本周优秀开源项目分享：无脑套用格式、开源模板最高10万赞
共 5455字，需浏览 11分钟
·
2021-01-23 20:27
fMRIPrep 是一种功能性磁共振成像 （fMRI） 数据预处理管道，旨在提供易于访问的、最先进的接口，该接口可对扫描采集协议的变化非常可靠，并且需要最少的用户输入，同时提供易于解释和全面的误差和输出报告。它执行基本处理步骤（核心、规范化、解曲线、噪声成分提取、分割、头骨跳闸等），提供可轻松提交到各种组级分析的输出，包括基于任务或静止状态的 fMRI、图形理论测量、表面或基于体积的统计等。
fMRIPrep 管道使用来自知名软件包的工具的组合，包括FSL_、ANTs_、FreeSurfer_和AFNI_。此管道旨在为每个预处理状态提供最佳的软件实现，并将随着更新和更好的神经成像软件的可用而更新。
此工具允许您轻松执行以下操作：
将 fMRI 数据从原始数据从原始到完全预处理
实现不同软件包的工具
通过使用可用的最佳工具实现最佳的数据处理
生成预处理质量报告，用户可以通过这些报告轻松识别异常
接收有关每个主题的预处理阶段（包括有意义的错误）
自动和并行化处理步骤，从典型的线性手动处理中显著加快速度。
fMRIPrep 围绕三个原则构建：
稳健性 - 管道根据输入数据集调整预处理步骤，并且应提供尽可能好的结果，与扫描仪制作、扫描参数或是否存在其他校正扫描（如现场地图）不同
易用性 - 由于对 BIDS 标准的依赖，手动参数输入减少到最小，允许管道以自动方式运行。
"玻璃盒"理念 - 自动化不应意味着不应直观地检查结果或了解方法。因此，fMRIPrep 会为每个主题提供可视化报告，详细说明最重要的处理步骤的准确性。这与文档相结合，可以帮助研究人员了解流程，并决定应保留哪些主题进行小组级分析。
项目地址：
https://github.com/nipreps/fmriprep
本文的目的是创建一个能够探测卫星图像中新构造的CNN。更精确地，拍摄两张不同时间拍摄的卫星图像，并输出一个带新建筑轮廓的分段蒙版。该模型将两个 650 x 650 的 RGB 图像作为输入，并输出相同大小的 semgment 掩码。
项目使用的 CNN 体系结构是 UNet++，其层被移除，过滤器大小减小。这样，该模型适合具有 6G 内存的 GPU。如上图所示，模型设法查找更改并生成具有近似形状的分段蒙版。
数据集：
https://drive.google.com/drive/folders/1rd1vseWiFSqQc5-93XSRQW9Bzzcgqc6H?usp=sharing
模型：
https://drive.google.com/drive/folders/1qbZm-b4gdhzzMCP09XwWx2wJKxsSXBJL?usp=sharing https://drive.google.com/drive/folders/1-DdCZxCv7OInvpUnbbT-4p2Uhc_v6ztI?usp=sharing
依赖库：
PyTorch (1.3.1+)
numpy
scikit-learn
matplotlib
imageio
Pillow
imgaug
tqdm
项目地址：
https://github.com/hbaudhuin/LamboiseNet自动和并行化处理步骤，从典型的线性手动处理中显著加快速度。
fMRIPrep 围绕三个原则构建：
稳健性 - 管道根据输入数据集调整预处理步骤，并且应提供尽可能好的结果，与扫描仪制作、扫描参数或是否存在其他校正扫描（如现场地图）不同
易用性 - 由于对 BIDS 标准的依赖，手动参数输入减少到最小，允许管道以自动方式运行。
"玻璃盒"理念 - 自动化不应意味着不应直观地检查结果或了解方法。因此，fMRIPrep 会为每个主题提供可视化报告，详细说明最重要的处理步骤的准确性。这与文档相结合，可以帮助研究人员了解流程，并决定应保留哪些主题进行小组级分析。
项目地址：
https://github.com/nipreps/fmriprep
项目描述：
本项目使用 GPT2-Chinese 的模型将wiki中文的数据导入模型训练了通用模型。
