Kaggle官方·数据科学比赛经验集；百度开源·飞桨图像数据标注高效工具；C++并发编程实践第2版·笔记；前沿论文 | ShowMeAI资讯日报

ShowMeAI ShowMeAI 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.1w累计阅读 1.2w+平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄5年
关注
原创 最新推荐文章于 2026-01-21 22:15:00 发布 1.1w 阅读 AI 写同款· GEO 优化 ›
交互式标注工具-Paddlelabel PaddleLabel 是基于飞桨 PaddlePaddle 各个套件功能提供的配套标注工具。目前支持对分类、检测、分割、OCR 四种常见的计算机视觉任务数据集进行标注和管理，除基础的手动标注功能外也支持深度学习辅助标注，可以有效地提升标注效率。重点是free free free！！！优点：1.简单 一行 pip install 安装，手动标注直观易操作，机器学习后端安装即用无需复杂配置，极易上手2.高效支持交互式分割和多种预标注，显著提升标注效率和精度。 阅读详情

👀日报合辑 | 📆电子月刊 | 🔔公众号下载资料 | 🍩@韩信子

工具&框架

🚧 『Surge』快速的开源化学图生成器

https://github.com/StructureGenerator/surge

Surge 是一个基于 Nauty 软件包的化学结构生成器。给定分子式后，Surge 可以生成所有的异构体。Surge 作为命令行工具使用时，运行 surge -u XXX 将在0.1秒内生成几十万种异构体。

🚧 『MARLlib』面向研究和行业的通用 MARL 基准

https://github.com/Replicable-MARL/MARLlib

https://sites.google.com/view/marllib

Multi-Agent RLlib（MARLlib）是一个基于 Ray 及其工具包之一 RLlib 的多 Agent 强化学习基准。它为MARL研究界提供了一个统一的平台，用于开发和评估各种多代理环境中的新想法。MARLlib有四个核心特点。

  • 收集了大部分被社区广泛认可的现有MARL算法，并将它们统一在一个框架下。
  • 提供了一个解决方案，使不同的多代理环境使用相同的接口与代理进行交互。
  • 保证了训练和抽样过程的出色效率。
  • 提供了训练的结果，包括学习曲线和针对每个任务和算法组合的预训练模型，并有微调的超参数来保证可信度。

🚧 『PaddleLabel』飞桨高效图像数据标注工具

https://github.com/PaddleCV-SIG/PaddleLabel

PaddleLabel 是基于飞桨 PaddlePaddle 各个套件的特性提供的配套标注工具，涵盖分类、检测、分割三种常见的计算机视觉任务的标注能力，具有手动标注和交互式标注相结合的能力。用户可以使用 PaddleLabel 方便快捷的标注自定义数据集，并将导出数据用于飞桨提供的其他套件的训练预测流程中。

整个 PaddleLabel 包括三部分：PaddleLabel-Frontend 是基于 React 和 Ant Design 构建的 PaddleLabel 前端，PaddleLabel-ML 是基于 PaddlePaddle 的自动和交互式标注的机器学习后端。以下分别是图像分类标注、目标检测标注、语义分割标注、实例分割标注的示例。

🚧 『Nucleus model server』与Cortex兼容的Python & TensorFlow模型服务器

https://github.com/cortexlabs/nucleus

Nucleus 是一个用于 TensorFlow 和通用 Python 模型的模型服务器，与 Cortex 集群、Kubernetes 集群和任何其他基于容器的部署平台兼容，也可以通过 docker compose 在本地运行。

🚧 『db2es』同步数据库到数据ES(ElasticSearch)

https://github.com/wangfan002/db2es

db2es是个同步数据库到数据ES的工具，具备下方所述的诸多优点。图片是接口展示 & 主要流程图。

  • 对大数据量同步性能更出色,基于id或自增列进行多线程分批同步
  • 完全由java语言进行开发,数据清洗更为简单
  • 基于Sqlserver日志的CDC增量同步
  • 支持同步完毕的邮件和钉钉通知
  • 同步基于sql,支持mysql,sqlserver等关系型数据库
  • 支持多ES集群

