深度语义角色标签 该存储库包含用于训练和使用Deep SRL模型的代码，该代码在以下内容中进行了描述： 如果您使用我们的代码，请按以下方式引用我们的论文： @inproceedings {he2017deep， title = {深层语义角色标签：什么起作用，下一步是什么}， 作者= {他，鲁恒和李，肯顿和刘易斯，迈克和Zettlemoyer，卢克}， booktitle = {计算语言学协会年会论文集}， 年= {2017} } 入门 先决条件： python应该使用Python2。您可以使用virtualenv进行模拟。 点安装numpy pip install theano ==

Keras可视化工具包 keras-vis是用于可视化和调试已训练的keras神经网络模型的高级工具包。 当前支持的可视化包括： 激活最大化 显着图 类激活图 默认情况下，所有可视化都支持N维图像输入。 即，它推广到模型的N维图像输入。 该工具包通过干净，易于使用和可扩展的界面将上述所有问题归纳为能量最小化问题。 与theano和tensorflow后端兼容，具有“ channels_first”，“ channels_last”数据格式。 快速链接 阅读位于的文档。 日语版为 。 加入闲暇来提问/讨论。 我们正在中跟踪新功能/任务。 如果您愿意帮助我们并提交PR，将非常乐意。 入门 在图像反向传播问题中，目标是生成使某些损失函数最小化的输入图像。 设置图像反向传播问题很容易。 定义加权损失函数 在中定义了各种有用的损失函数。 可以通过实现来定义自定义损失函数。 from vis . losses import ActivationMaximization from vis . regularizers import TotalVariation , LPNorm fil

状态：存档（代码按原样提供，预计无更新） 伯特·凯拉斯 Google BERT（来自Transformers的双向编码器表示）的Keras实现和OpenAI的Transformer LM能够使用微调API加载预训练的模型。 更新：得益于 TPU支持进行推理和训练 如何使用它？ # this is a pseudo code you can read an actual working example in tutorial.ipynb or the colab notebook text_encoder = MyTextEncoder ( ** my_text_encoder_params ) # you create a text encoder (sentence piece and openai's bpe are included) lm_generator = lm_generator ( text_encoder , ** lm_generator_params ) # this is essentially your data reader (single sente

Python中的开源，隐式3D结构地质建模。 概述 是一个基于Python的开源库。 基于潜在的强大隐式表示方法，它能够构建折叠结构，断层网络和不整合面的复杂3D地质模型。 安装 我们通过PyPi软件包服务提供了GemPy的最新发行版。 我们强烈建议您使用PyPi， $ pip install gempy 因为它将自动安装所有必需的依赖项-在Windows中需要额外一步。 Windows没有预安装gcc编译器。 获得与theano兼容的编译器的最简单方法是使用theano conda安装。 因此，该过程将如下所示： $ conda install theano $ pip install gempy 有关更多信息，请参阅。 资源 安装后，您可以查看笔记本教程或视频介绍以开始使用。 请访问文档站点以获取更多信息，并享受教程和示例。 如有疑问和支持，请使用讨论。 如果您发现错

使用 Theano 的发条循环神经网络 这是论文描述的clockwork-rnn 的一个实现，我正在使用它的想法。 最初的实验对可用的钢琴音符的预测没有产生好的结果，所以我不会追求进一步改进它，但我会保留它，因为它是使用 Theano 实现的 Clockwork RNN 的半下降演示。

使用ConvNet的Twitter情绪分析 一个工具 预测推文的情绪“积极性” 如何使用它？ >> from sentiment import sentiment_score >> print sentiment_score(u"I love you") 0.9999 它返回的情绪索引范围为0（负情绪）到1（正情绪）。 在线演示 预测单个推文的情绪“积极性” 概述的“积极性” 点击 算法 有关该算法的更多信息，请参阅。 技术选择 作为Web框架 作为神经网络训练的实现 作为神经网络分类（在线版本）的实现 训练技巧 扇入，扇出初始化 退出 阿达达 贡献者 韩晓和姚璐

theano源码，对于深度学习和python很有帮助

keras-rcnn：用于基于区域的卷积神经网络（RCNN）的Keras软件包

深度卷积神经网络CNN的Theano实现（lenet），还包括一个单独的卷积层网络

CNN-文本分类-keras 它是中作为功​​能api的简化实现 要求 训练 运行以下命令，如果要更改它将运行100个纪元，只需打开 python model.py 对于新数据 您必须重建词汇表然后进行培训。 引文 @misc{bhaveshoswal, author = {Bhavesh Vinod Oswal}, title = {CNN-text-classification-keras}, year = {2016}, publisher = {GitHub}, journal = {GitHub repository}, howpublished =