netron-4.6.3-ubuntu是ubunutu上查看深度学习模型的可执行程序，安装以后，就是只需双击打开，添加模型文件的位置就可以了。 Netron 支持的框架和对应文件如下： 框架 对应文件 ONNX .onnx, .pb Keras .h5, .keras CoreML .mlmodel TensorFlow Lite .tflite

梦幻广场 启用了深度学习工具包的VLSI放置。 与非线性VLSI放置和深度学习训练问题之间的类比，该工具与深度学习工具包一起开发，以提高灵活性和效率。 该工具可在CPU和GPU上运行。 使用Nvidia Tesla V100 GPU，在ISPD 2005竞赛基准测试的全球排名和合法化方面，其CPU实现（ ）的速度提高了30X以上。 DREAMPlace还集成了GPU加速的详细布局器与CPU上广泛采用的顺序器相比，该布局可以在百万大小的基准上实现约16X加速。 DREAMPlace可在CPU和GPU上运行。 如果将其安装在没有GPU的计算机上，则只有多线程支持CPU支​​持。 动画片 大蓝4 密度图 电位 电场 参考流程 刊物 ，Shounak达尔，，豪兴仁，Brucek Khailany和，“DREAMPlace：深度学习工具包启用GPU加速现代VLSI布局”，ACM / IEE

运行 testDNN 试试！ 每个功能都包含说明。 请检查一下！ 它提供了堆叠受限玻尔兹曼机 (RBM) 的深度信念网络 (DBN) 的深度学习工具。 它包括 Bernoulli-Bernoulli RBM、Gaussian-Bernoulli RBM、用于无监督预训练的对比发散学习、稀疏约束、用于监督训练的反向投影和 dropout 技术。 MNIST 数据集的示例代码包含在 mnist 文件夹中。 请参阅 mnist 文件夹中的 readme.txt。 Hinton 等人，通过防止特征检测器的共同适应来改进神经网络，2012 年。 Lee 等人，视觉区域 V2 的稀疏深度信念网络模型，NIPS 2008。 http://read.pudn.com/downloads103/sourcecode/math/421402/drtoolbox/techniques/train_rbm.m__

矩阵序列matlab代码Cortexsys 3.1用户指南 2016年5月 更新-2016年10月3日 Cortexsys 4.0正在进行中，将完全重写Cortexsys。 到目前为止，图形支持进展良好。 功能将随着完成而实现，其中包括： （4.0）基于图的网络设计，布局和处理 允许在前馈（空间）和循环（时间）网络中进行任意网络设计和连接。 这类似于其他工具箱，例如TensorFlow，Torch，Chainer，Neon，Caffe。 （4.1）卷积的改进 交叉卷积 superconv例程可以处理任意数量的内核，过滤器和批处理大小 （4.2）递归神经网络的改进 GRU（门控循环单元） MGRU（最小门控循环单元） （4.3）批量归一化 （4.4）强化学习深度Q学习 介绍 Cortexsys是适用于Matlab（具有限制的GNU Octave 4.0）的深度学习工具箱，适用于希望在Matlab或Octave环境中快速实现和分析新算法的研究人员和算法开发人员。 Cortexsys也会努力实现经常相互冲突的目标：（1）易于使用和学习； （2）灵活且适用于研究，教育和原型制作。 如果我们实现

Jx-DLT：深度学习工具箱 *此工具箱包含卷积神经网络（CNN） * 显示了如何使用带有基准数据集的CNN程序的示例。 请注意，我们使用一到三个卷积层设置来演示CNN。 *该工具箱的详细信息可以在https://github.com/JingweiToo/Deep-Learning-Toolbox中找到 ****************************************************** ****************************************************** ******************************

Logging用法

ResNet-101 是一个预训练模型，已经在 ImageNet 数据库的一个子集上进行了训练。 该模型在超过一百万张图像上进行训练，共有 347 层，对应于 101 层残差网络，可以将图像分为 1000 个对象类别（例如键盘、鼠标、铅笔和许多动物）。 从您的操作系统或 MATLAB 中打开 resnet101.mlpkginstall 文件将启动您拥有的版本的安装过程。 该mlpkginstall文件可用于R2017b及更高版本。 用法示例： % 访问训练好的模型净 = resnet101(); % 查看架构细节网络层% 读取图像进行分类I = imread('peppers.png'); % 调整图片大小sz = net.Layers(1).InputSize I = I(1:sz(1),1:sz(2),1:sz(3)); % 使用 Resnet-101 对图像进行分类标签 = 分类（

DenseNet-201 是一个预训练模型，已经在 ImageNet 数据库的一个子集上进行了训练。 该模型接受了超过一百万张图像的训练，可以将图像分类为1000个对象类别（例如键盘，鼠标，铅笔和许多动物）。 从操作系统或从MATLAB内打开densitynet201.mlpkginstall文件将启动您所拥有版本的安装过程。 此 mlpkginstall 文件适用于 R2018a 及更高版本。 用法示例： % 访问训练好的模型净=密网201（）； % 查看架构细节网络层 % 读取图像进行分类I = imread('peppers.png'); % 调整图片大小sz = net.Layers(1).InputSize I = I(1:sz(1),1:sz(2),1:sz(3)); % 使用 DenseNet-201 对图像进行分类标签 = 分类（净，我） % 显示图像和分

深度学习图片标注软件

深度学习工具箱模型量化库可对您的深度学习模型进行量化和压缩。 它提供了仪器服务，使您能够在校准步骤中收集有关权重，激活和中间计算的层级数据。 使用仪器数据，库/附加组件可对模型进行量化，并提供度量标准以验证量化网络的准确性。 库/附加组件使迭代工作流能够优化量化方法，以满足所需的精度。 它提供了启发式选择正确的量化策略。 您可以验证量化网络，然后将精度与单个精度基准进行比较。 库/附加组件提供了一个“量化”应用程序，可让您分析和可视化仪器数据，以了解对选定图层的权重和偏差进行量化的准确性方面的权衡。 该库/附加组件支持针对支持的层的FPGA和NVIDIA GPU的INT8量化。 请在此处参考文档： https : //www.mathworks.com/help/deeplearning/ref/deepnetworkquantizer-app.html 该硬件支持包适用于R20