博文&分享

👍 『The Kaggle Book』Kaggle 数据分析与机器学习经验汇总（附超全代码） 1.4k Star

https://github.com/PacktPublishing/The-Kaggle-Book

Kaggle 作为知名的数据科学竞赛平台，吸引了世界各地数百万数据爱好者参与其中。参加 Kaggle 比赛，可以提高数据分析技能、与社区其他成员建立联系、并获得宝贵经验与职业发展助力。

本书由两位 Kaggle 大佬合著，并采访了 31 位 Kaggle大牛。书中汇集了比赛&数据科学项目所需的技术和技能，传授千锤百炼的建模策略和独家技巧，以及基于图像数据、表格数据、文本数据和强化学习来处理任务的通用技术，并掌握如何设计更好的验证方案并更轻松地使用不同的评估指标。

本书适合 Kaggle 用户和数据分析师/科学家，需要对数据科学主题和 Python 有基本的了解，并希望在 Kaggle 比赛中获得更好的成绩，或者在大厂求职成功。书籍所有代码都可在 Colab 或 Kaggle 查看和运行。

👍 『Cpp Concurrency in Action 2ed』C++并发编程实践第2版·笔记

https://github.com/downdemo/Cpp-Concurrency-in-Action-2ed

https://downdemo.github.io/Cpp-Concurrency-in-Action-2ed/

Anthony Williams写了《C++并发编程实践第2版》一书，这本书在 2012 年出版了第1版 ，并在 2019 年 2 月出版了第二版，本篇为其对应的笔记，覆盖线程支持库的基本用法和并发编程的设计思想与实践方法，原书作者介绍了C++17 标准库并行算法，笔记作者补充了 C++20 相关特性。

数据&资源

🔥 『FSL-Mate』少样本学习(FSL)资源集合

https://github.com/tata1661/FSL-Mate

FSL-Mate 少样本学习 (FSL) 的资源集合，目前由两部分组成：

  • FewShotPapers：跟踪 FSL 研究进展的论文列表
  • PaddleFSL : 基于 PaddlePaddle 的 FSL python 库

🔥 『Awesome Graph & SSL-based Recommendation』基于图/自监督学习的推荐相关资源大列表

https://github.com/juyongjiang/awesome-graph-self-supervised-learning-based-recommendation

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。

科研进展

  • 2022.08.16 『计算机视觉』 Style Your Hair: Latent Optimization for Pose-Invariant Hairstyle Transfer via Local-Style-Aware Hair Alignment
  • 2022.08.12 『自然语言处理』Mining Legal Arguments in Court Decisions
  • 2022.07.08 『个性化联邦学习』pFL-Bench: A Comprehensive Benchmark for Personalized Federated Learning
  • 2022.08.17 『计算机视觉』Incremental 3D Scene Completion for Safe and Efficient Exploration Mapping and Planning

⚡ 论文：Style Your Hair: Latent Optimization for Pose-Invariant Hairstyle Transfer via Local-Style-Aware Hair Alignment

论文时间：16 Aug 2022

领域任务：计算机视觉

论文地址：https://arxiv.org/abs/2208.07765

代码实现：https://github.com/taeu/style-your-hair

论文作者：Taewoo Kim, Chaeyeon Chung, Yoonseo Kim, Sunghyun Park, Kangyeol Kim, Jaegul Choo

论文简介：Editing hairstyle is unique and challenging due to the complexity and delicacy of hairstyle./由于发型的复杂性和微妙性，编辑发型是独特而具有挑战性的。

