供个人学习使用，请勿用于商业用途。

提出了一种基于RBF网络和启发式Q学习的改进，更强大的RNH-QL方法，用于在较大状态空间中进行路径搜索。 首先，如果增加了给定问题的状态空间并且缺少关于环境的先验信息，则解决了强化学习效率低下的问题。 其次，作为权重更新规则的RBF网络，奖励整形可以在某些中间状态下向代理提供额外的反馈，这将有助于以更可控的方式将代理引导至目标状态。 同时，通过Q学习的过程，底层动态知识可以访问它，而不需要上层RBF网络的背景知识。 第三，结合贪婪开发策略训练神经网络，提高了学习效率，实验结果证明了这一点。

PALS: Saving Network Power with Low Overhead to ISPs andApplications

关于神经网络训练技巧的论文集，设计训练过程的各个方面

fastMRI可再现基准 该存储库的想法是要有一种方法可以在fastMRI数据集单线圈磁道上针对现有的重建算法快速对新解决方案进行基准测试。 迄今为止，已实现或适用于fastMRI数据集的重建算法包括： 零填充重建 ，使用 使用的基于小波的重构（即用贪婪的FISTA解决基于L1的分析公式优化问题） 网络 ，适用于MRI重建 ，一种模块化的展开重建算法，您可以在其中插入最佳的降噪器。 ，一种用于非笛卡尔采集的展开式重建算法，具有密度补偿。 所有神经网络都通过Keras API在TensorFlow中实现。 较旧的（不要认为这是我论文的开始）是使用功能性API进行编码的。 最新的版本在子类API中进行了编码，并且更加模块化。 对于LORAKS重建，由于A / D过采样，您将无法重建正确的fastMRI数据。 重建设置 主要的重建设置是具有随机和“定期采样”的笛卡尔单线圈和多线

原版苹果（Apple）Find My 网络配件规范-英文版， 该规范定义了配件如何与 Apple 设备进行通信，以帮助机主通过使用 Find My 网络私下安全地找到自己的配件， 同时详细介绍了Find My 网络的运行及框架， 以及对苹果产品附件的软件和硬件的要求， 包括有蓝牙和NFC, 值得苹果附件产品开发者和生产商参考收藏！

Hinton - Toronto University - Neural Network for Machine Learning Lecture Notes 课件 有 ppt ＆ pdf 两个版本

与经典的卷积神经网络（CNN）相比，提出的胶囊网络欣顿可以使用更少的网络层来很好地完成分类任务，并以更快的速度达到收敛。 胶囊网络的原理是基于CNN，只是将神经元形式从标量转换为向量，即一个胶囊，然后通过动态路由方法选择适合最终输出的胶囊1 。在胶囊网络的基础上，使用反卷积来还原图像并优化原始图像和还原图像之间的误差。 通过数据增强处理的名为Cohn- Kanade Database Plus（CK +）的经典面部情绪数据库用于进行实验。 最近，分类结果与NAO机器人结合在一起。 NAO机器人可以通过改变眼睛的颜色并说出结果来形象化情感，从而达到将理论与实践相结合的目的。

Power_Distribution_Network_Design_for_VLSI

去噪声代码matlab 双线性除雾网络 这是使用成分损失进行除雾的双线性网络的matlab代码。 训练数据准备我们使用NYU2数据集。 从网站“”下载它们。 使用“ gnerate_hazy_img_noise.m”生成朦胧的噪声图像。 使用“ gnerate_hazy_img_nyu.m”生成模糊无噪声的图像。 然后使用“ generate_train.m”制作训练数据。 注意“文件夹”，“模糊”和“深度”分别用于清晰的地面真实图像，模糊图像和深度图。 将它们更改为您自己的路径。 培训使用train.m开始培训。 损失函数vl_nnhazerobustloss.m --->本文使用的L2范数损失。 vl_nnhazesquareloss_non_noise.m --->本文中用于无噪声训练的L2范数损失。 测试使用“ demo_test.m”查看经过训练的模型的去雾和去噪结果。