有关BP算法深度学习巨头的论文原文，包含全部的论文内容。

负荷预测：使用MATLAB（ANN）进行负荷预测

用于语义图像分割的CRF-RNN-PyTorch版本 现场演示： ： Caffe版本： ： Tensorflow / Keras版本： ：//github.com/sadeepj/crfasrnn_keras 该存储库包含“ CRF-RNN”语义图像分割方法的官方PyTorch实现，该方法在ICCV 2015论文《。 该项目的在2015 ICCV上获得了最佳演示奖。此PyTorch代码的结果与上述基于Caffe和Tensorflow / Keras的版本相同。 如果您使用此代码/模型进行研究，请引用以下论文： @inproceedings{crfasrnn_ICCV2015, author = {Shuai Zheng and Sadeep Jayasumana and Bernardino Romera-Paredes and Vibhav Vineet and

RBFNN是使用径向基函数作为激活函数的人工神经网络。 图显示了 RBFNN 的结构。 RBFNN 是三层前馈神经网络。 第一层是线性的，只分配输入信号，而下一层是非线性的，使用高斯函数。 第三层线性组合高斯输出。 在训练期间只修改隐藏层和输出层之间的抽头权重。 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- 激活函数中心的分布。 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，使用 Kmeans 聚类算法选择高斯的中心和宽度。 基于通用逼

本资源是对抗样本领域中首次提出对抗样本概念并提出使用L-BFGS攻击算法的一篇文章的代码实现，使用的语言是Pytorch语言，文件为Jupyter notebook文件，在电脑环境配置无问题的情况下，可以直接运行此代码文件，内含详细注释。

神经网络概述 OVERVIEW OF NEURAL NETWORKS

三个 bound 不如一个 heuristic，三个 heuristic 不如一个trick

具有时间编码的监督学习的目的是使神经元尖峰化，以使神经元响应给定的突触输入而发出任意的尖峰序列。 近年来，基于突触可塑性的监督学习算法发展Swift。 作为最有效的监督学习算法之一，远程监督方法（ReSuMe）使用常规的基于对的峰值定时依赖的可塑性规则，该规则取决于突触前和突触后峰值的精确定时。 在本文中，使用了基于三重态的依赖于尖峰时序的可塑性，它是一种强大的突触可塑性规则，其作用超出了经典规则，提出了一种新颖的监督学习算法，称为T-ReSuMe，以提高ReSuMe的性能。 所提出的算法已成功应用于各种尖峰序列的学习任务，其中所需的尖峰序列通过泊松过程进行​​编码。 实验结果表明，与传统的ReSuMe算法相比，T-ReSuMe算法具有更高的学习精度和更少的迭代次数，对于解决复杂的时空模式学习问题是有效的。

Feedforward Backpropagation Neural Networks（BP神经网络的Matlab程序），可通过运行test_example_NN.m实现对手写数字的训练学习

张量流和pytorch中的变体自动编码器 TensorFlow和PyTorch中可变自动编码器的参考实现。 我建议使用PyTorch版本。 它包括一个更具表达性的变分族的例子，。 变分推断用于使模型适合二值化MNIST手写数字图像。 推理网络（编码器）用于分摊推理并在数据点之间共享参数。 可能性通过生成网络（解码器）进行参数化。 博客文章： ： 具有重要性采样的示例输出，用于估计Hugo Larochelle的Binary MNIST数据集上的边际可能性。 测试集为-97.10边缘可能性。 $ python train_variational_autoencoder_pytor