路径GAN 基于采样路径规划启发式生成对抗网络的Pytorch实现 表中的内容 结构 PathGAN的总体结构由两部分组成： RRT *搜索算法和 产生性的对抗性网络，用于产生有希望的区域 搜索算法 RRT*算法： 比较RRT*和Heuristic RRT* ： GAN架构 GAN整体架构： GAN架构的详细信息： 数据集 数据集 训练 结果 执照 该项目在麻省理工学院获得许可。 链接 基于生成式对抗网络的启发式算法，用于基于采样的路径规划（arXiv文章） GAN路径查找器（arXiv文章）

傅立叶神经算子 该存储库包含该论文的代码： 在这项工作中，我们通过直接在傅立叶空间中对积分内核进行参数化，从而制定了一种新的神经元运算符，从而实现了高效而富有表现力的体系结构。我们对Burgers方程，Darcy流和Navier-Stokes方程（包括湍流状态）进行实验。与现有的神经网络方法相比，我们的傅里叶神经算子显示了最先进的性能，并且与传统的PDE求解器相比，它的速度提高了三个数量级。 它来自以前的作品： 要求 档案文件 代码采用简单脚本的形式。每个脚本应该是独立的并且可以直接运行。 fourier_1d.py是傅立叶神经算子1D的问题，如（与时间无关的）Burgers方程的第5.1节中所讨论的。 fourier_2d.py是傅立叶神经算子的2D问题如达西流在第5.2节中所讨论的。 fourier_2d_time.py是傅立叶神经算子的2D问题诸如在5.3节中讨论的Navier

目标检测训练秘籍，Bag of Freebies for Training Object Detection Neural Networks.pdf

感知相似性指标和数据集 深度特征作为感知指标的不合理有效性（ ，（ ，（ ，（ ，（ 。 在 ，2018中。 快速开始 运行pip install lpips 。 下面的Python代码就是您所需要的。 import lpips loss_fn_alex = lpips . LPIPS ( net = 'alex' ) # best forward scores loss_fn_vgg = lpips . LPIPS ( net = 'vgg' ) # closer to "traditional" perceptual loss, when used for optimizat

生物神经网络工具箱 Biological Neural Networks (BNNs) Toolbox for MATLAB 是一款免费的开源软件，用于模拟大脑和中枢神经系统模型，基于 MATLAB 计算平台。 正如工具箱的名称所暗示的那样，该软件包的主要目标是为用户提供一组集成工具来创建生物神经网络模型并轻松对其进行模拟，而无需进行大量编码。 用户可以使用预定义的库函数在不到 10 行代码（或者甚至是一行，如果他们将所有参数都提供给主函数）中创建和模拟一个巨大的尖峰神经元网络。 还可以使用模板库项目或为此提供的特殊工具轻松创建新模型并将其添加到库中。 有关此工具箱的更多信息，请参阅文档 (BNNToolbox.pdf)。

清华大学孙茂松课题组，《图神经网络: 方法与应用》综述论文。

In fine art, especially painting, humans havemastered the skill to create unique visual experiences through composing a complex interplay between the con- tent and style of an image. Thus far the algorithmic basis of this process is unknown and there exists no artificial system with similar capabilities. How- ever, in other key areas of visual perception such as object and face recognition near-human performance was recently demonstrated by a class of biologically inspired vision models called Deep Neural Networks. Here we introduce an artificial system based on a Deep Neural Network that creates artistic images of high perceptual quality. The system uses neural representations to sepa- rate and recombine content and style of arbitrary images, providing a neural algorithm for the creation of artistic images. Moreover, in light of the strik- ing similarities between performance-optimised artificial neural networks and biological vision,our work offers a path forward to an algorithmic under- standing of how humans create and perceive artistic imagery.

快速人工神经网络库 法恩 快速人工神经网络（FANN）库是一个免费的开源神经网络库，它以C语言实现了多层人工神经网络，同时支持完全连接和稀疏连接的网络。 支持定点和浮点的跨平台执行。 它包括一个易于处理培训数据集的框架。 它易于使用，用途广泛，有据可查且快速。 可以绑定超过15种编程语言。 该库随附了易于阅读的介绍文章和参考手册，以及有关如何使用该库的示例和建议。 该库还提供了几种图形用户界面。 FANN功能 C语言中的多层人工神经网络库 反向传播训练（RPROP，Quickprop，批处理，增量式） 不断发展的拓扑训练，可动态构建和训练ANN（Cascade2） 易于使用（只需三个函数调用即可创建，训练和运行ANN） 快速（执行速度是其他库的150倍） 多功能（可以即时调整许多参数和功能） 记录良好（易于阅读的介绍文章，详尽的参考手册以及描述实施注意事项的50多页大学报告等） 跨平台（据报道，Linux和Unix的配置脚本，Windows的dll文件，MSVC ++的项目文件和Borland编译器也可以正常工作） 实现了几种不同的激活功能（包括用于额外速度的逐步

KelpNet：纯C＃机器学习框架 /* SampleCode */ FunctionStack nn = new FunctionStack ( new Convolution2D ( 1 , 32 , 5 , pad : 2 , name : " l1 Conv2D " ), new ReLU ( name : " l1 ReLU " ), new MaxPooling ( 2 , 2 , name : " l1 MaxPooling " ), new Convol

持续学习基准 使用流行的持续学习算法评估三种类型的任务转移。 该存储库使用PyTorch实现并模块化了以下算法： EWC： ，（克服神经网络中的灾难性遗忘） 在线EWC： ， SI： ，（通过突触智能持续学习） MAS： ，书面（“内存感知突触：学习（不）忘记的内容”） 创业板： ，（用于持续学习的梯度情景记忆） （更多即将到来） 将以上所有算法与具有相同静态内存开销的以下基准进行比较： 天真彩排： L2： ， 关键表： 如果此存储库对您的工作有所帮助，请引用： @inproceedings{Hsu18_EvalCL, title={Re-evaluating Continual Learning Scenarios: A Categorization and Case for Strong Baselines}, author={Yen-Chang Hsu a