论文摘要：由于发型的复杂性和微妙性，编辑发型是独特的和具有挑战性的。尽管最近的方法大大改善了头发的细节，但当源图像的姿势与目标头发图像的姿势有很大不同时，这些模型往往会产生不理想的输出，从而限制了它们在现实世界的应用。HairFIT，一个姿势不变的发型转移模型，缓解了这一限制，但在保留精致的头发纹理方面仍然显示出不尽人意的质量。为了解决这些限制，我们提出了一个高性能的姿势不变的发型转移模型，该模型配备了潜在的优化和一个新提出的局部风格匹配损失。在StyleGAN2潜伏空间中，我们首先探索目标头发的姿势对齐潜伏代码，并基于局部风格匹配保留了详细的纹理。然后，我们的模型考虑到对齐的目标头发，对源头的遮挡进行涂抹，并混合这两幅图像以产生最终输出。实验结果表明，我们的模型在较大的姿势差异下转移发型和保留局部发型纹理方面具有优势。

⚡ 论文：Mining Legal Arguments in Court Decisions

论文时间：12 Aug 2022

领域任务：Argument Mining, Natural Language Processing，自然语言处理

论文地址：https://arxiv.org/abs/2208.06178

代码实现：https://github.com/trusthlt/mining-legal-arguments

论文作者：Ivan Habernal, Daniel Faber, Nicola Recchia, Sebastian Bretthauer, Iryna Gurevych, Indra Spiecker genannt Döhmann, Christoph Burchard

论文简介：Identifying, classifying, and analyzing arguments in legal discourse has been a prominent area of research since the inception of the argument mining field./识别、分类和分析法律话语中的论点，自论证挖掘领域成立以来一直是一个突出的研究领域。

论文摘要：自论证挖掘领域成立以来，识别、分类和分析法律话语中的论据一直是一个突出的研究领域。然而，在自然语言处理（NLP）研究者对法庭裁决中的论点进行建模和注释的方式与法律专家理解和分析法律论证的方式之间存在着重大差异。计算方法通常将论据简化为一般的前提和主张，而法律研究中的论据通常表现出丰富的类型，这对于深入了解特定的案件和一般的法律应用非常重要。我们解决了这个问题，并为推动该领域的发展做出了一些实质性的贡献。首先，我们为欧洲人权法院（ECHR）诉讼程序中的法律论据设计了一个新的注释方案，该方案深深植根于法律论证研究的理论和实践。其次，我们汇编并注释了373个法院判决的大型语料库（230万个标记和15000个注释的论证跨度）。最后，我们训练了一个论证挖掘模型，该模型在法律NLP领域的表现超过了最先进的模型，并提供了一个全面的基于专家的评估。所有的数据集和源代码都可以在 https://github.com/trusthlt/mining-legal-arguments 获取，在开放的法律许可下使用。

⚡ 论文：pFL-Bench: A Comprehensive Benchmark for Personalized Federated Learning

论文时间：8 Jun 2022

领域任务：Fairness, Personalized Federated Learning，公平，个性化联邦学习

论文地址：https://arxiv.org/abs/2206.03655

代码实现：https://github.com/alibaba/federatedscope

论文作者：Daoyuan Chen, Dawei Gao, Weirui Kuang, Yaliang Li, Bolin Ding

论文简介：Personalized Federated Learning (pFL), which utilizes and deploys distinct local models, has gained increasing attention in recent years due to its success in handling the statistical heterogeneity of FL clients./个性化的联合学习（pFL），利用和部署不同的本地模型，由于其在处理FL客户的统计异质性方面的成功，近年来获得了越来越多的关注。

