文件名称：matlab精度检验代码-DF-CNN:IungaiLee，JamesStokes和EricEaton撰写的IJCAI2019论文代码“使用反
文件大小：39KB
文件格式：ZIP
更新时间：2024-06-10 19:31:22
系统开源
matlab精度检验代码使用反卷积网络为深度终身学习学习共享知识 这是在IJCAI 2019年论文``使用反卷积网络学习深度终身学习中的共享知识''中提出的反卷积因子CNN的代码。 版本和依存关系 此代码与Python 2.7和Python 3.5兼容。 它需要numpy，tensorflow和scikit-image。 预处理后的数据是通过.pkl文件存储和加载的，但是请注意，Python 3生成的pickle文件与Python 2不兼容。目前，需要MATLAB来加载实验结果摘要，因为它保存在.mat文件中。 。 数据 MNIST（MTL） MNIST数据具有10个标签，因此我们将其分为5个二元分类任务（0 vs 1，2 vs 3，依此类推）以进行异构任务分配，并分为10个一对多分类任务以进行同类任务分配。 基线模型具有良好的准确性，因此我们将提供的数据的3％，5％，7％，10％和30％用于每个任务的训练/验证集。 每个任务的测试数据具有1800/2000实例，分别用于异构任务和同类任务分配。 我们没有使用任何方法进行数据扩充，但是我们将图像值的范围重新调整为0〜1。 CIFAR-1
【文件预览】：
DF-CNN-master
----LICENSE(1KB)
----utils()
--------utils_tensor_factorization.py(4KB)
--------utils_env_cl.py(12KB)
--------__init__.py(0B)
--------utils_nn.py(27KB)
--------utils.py(4KB)
--------utils_df_nn.py(33KB)
----README.md(5KB)
----classification()
--------train_wrapper.py(14KB)
--------model()
--------__init__.py(0B)
--------gen_data.py(46KB)
--------train.py(35KB)
----main_train_cl.py(10KB)