将GPT2-chitchat的对话任务稍作修改来适用于中文摘要任务。
将通用模型的权重应用在摘要问题上进行进一步训练的。
GPT2-Chinese 参考：https://github.com/Morizeyao/GPT2-Chinese
GPT2-chitchat参考：https://link.zhihu.com/?target=https%3A//github.com/yangjianxin1/GPT2-chitchat
项目工作流程详见：https://zhuanlan.zhihu.com/p/113869509
本项目为GPT2-chitchat稍作修改的内容，在此也感谢大佬的分享。
由于NLPCC的摘要数据为新闻语料，涉及话题和内容较多，应用在垂直领域下效果会好一些。
运行环境：
python3.6、 transformers==2.1.1、pytorch==1.3.1
项目结构：
config:存放GPT2模型的参数的配置文件
data
train_with_summary.txt:默认的原始训练集文件，存放摘要语料
train_tokenized.txt:对原始训练语料进行顺序tokenize之后的文件，用于model的训练
summary_model:存放摘要生成的模型
vocabulary:存放GPT2模型的字典
train.py:训练代码
interact.py:测试代码
Dialogue Model是基于GPT2模型的生成模型，对每条训练数据进行"顺序"拼接，然后将其输入到网络中，进行训练(该项目没有训练MMI Model的"逆序")。在训练Chinese Summary时，将上述训练数据进行如下拼接然后，将上述拼接结果作为Summary Model的输入，对模型进行训练。
模型分享：
模型 | 百度网盘 | 模型描述 |
GPT2-nlpcc-summary | 链接：https://pan.baidu.com/s/1atsbABI7Lq5HQNctC11E5g 提取码：grtn | 使用nlpcc的摘要数据基于GPT2-wiki训练的摘要模型 |
GPT2-wiki | 链接：https://pan.baidu.com/s/1oo1fpuGPYR9IMCcWQzzE9w 提取码：o1aq | 使用GPT2-Chinese训练的通用模型 |
项目地址：
https://github.com/qingkongzhiqian/GPT2-Summary
04 EssayKiller_V2 基于开源GPT2.0的初代创作型人工智能
EssayKiller是基于OCR、NLP领域的最新模型所构建的生成式文本创作AI框架，目前第一版finetune模型针对高考作文（主要是议论文），可以有效生成符合人类认知的文章，多数文章经过测试可以达到正常高中生及格作文水平。
框架说明：
基于EAST、CRNN、Bert和GPT-2语言模型的高考作文生成AI
支持bert tokenizer，当前版本基于clue chinese vocab
17亿参数多模块异构深度神经网络，超2亿条预训练数据
线上点击即用的文本生成效果demo：17亿参数作文杀手
端到端生成，从试卷识别到答题卡输出一条龙服务
模型结构：
整个框架分为EAST、CRNN、Bert、GPT-2、DNN 5个模块，每个模块的网络单独训练，参数相互独立。infer过程使用pipeline串联，通过外接装置直接输出到答题卡。
模型亮点：
简单的管道实现在当时较高精度的文本检测。
图像通过FCN处理产生像素级文本缩放地图和几何图形的多个频道。
可旋转的文本框，可以检测文本也可以检测单词。
项目地址：
https://github.com/EssayKillerBrain/EssayKiller_V2
Keras 和 TensorFlow 中的 Rnn 权重、渐变和激活可视化 （Lstm 、 Gru 、 Simplernn 、 Cudnn 和所有其他）
特性：
权重、渐变、激活可视化
内核视觉对象：内核、循环内核和偏置显式显示
门视觉对象：门控架构（LSTM、GRU）中的门明确显示
通道视觉对象：显式显示的单元格单元（功能提取器
一般视觉对象：也适用于CNN和其他方法
重量规范跟踪：可用于分析重量衰减
