”) 原理:将图片转换为YCbCr模式,在图片中寻找图片色值像素,如果在皮肤色值内的像素面积超过整个画面的1/3,就认为是黄色图片。 简单场景还是够用了,稍微复杂一点就不准确了,例如:整幅画面是人的头像,皮肤色值的...

aeoob的博客 3万+

HTML文字颜色代码大全

HTML文字颜色代码大全

WTC20120518的博客 9618

好玩的python3代码_python好玩的项目—色情图片识别代码分享

一、实验简介本实验将使用 Python3 去识别图片是否为色情图片,我们会使用到 PIL 这个图像处理库,会编写算法来划分图像的皮肤区域1.1. 知识点Python 3 的模块的安装Python 3 基础知识肤色像素检测与皮肤区域划分算法Pillow 模块的使用argparse 模块的使用1.2. 效果展示二、实验步骤2.1. 安装包PIL 2009年之后就没有更新了,也不支持 Python3 ,...

weixin_28685483的博客 2315

【亲测免费】 MLC-AI 开源项目教程

MLC-AI 开源项目教程 项目介绍 MLC-AI 是一个专注于机器学习编译(Machine Learning Compilation)的开源项目,旨在简化机器学习模型的部署和优化过程。该项目提供了一系列工具和库,帮助开发者高效地将机器学习模型从研究环境迁移到生产环境。 项目快速启动 环境准备 首先,确保你已经安装了必要的依赖项: pip install mlc-ai 快速示例 以下是一个简单的...

gitblog_00555的博客 625

html中黄色的代码是什么,HTML黄色欧美形式创意展示网页模板代码

模板描述:黄色 欧美形式 创意展示。HTML黄色欧美形式创意展示网页模板代码HTML模板下载代码结构1. 引入CSS2. 引入JS3. HTML代码51前端HomeWorkBlogAboutContactGallery51前端51前端51前端51前端Bato51前端01/03WelcomePhotography is on it's way.A small river named Duden fl...

weixin_32964881的博客 10万+

MLC LLM:将大模型运行在手机端的部署工具

MLC LLM依赖于开源生态系统,更具体地说,是 TVM Unity,这是 TVM 项目中一个令人兴奋的最新发展,它支持 Python 优先的交互式 MLC 开发体验,使我们能够轻松地用 Python 编写新的优化,并逐步将我们的应用带到感兴趣的环境中。利用优化,如融合量化内核,一流的动态形状支持和不同的 GPU 后端。提供了一个轻量级的基于 C + + 的示例 CLI 应用程序,它展示了如何包装已编译的构件和必要的预/后处理,这将有望澄清工作流程,以便将它们嵌入到本地应用程序中。

小鹏AI 6208
上一篇: lnx 高效搜索引擎,FastDeploy 推理部署工具箱,图神经网络基础公开课,AI前沿论文 | ShowMeAI资讯日报
下一篇: AI超清修复出黄家驹眼里的光、LeCun大佬《深度学习》课程生还报告、绝美画作只需一行代码、AI最新论文 | ShowMeAI资讯日报
ShowMeAI
博客等级 码龄5年 6514粉丝 672原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ShowMeAI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值