利用张量流对天文学家的深度学习
astroNN的Python项目详细描述
开始
astronn是一个python包,它通过使用keras在天文学中有针对性地应用各种神经网络。 作为模型和训练原型,但同时利用Tensorflow的灵活性。
对于非天文学应用,astronn包含与tensorflow兼容的自定义损耗函数和层。 或Tensorflow后端的Keras。自定义丢失函数主要用于处理不完整的标签。 astronn包含了一个实现贝叶斯神经网络的演示,在这个演示中你可以得到 合理的不确定度估计等神经网络。
对于天文学应用,astronn包含一些处理远地点、gaia和lamost数据的工具。Astronn主要设计 神经网络在远地点光谱分析中的应用及利用gaia数据预测光谱光度 贝叶斯神经网络中具有合理不确定性的视差。通常,astronn也可以处理二维和二维彩色图像。 目前astronn是一个python包,由主要作者开发,以便于他的研究。 利用sdss远地点、gaia和lamost数据在恒星和银河天文学中的深度学习应用项目。
为了便于学习,astronn为天文学家提供了一个深度学习玩具数据集-Galaxy10 Dataset。
Uncertainty Analysis of Neural Nets with Variational Methods
确认Astronn
如果astronn在您的研究中使用,请引用以下描述astronn的论文,并考虑将其与https://github.com/henrysky/astroNN联系起来
从高分辨率光谱数据中深入了解多元素丰度[arXiv:1804.08622[ADS]
许可证
这个项目是在麻省理工学院的许可下授权的-请参见LICENSE文件以了解详细信息