3GPP management and orchestration of 5G networks and network slicing

神经网络的时间序列分析 重点比较ANN，RNN，LSTM和LSTM在时序分析中的表现 在这个项目中，我建立并比较了四种类型的ANN模型：具有Attention的完全连接的ANN，RNN，LSTM，LSTM。 有两个包含时间序列的数据集。 目的是建立深度神经网络，该网络可以学习数据中的时间模式并预测未来观察的价值。 对于那些模型，我比较了预测的准确性和训练过程的速度。 请参考Report.pdf了解详细说明和参考。 为了构建神经网络，我使用python keras库。 为了实现注意力机制，我使用了Christos Baziotis的。

UNet / FCN PyTorch 该存储库包含U-Net和FCN的简单PyTorch实现，这是Ronneberger等人提出的深度学习细分方法。 和龙等。 用于训练的合成图像/遮罩 首先克隆存储库并cd到项目目录。 import matplotlib . pyplot as plt import numpy as np import helper import simulation # Generate some random images input_images , target_masks = simulation . generate_random_data ( 192 , 192 , count = 3 ) for x in [ input_images , target_masks ]: print ( x . shape ) print ( x . m

Neural Networks and Deep Learning的手写数字识别例程的python3版本，亲自在python shell下修改仿真后，测试无bug

深度学习 该文件夹包含我的各种AI和机器学习项目的深度学习模型。 长短期记忆（LSTM）卷积神经网络（CNN）ResNet50

Keras TCN 与所有主要/最新的Tensorflow版本（从1.14到2.4.0+）兼容。 pip install keras-tcn Keras时间卷积网络。 [] 为什么选择时间卷积网络？ 与具有相同容量的循环体系结构相比，TCN具有更长的内存。 在各种任务（序列MNIST，添加问题，复制内存，字级PTB ...）上，其性能始终优于LSTM / GRU体系结构。 平行度，灵活的接收场大小，稳定的梯度，训练所需的低内存，可变长度的输入... 放大的因果卷积层堆栈的可视化（Wavenet，2016） API 通常的方法是导入TCN层，并在Keras模型中使用它。 下面提供了一个回归任务的示例（对于其他示例，请参阅tasks/ ）： from tensorflow . keras . layers import Dense from tensorflow . keras import Input , Model from tcn import TCN , tcn_full_summary batch_size , timesteps , input_dim = No

使用PyTorch对预训练的卷积神经网络进行微调。 产品特点 可以访问ImageNet上经过预训练的最受欢迎的CNN架构。 自动替换网络顶部的分类器，使您可以使用具有不同类数的数据集训练网络。 使您可以使用任何分辨率的图像（不仅限于在ImageNet上用于训练原始模型的分辨率）。 允许添加一个Dropout层或一个自定义池层。 支持的架构和模型 从包中： ResNet（ resnet18 ， resnet34 ， resnet50 ， resnet101 ， resnet152 ） ResNeXt（ resnext50_32x4d ， resnext101_32x8d ） Dens

Digital electronic systems of all types are rapidly becoming commmunication limited. Movement of data, not arithmetic or control logic, is the factor limiting cost, performance, size, and power in these systems. At the same time, buses, long the mainstay of system interconnect, are unable to keep up with increasing performance requirements.

来自MIT大佬Natalie Enright Jerger、Tushar Krishna、以及Li-Shiuan Peh总结的体系结构片上网络（onchip network）的学习材料（目前主要用于MIT相关课程教学）。 英文摘要：This book targets engineers and researchers familiar with basic computer architecture concepts who are interested in learning about on-chip networks. This work is designed to be a short synthesis of the most critical concepts in on-chip network design. It is a resource for both understanding on-chip network basics and for providing an overview of state of-the-art research in on-chip networks. We believe that an overview that teaches both fundamental concepts and highlights state-of-the-art designs will be of great value to both graduate students and industry engineers. While not an exhaustive text, we hope to illuminate fundamental concepts for the reader as well as identify trends and gaps in on-chip network research. With the rapid advances in this field, we felt it was timely to update and review the state of the art in this second edition. We introduce two new chapters at the end of the book. We have updated the latest research of the past years throughout the book and also expanded our coverage of fundamental concepts to include several research ideas that have now made their way into products and, in our opinion, should be textbook concepts that all on-chip network practitioners should know. For example, these fundamental concepts include message passing, multicast routing, and bubble flow control schemes. Table of Contents: Preface / Acknowledgments / Introduction / Interface with System Architecture / Topology / Routing / Flow Control / Router Microarchitecture / Modeling and Evaluation / Case Studies / Conclusions / References / Authors' Biographies 是学习NOC等领域的非常好的材料。

十字绣网络的多任务学习 该项目是TensorFlow实现的一种多任务学习方法，该方法在论文《。 争论 --lr，学习率 --n_epoch，纪元数 --n_batch_size，最小批处理大小 --reg_lambda，L2正则化lambda --keep_prob，退出保持概率 --cross_stitch_enabled，是否使用十字绣 数据集 时尚MNIST 是Zalando文章图片的数据集，由6万个示例的训练集和10,000个示例的测试集组成。 每个示例都是一个28x28灰度图像，与来自10个类别的标签相关联： 标签 描述 标签 描述 0 T恤/上衣 5 凉鞋 1个 裤子 6 衬衫 2个 套衫 7 运动鞋 3 裙子 8 包 4 外套 9 脚踝靴 为了进行多任务学习，我为每个图像创建了另一个标签，该标签基于原始标签： 标签 原始标签 描述 0 5、7、9