内省是调试、规范和理解神经网络的有力工具。此项目的方法启用：
监视权重和激活进度 - 每个更改epoch-to-epoch、iteration-to-iteration
评估学习效率 - 梯度反传播对层到层的、时间到时间步长的影响
评估层健康 - 神经元的"死亡"或"爆炸"的百分比
跟踪体重衰减 - 各种方案（例如 l2 惩罚）如何影响重量规范
能够回答以下问题：
我的 RNN 是否学习长期依赖关系？>> 监控梯度：如果非零梯度每次时间步道流动，则每个时间步有助于学习 - 即，由此产生的梯度源于对每个输入时间步长的核算，因此整个序列会影响权重更新。因此，RNN 不再忽略长序列的部分，而被迫从它们中吸取教训
我的 Rnn 是否学习独立表示？>>监控激活：如果每个通道的输出不同且相互关联，则 RNN 提取了
为什么我有验证损失峰值？>>所有：瓦尔尖峰可能源于由于较大的梯度导致的层权重的急剧变化，这将明显改变激活模式;查看详细信息有助于通知更正
我的权重衰减是过度还是不足？>>监控权重规范：如果值斜减到许多倍，则衰减可能过大 - 或者，如果没有看到任何效果，则增加衰减
项目地址：
https://github.com/OverLordGoldDragon/see-rnn
06 FundamentalAnalysis 全面的基本面分析包
此包从 FinancialModelingPrep 收集来自大型公司集团的基本面和详细的公司股票数据 （13.000+），并使用 Yahoo Financial 获取任何金融工具的股票数据。它允许用户做大部分的基本分析。它还提供了快速比较多个公司或进行行业分析的可能性。
功能：
详细信息
可用公司 - 显示可用于基础数据收集的公司的完整列表，包括当前价格和公司列出的交易所。这是一个广泛的列表，有超过13000家公司
配置文件 - 提供有关行业、行业交易所和公司描述等
报价 - 提供有关公司的实际信息，其中包括日高、市值、开盘价和收盘价以及价格与权益
企业 - 显示股票价格、股票数量、市值和企业价值。
评级 - 基于特定比率，提供公司是（强）买入、中性还是（强）卖出的信息
discounted_cash_flow - 计算公司一段时间的贴现现金流量，包括今天的 DCF.
earnings_calendar - 显示有关今年大量品种的盈利日期的信息，包括预期的市盈率。
financial_statement
income_statement - 收集一个完整的损益表随着时间的推移。
balance_sheet_statement - 收集一段时间的完整资产负债表。
cash_flow_statement - 收集一个完整现金流量表随着时间的推移。
比率
key_metrics - 列出公司一段时间（每年和每季度）的关键指标（共 57 个指标）。这包括，除其他外，股本回报率（ROE）、流动资本、流动比率和债务
financial_ratios - 包括公司的深度比率（共 57 个比率）在一段时间（年度和季度）。其中包括价格与账面比率、支付比率和运营周期
financial_statement_growth - 衡量多个财务报表项目和比率在一段时间（年度和季度）的增长。其中包括收入增长（3 年、5 年和 10 年）、库存增长和运营现金流增长（3 年、5 年和 10 年）。
stock_data
stock_data - 收集所提供的股票代码的所有股票数据（包括收盘、调整后、高、低、开盘和成交量）。这可能是任何金融工具
stock_data_detailed - 收集大量股票数据（包括收盘、调整后收盘、高、低、开盘、成交量、未调整交易量、绝对变化、百分比变化、交易量加权平均价格 （VWAP）、日期标签和时间变化）。数据收集仅限于在功能公司中上市的公司。使用 stock_data函数了解任何其他内容。（ETF、共同基金、期权、指数等）
项目地址：
https://github.com/JerBouma/FundamentalAnalysis
本文部分素材来源于网络，如有侵权，联系删除。
今日福利推荐
锦鲤免单
知识图谱实战 / 计算机视觉训练
行为识别分析实战
千元AI课程大免单
100%中奖机率，扫码一键直达
☟
