AdderNet：我们真的需要深度学习中的乘法吗？ 该代码是CVPR 2020论文的演示 我们提出加法器网络（AdderNets）来交换深度神经网络（尤其是卷积神经网络（CNN））中的大规模乘法运算，以更便宜的加法运算来减少计算成本。在AdderNets中，我们将滤波器和输入要素之间的L1范数距离作为输出响应。结果，在ImageNet数据集上使用ResNet-50，建议的AdderNets可以达到74.9％的Top-1精度91.7％的Top-5精度，而无需在卷积层上进行任何乘法。 更新：培训代码在6/28中发布。 运行python main.py以在CIFAR-10上进行训练。 更新：11月27日发布了有关AdderNet的Model Zoo。 CIFAR-10和CIFAR-100数据集的分类结果。 模型 方法 CIFAR-10 CIFAR-100 VGG-小 有线电视新闻网 94.

引文 文章： ： 如果您发现此存储库对您的研究有用，请引用此工作： Martinsson, J., Schliep, A., Eliasson, B. et al. J Healthc Inform Res (2019). https://doi.org/10.1007/s41666-019-00059-y 先决条件 该代码旨在在OhioT1DM数据集上运行。 因此，要使用它（例如，示例实验YAML配置）中的xml_path需要指向XML数据文件所在的磁盘上的路径。 例如，更改“ / home / ubuntu / ohio_data / OhioT1DM-training /”以指向包含ohio数据集XML文件的Ohiot1DM-training文件夹。 当然可以编写一个新的数据集模块，该模块将数据加载为所需格式并在其他数据上训练模型。 安装 $> chmod +x setup

一本介绍贝叶斯网络结构学习中，依赖性分析方法的英文书籍。

夹子 几天后，该存储库将为CLIP：神经元网络的廉价Lipschitz培训[1]中提出的，用于Lipschitz正则化神经网络的CLIP算法提供一种实现。 ！[公式]（ {i \ pi} = -1） 随时使用它，这样做时请参考我们的论文。 先决条件 我们的代码是通过python实现的，并利用了PyTorch （另请参见其git ）。 参考 [1] Leon Bungert，RenéRaab，Tim Roith，Leo Schwinn，Daniel Tenbrinck。 “ CLIP：神经网络的廉价Lipschitz培训。” arXiv预印本arXiv：2103.12531（2021）。

股票价格预测器：建立LSTM递归神经网络来预测股票市场价格

田春伟，徐永，李作勇，左望萌，费伦和刘宏的Atent-guided CNN for图像降噪（ADNet）由神经网络（IF：5.535）于2020年发布（ ），并由Pytorch实现。 这篇论文被推到了Nueral Networks的主页上。 此外，微信公众号还在和 。 本文是第一篇通过深度网络属性解决复杂背景图像降噪的论文。 抽象 深度卷积神经网络（CNN）在低级计算机视觉中引起了相当大的兴趣。 研究通常致力于通过非常深的CNN来提高性能。 但是，随着深度的增加，浅层对深层的影响会减弱。 受这一事实的启发，我们提出了一种注意力导向的去噪卷积神经网络（ADNet），主要包括稀疏块（SB），特征增强块（FEB），注意块（AB）和重构块（RB）图像降噪。 具体而言，SB通过使用膨胀的和普通的卷积来去除噪声，从而在性能和效率之间进行权衡。 FEB通过很长的路途整合了全球和局部特征信息，以增强去噪

The challenge posed by the many-body problem in quantum physics originates from the difficulty of describing the non-trivial correlations encoded in the exponential com- plexity of the many-body wave function. Here we demonstrate that systematic machine learning of the wave function can reduce this complexity to a tractable computational form, for some notable cases of physical interest. We introduce a variational repre- sentation of quantum states based on artificial neural networks with variable number of hidden neurons. A reinforcement-learning scheme is then demonstrated, capable of either finding the ground-state or describing the unitary time evolution of complex interacting quantum systems. We show that this approach achieves very high accuracy in the description of equilibrium and dynamical properties of prototypical interacting spins models in both one and two dimensions, thus offering a new powerful tool to solve the quantum many-body problem.

计算机网络经典教材 希望对学习计算机网络的人有帮助

神经网络与模式识别方面的经典书籍，没下过的来下

原形网络（Prototypical Networks）基于PyTorch的实现 代码讲解原文:https://blog.csdn.net/weixin_41803874/article/details/92068250