今天分享:
(1)从零开始设计一个分类模型;
(2)无监督视觉系统特征学习算法;
(3)脑机接口资料汇总;
(4)利用TensorFlow实现最新的论文;
(5)Raspberry Pi 3 实现智能识别 ;
1.【博客】What I Learned Implementing a Classifier from Scratch in Python
简介:
![10012741_MpJU.jpg](https://static.oschina.net/uploads/img/201709/10012741_MpJU.jpg)
在这篇文章中,作者利用 Python 从零开始实现了一个二分类的机器学习算法,并且详细的分析了构建一个机器学习模型的步骤:
- 数据清洗
- 学习算法的设计
- 模型评估
- 模型预测
2.【博客】Learning Features by Watching Objects Move
简介:
![10012742_aiyL.jpg](https://static.oschina.net/uploads/img/201709/10012742_aiyL.jpg)
本文提出了一种新颖的无监督特征学习算法。受到人类视觉系统的启发,我们讨论是否可以使用基于低级运动的分组线性来学习有效的视觉表示。具体来说,我们使用无监督的基于运动的视频分割来获取片段,我们将其用作“伪地面真相”来训练卷积神经网络,以从单个帧中分割对象。
原文链接:https://people.eecs.berkeley.edu/~pathak/unsupervised_video/
3.【资料】Curated Collection of BCI resources
简介:
这是一个有关脑机接口的资料汇总,包括软件,硬件,大脑数据库,项目入门,交流社区,竞赛等等。
原文链接:https://github.com/NeuroTechX/awesome-bci
4.【代码】TensorFlow With The Latest Papers Implemented
简介:
这个文章汇总了利用RNN实现NLP相关的最新文章和代码实现,具体包括如下:
- Delta RNN
- Highway Networks
- Recurrent Highway Networks
- Multiplicative Integration Within RNNs
- Recurrent Dropout
- Layer Normalization
- Layer Normalization & Multiplicative
- Integration
- LSTM With Multiple Memory Arrays
- Minimal Gated Unit RNN
- Residual Connections Within Stacked RNNs
- GRU Mutants
- Weight Tying
原文链接:https://github.com/NickShahML/tensorflow_with_latest_papers
5.【代码】BerryNet: Deep Learning Gateway on Raspberry Pi
简介:
![10012742_1Sgw.jpg](https://static.oschina.net/uploads/img/201709/10012742_1Sgw.jpg)
这个项目使得 Raspberry Pi 3 称为一个智能门户,你可以在它上面运行深度学习模型,使得机器更加智能。而且,你不需要链接任何的互联网,所以的一切都在本地 Raspberry Pi 3 上面完成。
原文链接:https://github.com/DT42/BerryNet