论文摘要：个性化联合学习（pFL），利用和部署不同的本地模型，由于其在处理FL客户的统计异质性方面的成功，近年来获得了越来越多的关注。然而，对不同的pFL方法进行标准化评估和系统分析仍然是一个挑战。首先，高度不同的数据集、FL模拟设置和pFL实现阻碍了对pFL方法的快速和公平比较。其次，在各种实际情况下，如新客户的普及和资源有限的客户参与，pFL方法的有效性和稳健性都没有得到充分的探索。最后，目前的pFL文献在采用的评估和消融协议方面存在分歧。为了应对这些挑战，我们提出了第一个全面的pFL基准，pFL-Bench，以促进快速、可重复、标准化和彻底的pFL评估。该基准包含10多个不同应用领域的数据集，具有统一的数据分区和现实的异构设置；一个模块化和易于扩展的pFL代码库，具有20多个有竞争力的pFL基线实现；以及在容器化环境下对通用性、公平性、系统开销和收敛性的系统评估。我们强调了最先进的pFL方法的优点和潜力，并希望pFL-Bench能够进一步促进pFL的研究和广泛的应用，否则由于缺乏专门的基准而难以实现。该代码发布在 https://github.com/alibaba/FederatedScope/tree/master/benchmark/pFL-Bench

⚡ 论文：Incremental 3D Scene Completion for Safe and Efficient Exploration Mapping and Planning

论文时间：17 Aug 2022

领域任务：Efficient Exploration，计算机视觉

论文地址：https://arxiv.org/abs/2208.08307

代码实现：https://github.com/ethz-asl/ssc_exploration

论文作者：Lukas Schmid, Mansoor Nasir Cheema, Victor Reijgwart, Roland Siegwart, Federico Tombari, Cesar Cadena

论文简介：We further present an informative path planning method, leveraging the capabilities of our mapping approach and a novel scene-completion-aware information gain./我们进一步提出了一种信息性的路径规划方法，利用我们的映射方法的能力和一种新的场景完成意识的信息增益。

论文摘要：未知环境的探索是机器人学的一个基本问题，也是自主系统众多应用中的一个重要组成部分。探索未知环境的一个主要挑战是，机器人必须利用每个时间步骤的有限信息进行规划。虽然目前的大多数方法是依靠启发式方法和假设来规划基于这些部分观察的路径，但我们提出了一种新的方法，通过利用三维场景的完成，将深度学习整合到探索中，以实现知情、安全和可解释的探索制图和规划。我们的方法，SC-Explorer，使用一个新的增量融合机制和一个新提出的分层多层映射方法将场景完成结合起来，以保证机器人的安全和效率。我们进一步提出了一种信息性的路径规划方法，利用我们的映射方法的能力和一种新的场景完成意识的信息增益。虽然我们的方法是普遍适用的，但我们在微型飞行器（MAV）的使用案例中对其进行了评估。我们在仅使用移动硬件的高保真模拟实验中彻底研究了每个组件，并表明我们的方法与基线相比，可以将环境的覆盖率提高73%，而地图的精确度却降低得很少。即使场景完成度不包括在最终的地图中，我们也表明它们可以被用来指导机器人选择更有信息量的路径，使机器人的传感器对场景的测量速度加快了35%。我们将我们的方法作为开放源码提供。

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 日报合辑，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 电子月刊，快速浏览月度合辑。

◉ 点击 这里 ，回复关键字 日报 免费获取AI电子月刊与论文 / 电子书等资料包。

收录于
ShowMeAI日报 ⛽ 用知识加速每一次技术进步

当前文章被收录于：

ShowMeAI日报 ⛽ 用知识加速每一次技术进步
373 篇文章 115 人学习

ShowMeAI带你一览领域发展前沿，抓住最新发展机会！📬 订阅专栏，第一时间接收推送。 🎡 关注 ShowMeAI，获取结构化成长路径和全套资料库，用知识加速每一次技术进步~

订阅专栏 查看详情
标签
#百度 #人工智能 #机器学习 #tensorflow #神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
kaggle竞赛平台上数据集下载详解 从kaggle 网站上下载数据集既保证了速度又避免了网络的不稳定造成下载失败问题。该平台也可以上传代码作为自己的代码库，不过本人更习惯将代码上传到github上。希望本人整理的kaggle库使用技巧能够帮助到正在阅读本博客的你。此外还有一篇博客针对kaggle数据集下载问题的几个问题的相关文章进行了整理【博客链接】。 阅读详情

