关于Relu文章的理解翻译，原文见paper：Deep Sparse Rectifier Neural Networks

具有Deep RL的TSP解算器 这是具有增强学习功能的神经组合优化的PyTorch实施，Bello等人。 2016 [ ] 指针网络是Vinyals等人提出的模型架构。 2015 [ ] 该模型使用注意力机制来输出输入索引的排列。 在这项工作中，我们将解决旅行商问题（TSP），这是被称为NP-hard的组合优化问题之一。 TSP寻求推销员最短的行程，使他们只能一次访问每个城市。 在没有监督解决方案的情况下进行培训 在训练阶段，此TSP求解器将优化2种不同类型的指针网络，Actor和Critic模型。 给定一个以城市为节点的城市图，评论家模型可以预测预期的旅行时长，通常称为状态值。 当估计行程长度赶上由演员模型预测的行程（城市排列）计算出的实际长度时，评论者模型的参数将得到优化。 Actor模型使用称为好处的值更新其策略参数，该值从实际巡回行程中减去状态值。 影评人 Actor

SSD：单发MultiBox检测器 介绍 这是我的2种模型的pytorch实现： SSD-Resnet50和SSDLite-MobilenetV2 。 这些模型基于论文描述的原始模型（SSD-VGG16）。 此实现支持混合精度训练。 SSD Resnet50的输出示例。 动机 为什么在已经有许多ssd实现的情况下存在此实现？ 我相信许多人在看到此实现时都会想到这个问题。 实际上，Pytorch中已经有许多SSD及其变体的实现。 但是，其中大多数是： 过于复杂 模块化 增加了许多改进 未评估/可视化 以上几点使学习者难以理解原始ssd的外观。 因此，我将重点放在简单性上来重新实现这个众所周知的模型。 我相信此实现适合不同级别的ML / DL用户，尤其是初学者。 与本文中描述的模型相比，有一些小的更改（例如主干），但是其他部分严格遵循本文。 数据集 数据集 班级 ＃火车图片 ＃验证图片

BigGAN-PyTorch 作者的正式非官方PyTorch BigGAN实现。 此仓库包含由Andrew Brock，Jeff Donahue和Karen Simonyan的训练中的BigGAN的4-8 GPU训练代码。 这段代码是由Andy Brock和Alex Andonian编写的。 如何使用此代码 你会需要： 版本1.0.1 tqdm，numpy，scipy和h5py ImageNet培训集 首先，您可以选择为目标数据集准备经过预处理的HDF5版本，以实现更快的I / O。 遵循此步骤（或不执行此操作），您将需要计算FID所需的Inception时刻。 这些都可以通过修改

Game Theory in Wireless and Communication Networks 博弈论在通信中中的经典教材

Computer Networks and Internets (6th Edition) Computer Networks and Internets (6th Edition)

数据网络 data networks/ (美) Dimitri Bertsekas, Robert Gallager著 ; 卢刚, 王康译 part2

类激活图 通过可视化对于这些模型的预测（或视觉解释）“重要”的输入区域，可以使基于卷积神经网络（CNN）的模型更加透明的技术。 使用VinBigData图像和Inception架构的示例

美国运输模式 US-Transporation是我们数据集的名称，其中包含来自13个以上用户的传感器数据。 鉴于文献中缺乏针对TMD的通用基准，我们通过一个简单的Android应用程序收集了一大套属于不同主题的度量。 我们公开发布数据集，以便其他研究人员可以从中受益，以进行进一步的改进和提高研究的可重复性。 我们的数据集是由不同性别，年龄和职业的人构建的。 此外，我们不对应用程序的使用施加任何限制，因此，每个用户都记录自己习惯执行该操作的数据，以便评估现实世界的状况。 除了可下载的数据集之外，在此页面中，您还可以找到Python的代码以提取特征，并建立机器学习模型以进行预测。 您可以在找到有关数据集和我们的工作的更多信息。 如果对您的研究有所帮助，请在您的出版物中引用以下论文： @article{carpineti18, Author = {Claudia Carpineti,

RegNet 介绍 在这项工作中，我们提出了一种通过学习方法来解决非刚性图像配准的方法，而不是通过对预定义的相异性度量进行迭代优化来解决。 我们设计了卷积神经网络（CNN）架构，与所有其他工作相反，该架构直接从一对输入图像中估计位移矢量场（DVF）。 提议的RegNet使用大量的人工生成的DVF进行了训练，没有明确定义相异性度量标准，并且以多种比例集成了图像内容，从而为网络配备了上下文信息。 在测试时，与当前的迭代方法相反，非刚性配准是一次完成的。 引文 [1] ， ， ， ， ， ， 和 ，2019年。。 arXiv预印本arXiv：1908.10235。 [2] ， ， ， ， IvanaIšgum和Marius Staring ，2017年9月。 使用多尺度3D卷积神经网络进行非刚性图像配准。 在医学图像计算和计算机辅助干预国际会议上（第232-239页）。 湛