人脸识别 通过深度学习实现的人脸检测和识别系统。 人脸数据集 非人脸数据集 带有滑动窗口的人脸检测

Cisco Enterprise Wireless Networks 300-430.pdf

深度压缩压缩深度神经网络，并带有经过修剪训练的量化和霍夫曼算法 这是文件的pytorch实现。 Pytorch版本：0.4.0

Yahoo的开放NSFW模型的Tensorflow实现 该存储库包含以tensorflow重写的的实现。 原始重量已使用提取 。 您可以在data/open_nsfw-weights.npy找到它们。 先决条件 所有代码均应与Python 3.6和Tensorflow 1.x （经1.12测试）兼容。 该模型的实现可以在model.py找到。 用法 > python classify_nsfw.py -m data/open_nsfw-weights.npy test.jpg Results for 'test.jpg' SFW score: 0.9355766177177429 NSF

具有并行计算的卷积神经网络的C ++库（openMP，CUDA，MPI） 用法： g ++ -std = c ++ 11 -fopenmp lenet.cpp -o lenet ./lenet 这是模型的多线程版本（具有数据并行性），您可以使用以下方法更改线程数： 导出OMP_NUM_THREADS = 4 要使用MPI版本的代码，您需要使用mpic ++进行编译： mpic ++ -std = c ++ 11 -fopenmp lenet.cpp -o lenet 您可以在多节点系统上运行它！ 创建自己的网络 您可以通过派生Model类并使用addLayer（）方法按顺序添加所有图层来创建自己的深度神经网络类。 您还可以通过扩展ActivationLayer来引入自己的激活层。 您可以通过扩展LossFunction类来创建自定义Loss函数。 工作正在进行中 使用以下方法进

可视化分析RNN的状态变化 有关LSTMVis，介绍视频以及实时演示链接的更多信息，请访问 还可以在或在线演示中查看我们关于序列到序列模型的新工作，为 V2.1中的更改 更新到Python 3.7 ++（感谢@nneophyt） V2的变化 新设计和服务器后端 隐藏状态轨道的离散缩放 添加了用于元数据和预测的注释轨道 为张量流添加了训练和提取工作流 客户端现在是ES6和D3v4 客户端的一些性能增强 添加了Keras教程（感谢Mohammadreza Ebrahimi） 安装 请使用python 3.7或更高版本来安装LSTMVis。 克隆存储库： git clone https://github.com/HendrikStrobelt/LSTMVis.git ; cd LSTMVis 使用安装python（服务器端）要求： python -m venv venv3 sour

图卷积网络用于高光谱图像分类 ， ，，，， 该工具箱中的代码实现了 。 更具体地，其详细如下。 引文 如果此代码对您的研究有用且有帮助，请引用论文。 D. Hong，L。Gao，J。Yao，B。Zhang，A。Plaza，J。Chanussot。 用于高光谱图像分类的图卷积网络，IEEE Trans。 Geosci。 遥感，2020，DOI：10.1109 / TGRS.2020.3015157。 @article{hong2020graph, title = {Graph Convolutional Networks for Hyperspectral Image Classification}, author = {D. Hong and L. Gao and J. Yao and B. Zhang and A. Plaza and J. Chanusso

1. Abstract 协同注意力机制在最近几年广泛用于 VQA 领域，以往的协同注意力多是先计算各模态的注意力分布信息，再建立不同模态间的相关性，这样忽略了模态内的相关性。本篇论文在 Self-Attention 机制的基础上，应用 Transformer 设计 MCA 模块，通过级联的方式搭建深层模块化网络 MCAN 2. Model 2.1 MCA Self-Attention (SA) 用于发掘模块内的关系，Guided-Attention (GA) 用于发掘模块间的关联，模块的设计遵循 Transformer 一文中的 scaled dot-product attention 模块

随着网络信息的爆炸式增长，推荐系统在缓解信息过载方面发挥了重要作用。由于推荐系统具有重要的应用价值，这一领域的研究一直在不断涌现。近年来，图神经网络(GNN)技术得到了广泛的关注，它能将节点信息和拓扑结构自然地结合起来。由于GNN在图形数据学习方面的优越性能，GNN方法在许多领域得到了广泛的应用。在推荐系统中，主要的挑战是从用户/项目的交互和可用的边信息中学习有效的嵌入用户/项目。由于大多数信息本质上具有图结构，而网络神经网络在表示学习方面具有优势，因此将图神经网络应用于推荐系统的研究十分活跃。本文旨在对基于图神经网络的推荐系统的最新研究成果进行全面的综述。具体地说，我们提供了基于图神经网络的推荐模型的分类，并阐述了与该领域发展相关的新观点。

RBF 神经网络（激活函数的中心和分布随机选择） 参数（K：内核数） RBFNN 有 5 个优化参数： 1- 隐藏层和输出层之间的权重。 2- 激活函数。 3- 激活函数的中心。 4- 激活函数的分布。 5- 隐藏神经元的数量。 隐藏层和输出层之间的权重使用 Moore-Penrose 广义伪逆计算。 该算法克服了传统梯度算法中的许多问题，如停止标准、学习率、时期数和局部最小值。 由于其较短的训练时间和泛化能力，适合实时应用。 选择的径向基函数通常是用于模式识别应用的高斯核。 通常激活函数的中心和分布应该具有与数据相似的特征。 这里，高斯分布的中心和宽度是随机选择的。 基于通用逼近理论中心和激活函数的分布是不确定的，如果隐藏神经元数量足够多，可以说具有足够数量隐藏神经元的单隐藏层前馈网络可以将任何函数逼近任意级别的准确性。