机器学习、深度学习、强化学习、迁移学习

本文主要讲解：BP-LSTM-Attention-transformer，含数据，可直接运行，

本文主要讲解：pytorch pso优化cnn-lstm 智慧海洋-渔船轨迹识别

本文主要讲解：PSO粒子群优化-BP神经网络-优化神经网络神经元个数dropout和batch_size

本文主要讲解SE-ResNet34对结构性数据进行多分类

本文主要讲解交叉熵损失(categorical_crossentropy)和focal_loss对比-BP神经网络

● Word2Vec中skip-gram是什么,Negative Sampling怎么做参考回答：Word2Vec通过学习文本然后用词向量的方式表征词的语义信息,然后使得语义相似的单词在嵌入式空间中的距离很近。而在Word2Vec模型中有Skip-Gram和CBOW两种模式,Skip-Gram是给定输入单词来预测上下文,而CBOW与之相反,是给定上下文来预测输入单词。Negative Sampling是对于给定的词,并生成其负采样词集合的一种策略,已知有一个词,这个词可以看做一个正例,而它的上下文词集可

1、摘要本文主要讲解：使用SSA麻雀算法-LSTM-优化神经网络神经元个数-dropout-batch_size主要思路：SSA Parameters ：优化函数、粒子数量、搜索维度、迭代次数

1、摘要本文主要讲解：PSO粒子群优化-LSTM-优化神经网络神经元个数dropout和batch_size，目标为对沪深300价格进行预测主要思路：PSO Parameters ：粒子数量、搜索维度、所有粒子的位置和速度、个体经历的最佳位置和全局最佳位置、每个个体的历史最佳适应值LSTM Parameters 神经网络第一层神经元个数、神经网络第二层神经元个数、dropout比率、batch_size开始搜索：初始粒子适应度计算、计算初始全局最优、计算适应值、初始全局最优参数、适应度函数、更新

python机器学习深度学习代做

1、摘要本文主要讲解：PSO粒子群优化-LSTM-pyswarms框架-实现期货价格预测主要思路：从网上找到影响期货价格预测的相关数据，爬取下来并处理好，形成时间序列训练数据使用train_test_split划分训练集和测试集训练数据和测试数据进行标准化处理：StandardScaler.fit_transform建立LSTM模型，激活函数用relu，使用SGD去优化使用pyswarms更新模型的权重画PSO-LSTM实际值与预测值结果图2、数据介绍上海期货交易所每月行情，请看文末

1、摘要本文主要讲解：SinGAN-一张照片即可生成一模一样的照片(附简化版代码)主要思路：先由一个Z_N输入到G_N的生成器得到生成图像（这一步是单纯由噪声生成，其他生成器的输入都是由随机噪声图像z_n和上一层生成的 上采样到当前生成器尺寸组成）。接着利用生成图像的图像块（每一层图像块的大小不一样，按照由粗糙到精细、由大到小）和当前层的图像块（由训练数据下采样得到）放入判别器中进行判断，直到两者不能被判别器区分。通过这种一层一层、由下往上的训练过程，得到最终的结果。2、相关技术SinGA

1、摘要本文主要讲解：使用GAN变种ACGAN、CGAN、DCGAN、EBGAN跑minst、Fashion_mnist、KMINST、QMINST四种数据集主要思路：先下载KMINST、QMINST数据集，因为这两种代码没法直接下安装pytorch-gpu版本才能跑得快理解各种GAN的变种2、数据介绍KMINST3、相关技术ACGAN是在CGAN基础上的进一步拓展，采用辅助分类器（Auxiliary Classifier）使得GAN获取的图像分类的功能。CGAN通过结合标签信息来提

任务依据给定的蝴蝶在野外环境中的图像以及对应的标注文件，建立机器学习、深度学习模型来对图像中的蝴蝶进行目标检测。数据说明用于竞赛的数据集应下载至datasets文件夹下，下载地址为http://www.sciencedb.cn/dataSet/handle/706，下载后应共有两个文件夹：Annotations和JPEGImages。其中Annotations为数据集的标注信息文件夹，包含每个训练图像对应的xml文件，内容格式可参考pascal voc 2007数据集中的标注文件格式，采用UTF-8

深度学习资料大全！大量在imagenet上获得前几名的神经网络模型和权重，dense net，Resnet,wrn,vgg等并附带各种介绍顺便介绍了一下预训练和转移学习！