在过去的几年里，每个月都会发布新的机器学习加速器，用于语音识别、视频对象检测、辅助驾驶和许多数据中心应用。本文更新了过去两年人工智能加速器和处理器的调研。本文收集和总结了目前已公开发布的商业加速器的峰值性能和功耗数据。性能和功率值绘制在散点图上，从这个图上的趋势的一些维度和观察再次被讨论和分析。今年，我们还编制了一个基准性能结果列表，并计算了相对于峰值性能的计算效率。

6.859/15.083 Integer Programming and Combinatorial Optimization: Cutting Plane Methods I.

口语填空和意图检测任务 插槽填充和意图检测的基本模型： 论文“具有焦点机制的编码器-解码器用于基于序列标签的口语理解”的“焦点”部分的实现 。 基于的BLSTM-CRF的实现 插槽填充和意图检测任务联合培训的实施 。 基本型号+ / / 数据集教程： （英语/西班牙语/泰语） （无意图） （无意图） （无意图） 部分 描述 所需的包 如何在ATIS数据集上报告意图检测的性能 教程A：带有预训练的单词嵌入 教程A：使用预训练的单词嵌入进行插槽填充和意图检测 教程B：使用ELMo 教程B：使用ElMo进行插槽填充和意图检测 教程C：使用BERT 教程C：插槽填充和BERT意图检测 教程D：使用XLNET 教程D：使用XLNET进行插槽填充和意图检测 结果 某些数据集上不同方法的结果 推论模式 推论模式 参考 如何引用？ 设置 python 3.6.x py

Wavelets and filter banks，即《小波与滤波器组》，是麻省理工学院经典小波与滤波器教材，通信、控制研究生课程教材与参考书 Wavelet and filter banks, G. Strang, T. Nguyen, Wellesley-Cambridge Press, 1997

MIT_App_Inventor_Tools_2.3.0_win_setup 最新最全 图形化开发，类似scratch

CNNs-CHB-MIT 该项目是关于将CNN应用于来自CHB-MIT的EEG数据以预测癫痫发作。 这是UNIVERSITA DI CAMERINO分配给计算机科学学士学位的小组项目。 该项目的目的是尝试复制论文中获得的结果： 该算法包括创建数据的频谱图，然后将它们与CNN模型一起使用以预测癫痫发作。 有关更多信息，请参见和 。 这两个文件分别是意大利语的作品介绍和关系。 入门 先决条件 在该项目中，anaconda用于管理软件包。 所需包装： keras 2.2.2 python 3.6.6 张量流1.10.0 matplotlib 麻木 pyedflib 科学的 为了评估网络，进行培训和测试，GPU用于快速评估。 通过使用CPU，训练时间比使用GPU慢得多。 GPU所需的软件包： 张量流 对于GPU的使用，此链接对于安装Ubuntu 18.04 LTS的所有驱

appinventor bluetoothLE蓝牙开发

计算理论导引 Michael Sipser（美） 麻省理工学院（MIT） 张立昂 王捍贫 黄雄 译（北京大学） 主要内容：自动机与语言、可计算性和计算复杂性

PyTorch中MIT ADE20K数据集上的语义分割这是MIT ADE20K场景解析数据集（http://sceneparsing.csail.mit.edu/）上语义分割模型的PyTorch实现。 ADE20K是PyTorch中MIT ADE20K数据集上最大的开源语义分割。这是MIT ADE20K场景解析数据集（http://sceneparsing.csail.mit.edu/）上语义分割模型的PyTorch实现。 ADE20K是由MIT计算机视觉团队发布的最大的用于语义分割和场景解析的开源数据集。 请通过以下链接在Caffe和Torch7上找到我们的数据集和实施的存储库：https://github.com/CSAILVision/sceneparsing如果您只是想玩我们的

麻省理工算法导论全套笔记 ，英文版，看好再下哦。