在本文中，我们对这些算法进行了全面的概述，主要分为直接进行二值化的本机解决方案，以及使用使量化误差最小化，改善网络损耗函数和减小梯度误差等技术进行优化的解决方案。我们还将研究二进制神经网络的其他实用方面，例如硬件友好的设计和训练技巧。然后，我们对不同的任务进行了评估和讨论，包括图像分类，对象检测和语义分割。最后，展望了未来研究可能面临的挑战。

在当今瞬息万变的世界中，即插即用软件和硬件的趋势正在增加，并且由于云正在接管市场，因此由于互联网上的声音很大并且使应用程序或硬件实时连接并且具有高使用带宽消耗应用程序和硬件实时更新数据的设施或功能。 因此，高可用性和实时数据处理为在网络管理中引入新概念软件定义网络 (SDN) 铺平了道路。 SDN旨在遏制传统网络的挑战。 在本文中，我们讨论了软件定义网络的优势和挑战，以及如何用这个概念解决它们，以及它的可扩展性和可靠性。

DBCNN-Pytorch 使用深双线性卷积神经网络进行盲图像质量评估的实验性PyTorch实现。 目的 考虑到PyTorch在学术界的受欢迎程度，我们希望此回购协议可以帮助IQA的研究人员。 此存储库将用作集成IQA研究的先进技术的活动代码库。 要求 PyTorch 0.4+ Python 3.6 默认设置下的用法 python DBCNN.py 如果要重新训练SCNN，仍然需要Matlab和原始存储库来生成合成失真的图像。 python SCNN.py 引文 @article {zhang2020blind， title = {使用深双线性卷积神经网络进行盲图像质量评估}， 作者= {张维霞和马克德和闫家加邓，德祥和王舟}， journal = {IEEE视频技术电路和系统的交易}， 音量= {30}， 数字= {1}， 页数= {36--47}， 年= {2020} } 致谢

内容为Coursera平台上DeepLearning系列第一课PPT合集，全部已转为PDF格式方便使用，同时也包括部分官方提供的笔记。可以用来方便复习内容和查阅。

nn 构建一个尖峰神经网络 功能 该项目用于构建加标神经网络，以完成MNIST数据集上的分类任务。

人工神经网络 纸质数据和代码 这是AAAI 2019论文： 的代码。 我们已经在Tensorflow和Pytorch中实现了我们的方法。 这是我们在论文中使用的两个数据集。 下载数据集后，您可以将它们放在文件夹datasets/ ： 友情链接： ://2015.recsyschallenge.com/challenge.html DIGINETICA： ://cikm2016.cs.iupui.edu/cikm-cup或 文件夹datasets/包含一个小的数据集sample ，可用于测试代码的正确性。 我们还写了解释该论文。 用法 您需要先运行文件datasets/preprocess.py来预处理数据。 例如： cd datasets; python preprocess.py --dataset=sample cd datasets; python preproces

Spectrum Sharing in Wireless Networks

neural networks的入门级必备书籍，读过后会有基础的了解。

Large Scale Networks Modeling and Simulation 英文无水印pdf pdf所有页面使用FoxitReader和PDF-XChangeViewer测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 本资源转载自网络，如有侵权，请联系上传者或csdn删除

Neural Networks -- A Comprehensive Foundation第二版 神经网络经典书籍，适合初学者