相关推荐

Kaggle入门——泰坦尼克之灾

PassengerID—ID,具有唯一标识的作用，一个人员对应一个IDSurvived -- 是否幸存,1表示是，0则表示否Pclass -- 船舱等级,1:一等舱,2:二等舱,3:三等舱（较为重要）Name -- 姓名（可提取出更多信息）Sex -- 性别,female女性,male男性（较为重要）Age -- 年龄（较为重要）SibSp – 旁系亲友Parch – 直系亲友Ticket -- 船票Fare -- 票价Cabin -- 舱位Embarked -- 登船港口编号。

m0_73624760的博客 3728

Kaggle入门指南（Kaggle竞赛）

Kaggle 的核心之一就是竞赛。在这里，用户可以找到来自各个行业的挑战，参与者需要根据给定的数据集构建模型，并在排行榜上竞争。竞赛的主题涵盖了从图像识别到自然语言处理等多个领域。Kaggle 是数据科学领域的重要平台，提供了丰富的学习与实践机会。从注册、数据集的使用，到参与竞赛与分享经验，Kaggle 帮助用户不断提高技能。在此过程中，不断学习和探索新知识，将是获得成功的关键。

Dontla的博客 6万+

记录rk3588 在Linux 6.1内核版本声卡 bug。

rk3588 Audio bug

Yongheng6的博客 855

大数据竞赛平台——Kaggle 入门

大数据竞赛平台——Kaggle 入门篇 这篇文章适合那些刚接触Kaggle、想尽快熟悉Kaggle并且独立完成一个竞赛项目的网友，对于已经在Kaggle上参赛过的网友来说，大可不必耗费时间阅读本文。本文分为两部分介绍Kaggle，第一部分简单介绍Kaggle，第二部分将展示解决一个竞赛项目的全过程。如有错误，请指正！ 1、Kaggle简介 Kaggle是一个数据分析的竞赛平台，网址：ht

wepon的专栏 30万+

激光打标轴坐标计算分析

‌：基于坐标差的平方和开方运算，勾股定理将几何关系转化为代数计算，从而实现了从坐标到距离的精确转换‌12。直角三角形的应用从上图可以看到A,B,P三个点连起来就是一个直角三角形了。用勾股定理计算距离 C#有相关的方法直接传参数就可以了。很方便。

StevenChen的博客 311

python批量调用大模型API：多线程和异步协程

本文介绍了利用多线程技术批量调用大模型API的实现方法。核心是通过并发请求提高处理效率，主要采用线程池管理并发数量、结果聚合等技术。文章提供了一个完整的Python实现示例，包含APIBatchCaller类及其single_api_call和batch_call方法，详细解析了并发控制、错误处理等关键点，并给出了使用注意事项，包括并发数设置、重试策略和超时处理等。该方案特别适合IO密集型任务，能显著提升批量API调用的效率。

Cachel Wood的博客 760

效率与质量齐飞，标注工具全面横评

人工智能的发展过程中，数据、算力、算法缺一不可。目前，深度学习是AI的主流算法，训练数据在深度学习训练中起到重要作用。很多情况下，“大量数据+普通模型”比“小量数据+高级模型”的准确度要高。

迷若烟雨的专栏 3万+

①电子产品拆解分析-暖手宝

电子产品拆解分析-暖手宝 ①按键三档调温暖手； ②长按进入氛围呼吸灯； ③安卓接口充电以及支持USB输出；

a6662580的博客 5294

Kaggle操作完整指南（2023版）

Kaggle注册步骤1： https://www.kaggle.com/account/loginKaggle支持两种注册，使用谷歌账号注册 或 邮箱注册。因为现在Kaggle被谷歌收购，推荐第一种方法，即使用谷歌账号/邮箱注册。如果使用其他邮箱注册，建议使用稳定的邮箱，比如qq邮箱。不要用小众邮箱，邮箱关闭了你Kaggle账号的丢了。步骤2：填写个人信息，这里需要验证码，需要网络代理（你要能上谷...

