动手学深度学习-mxnet源代码

基于MNIST样式的自动编码器 （AAE）模型，可在高斯分布多元变量上对MNIST图像的样式信息进行编码。 这里使用的模型是从在第4所讨论的一个（监督对抗性自动编码）略有不同。 在本文中，仅解码器具有指示数字的标签。 鉴于此，我们还为编码器提供了标签。 路线图 简单的自动编码器 可视化潜在特征空间（样式空间）的脚本。 对抗式自动编码器，可将样式空间调整为高斯分布。 一个脚本，用于从随机样式矢量生成所有数字的图像。 设置 $ python3 -m venv pyenv $ source pyenv/bin/activate $ pip3 install -r requirements.txt 用法 $ ./mnist-sae.py --help usage: mnist-sae.py [-h] [--batch-size B] [--epochs E] [--lr LR]

网上大多代码为yolo3+deepsort,我自己稍微改了一下,改成mxnet的ssd+deepsort,通过学习deepsort才知道原来检测与deepsort就像两块积木一样,拼接在一起就好了

MXNET深度学习官方指南MXNET深度学习官方指南MXNET深度学习官方指南

InsightFace：2D和3D人脸分析项目 和 执照 InsightFace的代码根据MIT许可证发布。 学术和商业用途均不受限制。 包含注释的训练数据（以及使用这些数据训练的模型）仅可用于非商业研究目的。 介绍 InsightFace是主要基于MXNet的开源2D＆3D深度面部分析工具箱。 主分支MXNet 1.2工程1.6，与Python 3.x的。 ArcFace视频演示 请点击图片观看YouTube视频。 对于Bilibili用户，请单击。 最近更新 2021-01-20 ： 根据实施ArcFace和部分FC的。 2020-10-13 ：DeepGlint发布一种新的训练方法和一个大型训练集（360K ID）。 2020-10-09 ：我们开放了大规模识别测试基准 2020-08-01 ：我们发布了具有快速坐标回归功能（106分）的轻型面部界标模型。 查看详细。 2

流量预测 交通预测是使用历史数据（时间序列）预测道路网络（图形）中未来交通测量（例如，体积，速度等）的任务。 通常可以通过排除来更好地定义事物，因此以下是我不包括的类似事物： 不包括纽约出租车和自行车（以及其他类似的数据集，例如uber），因为它们倾向于表示为网格而不是图形。 通过室内，通过兴趣点（POI）值机或通过运输网络来预测人员流动性。 预测轨迹。 通过传感器为自动驾驶汽车预测单个汽车的运动。 交通数据估算。 交通异常检测。 这些文件是随意选择的。 概括 纸上表格和公开数据集的表格摘要。 纸张按时间顺序反向排序。 不保证此表的完整性或准确性（如果发现任何错误，请提出问题）。 纸 会场 出版日期 ＃个其他数据集 麦德龙 PeMS-BAY PeMS-D7（M） PeMS-D7（L） PeMS-04 PeMS-08 环形 深圳出租车 损失环 PeMS-03 P

mxnet 1.3.1版本，有image_classification

mxnet修改后的fine_tune文件

GluonTS-Python中的概率时间序列建模 GluonTS是一个用于概率时间序列建模的Python工具包，它围绕构建。 GluonTS提供了用于加载和迭代时间序列数据集，准备好进行培训的最新模型以及用于定义自己的模型并快速尝试不同解决方案的构建基块的实用程序。 安装 GluonTS需要Python 3.6，最简单的安装方法是通过pip ： pip install --upgrade mxnet~=1.7 gluonts Dockerfiles 可以在文件夹中找到与Amazon Sagemaker兼容的 。 快速入门指南 这个简单的示例说明了如何从GluonTS训练一些数据的模型，然后使用它进行预测。 第一步，我们需要收集一些数据：在本示例中，我们将使用提及AMZN标记符号的大量推文。 import pandas as pd url = "https://raw.githubusercontent.com/numenta/NAB/master/data/realTweets/Twitter_volume_AMZN.csv" df = pd . read_csv ( url

深度学习模型转换器：针对不同深度学习框架软件的深度学习模型的转换器转换