资源 | NIPS 2016上22篇论文的实现汇集

正文

请到「今天看啥」查看全文

• 论文：https://arxiv.org/abs/1606.04474

• GitHub：https://github.com/deepmind/learning-to-learn

3. R-FCN：通过基于区域的全卷积网络的目标检测（R-FCN: Object Detection via Region-based Fully Convolutional Networks）

• 论文：https://arxiv.org/abs/1605.06409

• GitHub：https://github.com/Orpine/py-R-FCN

4. 用于 k-均值的快速和可证明的 Good Seedings（Fast and Provably Good Seedings for k-Means）

• 论文：https://las.inf.ethz.ch/files/bachem16fast.pdf.

• GitHub：https://github.com/obachem/kmc2

5. 如何训练生成对抗网络（How to Train a GAN）

• GitHub：https://github.com/soumith/ganhacks

6. Phased LSTM：为长的或基于事件的序列加速循环网络训练（Phased LSTM: Accelerating Recurrent Network Training for Long or Event-based Sequences）

• 论文：https://arxiv.org/abs/1610.09513

• GitHub: https://github.com/dannyneil/public_plstm

7. 生成对抗式模仿学习（Generative Adversarial Imitation Learning）

• 论文：https://arxiv.org/abs/1606.03476

• GitHub：https://github.com/openai/imitation

8. 对抗式多类分类：一个风险最小化的角度（Adversarial Multiclass Classification: A Risk Minimization Perspective）

• 论文：https://www.cs.uic.edu/~rfathony/pdf/fathony2016adversarial.pdf

• GitHub：https://github.com/rizalzaf/adversarial-multiclass

9. 通过视频预测的用于物理交互的无监督学习（Unsupervised Learning for Physical Interaction through Video Prediction）

• 论文：https://arxiv.org/abs/1605.07157

• GitHub: https://github.com/tensorflow/models/tree/master/video_prediction

10.权重规范化：一种加速深度神经网络训练的简单重新参数化（ Weight Normalization: A Simple Reparameterization to Accelerate Training of Deep Neural Networks）

• 论文：https://arxiv.org/abs/1602.07868

• GitHub：https://github.com/openai/weightnorm

11. 全容量整体循环神经网络（Full-Capacity Unitary Recurrent Neural Networks）

请到「今天看啥」查看全文