fengdu78的博客 9914

思博伦仪表打流测试使用总结

下图红框中的checkbox为选中状态时，表示该流会携带测试仪做一些分析，包括时延和乱序等信息时需要的一些字节，当改选项选中时，如配置IPv4的TCP流，最小字节长度必须为78字节；如果需要64字节的TCP流，改选项必须不选中；

陌上花开缓缓归以的博客 1465

【制作100个unity游戏之22】3DRPG游戏开发01——项目的设置和导入及渲染管线的安装修复

如果你现在存在一些疑惑unity导入素材为什么是粉紫色的？表示他没有适配我们的URP通用渲染管线，要如何适配呢？素材渲染错误丢失要如何解决？如果你有上面3个任意的问题，那这篇文章同样适合你，我将手把手教你如何安装修复渲染管线，看完你就了解了！在Unity中，他们都是渲染管线，它们的主要区别在于性能和功能。LWRP是早期版本的URP，它专门为移动设备和低端PC设计，旨在提供更高的性能。它使用基于顶点的光照和简化的后处理效果，可以在更低的硬件要求下运行。

向宇的博客，专注php/web全栈 unity游戏开发，欢迎大家评论纠错 2429

Paddlelabel安装和使用遇到问题解决

paddlelabel的安装和使用遇到的问题解决

weixin_48846747的博客 5428

模型可解释性分析：基于SHAP的深度探索

SHAP模型可解释性分析摘要 本文系统性地介绍了SHAP（SHapley Additive exPlanations）方法在机器学习模型可解释性分析中的应用。SHAP基于博弈论的Shapley值理论，为特征重要性评估提供了统一框架。文章详细阐述了四种核心算法：Kernel SHAP（模型无关方法）、Tree SHAP（针对树模型的高效算法）、Deep SHAP（适用于深度学习）和Linear SHAP（线性模型专用）。通过Python实现展示了从数据准备到SHAP分析的全流程，包括摘要图、依赖图等可视化技术

huanghm88的专栏 611

kaggle平台free使用GPU

选择【ACCELERATOR】，在下拉框中可以选择你想使用的GPU，如【GPU P100】，（建议把【Internet】打开【Internet on】在使用中可能下载数据，安装库会使用到，默认是打开的）回到主界面，点击【头像】进入【Settings】，下划至【Quotas】，如下可以看到，总时长为30小时，已经使用7分钟（每周30小时免费时长）输入【邮箱】、【密码】和【用户名】后，勾选【进行人机身份验证】，【Next】下一步。创建成功后界面默认如下，点击左上角【运行】按钮，初始化会话环境。

zqx1473的博客 1万+

某物data魔改与变种算法还原（含加解密Py纯算）

某物data加解密、设备指纹魔改、变异、自定义加密分析与纯算还原

吴秋霖的博客 1281

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。

PaddleLabel百度飞桨Al Studio图像标注平台安装和使用指南（包冲突 using the ‘flask‘ extra、眼底医疗分割数据集演示）

PaddleLabel是百度开源的企业级图像标注平台，专为机器学习数据准备而设计。该工具支持五大计算机视觉任务：图像分类（质量检测、内容审核）、目标检测（自动驾驶、安防监控）、语义分割（医学影像、遥感分析）、实例分割（精密制造、细胞计数）和文字识别（票据识别、文档数字化）。

开源AI 专属 UI——papyrai-ui。《千界明彻录》（故事形式构建元思维）——胡说小说。更多思辨内容在公众号。 2606

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

【Windows系统】PPOCRLabel安装和使用

PPOCRLabel是一款专为OCR（Optical Character Recognition，光学字符识别）设计的半自动图形标注工具。它内置了PaddleOCR模型，能够在标注过程中自动检测并重新识别图像中的文字，大大提高了数据准备的效率和准确性

qq_62844901的博客 1万+

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")

汉书HE8，好用的汇编代码编写工具

汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大

Kaggle入门指南（Kaggle竞赛）(免费)

Kaggle入门指南（2025版）

baidu_34487688的博客 7549

【PaddleOCR的简单使用】

【PaddleOCR的简单使用，及对官网低代码平台简单使用】

qq_43479628的博客 9861

【Kaggle竞赛】Kaggle竞赛了解

kaggle上的竞赛主要分为A类赛和B类赛。 A类赛主要适合用传统的机器学习算法做，偏向与文本数据处理，比如房价预测，文本分类等； B类赛则几乎都是用神经深度学习算法做，偏向于图像识别/目标检测等方向，比如基础的猫狗识别、cifar10图像分类、蛋白质识别等。根据我的亲身体验，真的需要配置好的服务器做基础才行啊！

专注计算机视觉算法训练，算法优化部署以及SDK开发的知识分享。 8325

科研小白扫盲：kaggle平台使用指导指南！一文说清楚！

kaggle是世界上最大的数据科学社区，是一个为数据科学和机器学习提供竞赛、数据集和工具的在线平台。该网站通过向用户提供不同领域的实际问题和数据集，吸引了全球数据科学家和机器学习从业者的关注。kaggle还为用户提供机器学习模型的开发、部署和管理工具，以及数据可视化和其他特定于数据科学领域的工具。通过kaggle，用户可以学习和交流最新的数据科学技术，同时也有机会参加实际的竞赛并赢得丰厚的奖金，提高自己的数据科学技能和经验。

yyyyyybw的博客 1万+

【亲测免费】 PaddleLabel 项目教程

PaddleLabel 项目教程 1. 项目的目录结构及介绍 PaddleLabel 项目的目录结构如下： PaddleLabel/ ├── github/ │ └── workflows/ ├── doc/ ├── paddlelabel_ml/ ├── tool/ ├── .gitignore ├── .pre-commit-config.yaml ├── LICENSE ├── MANI...

gitblog_00974的博客 1243

半身全身发型替换之一: 方法调研以及相关问题

提出全身半身情况下的发型替换问题和解决思路。

xiexiecn的专栏 803

动手学深度学习——Kaggle小白入门

CUDA是NVIDIA提供的一种GPU并行计算框架，在pytorch中使用 .cuda() 表示让我们的模型或者数据从CPU迁移到GPU上（默认是0号GPU），通过GPU开始计算。注意：GPU使用时长的计算不是以实际运算时间来计，而是以用户绑定GPU设备的时长来计，这意味着哪怕你的代码没有在GPU上运行，只是简单绑定也会计算你的使用时长。

golfxiao的专栏 7617

【计算机视觉 | Kaggle】保姆级教程：入门 Kaggle 的步骤详细介绍

【计算机视觉 | Kaggle】保姆级教程：入门 Kaggle 的步骤详细介绍

wzk4869的博客 5761

机器学习的算法竞赛：如何在Kaggle上取得成功

1.背景介绍 机器学习(Machine Learning)是一种人工智能(Artificial Intelligence)的子领域，它涉及到计算机程序自动化地学习和改进其行为方式。机器学习的主要目标是让计算机程序能够从数据中自主地学习、理解和挖掘出有价值的信息，从而实现对未知数据的处理和预测。 Kaggle是一个在线机器学习竞赛平台，它为机器学习爱好者和专业人士提供了一个共享数据集和竞赛的场所...

AI天才研究院 2291
上一篇： TensorFlow？PyTorch？Paddle？AI工具库生态之争：ONNX一统天下 ⛵
下一篇： 只能用于文本与图像数据？No！看TabTransformer对结构化业务数据精准建模 ⛵
点赞 1
评论 1
书签 书签 4
ShowMeAI
ShowMeAI
博客等级 码龄5年 6514粉丝 672原创
+ 关注 专栏目录 订阅专栏
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 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