基于知识的认知雷达 该方向为雷达领域的新发展方向 而本书对于学习该方面的技术人员将提供很好的借鉴价值！

CLSAG：紧凑的可链接环签名。 对MLSAG的修改

科技文献检索与写作：04第三章 第四节 4 Web of Knowledge.ppt

yolov3 yolov4 channel and layer pruning, Knowledge Distillation 层剪枝，通道剪枝，知识蒸馏 yolov3-channel-and-layer-pruning 本项目以ultralytics/yolov3为基础实现，根据论文Learning Efficient Convolutional Networks Through Network Slimming (ICCV 2017)原理基于bn层Gmma系数进行通道剪枝，下面引用了几种不同的通道剪枝策略，并对原策略进行了改进，提高了剪枝率和精度；在这些工作基础上，又衍生出了层剪枝，本身通道剪枝已经大大减小了模型参数和计算量，降低了模型对资源的占用，而层剪枝可以进一步减小了计算量，并大大提高了模型推理速度；通过层剪枝和通道剪枝结合，可以压缩模型的深度和宽度，某种意义上实现了针对不同数据集的小模型搜索。 项目的基本工作流程是，使用yolov3训练自己数据集，达到理想精度后进行稀疏训练，稀疏训练是重中之重，对需要剪枝的层对应的bn gamma系数进行大幅压缩，理想的压缩情况如下图，

Mapping of Runnables in RTE Background Knowledge MICROSAR

json-ld-transform 这是一个旨在将每个json转换为。 如何使用 首先，克隆存储库。 $ git clone https://github.com/krinde/json-ld-transform.git 然后，在本地安装依赖项。 $ cd json-ld-transform $ npm install 最后，运行测试。 $ npm test 例子 var input = { "_id" : "5b51a803c3665e14977c4a20" , "name" : "Booth Garner" , "email" : "boothgarner@daycore.com" , "phone" : "+1 (817) 421-3062" , "about

零知识证明 该存储库包含ING的Bulletproof ，零知识范围证明（ZKRP）和零知识集成员资格（ZKSM）的实现。 当前的实现基于以下论文： 基于以下论文的范围证明： Fabrice Boudot给出内。 设置成员资格证明基于Jan Camenisch，Rafik Chaabouni和Abhi Shelat撰写的论文 。 BenediktBünz，Jonathan Bootle，Dan Boneh，Andrew Poelstra，Pieter Wuille和Greg Maxwell撰写的基于纸质的：“等等。 零知识范围证明 区块链技术中的一个基本问题是数据的机密性。 为了在所有独立节点之间达成共识，每个节点必须能够验证所有事务（例如，针对双花），在大多数情况下，这意味着事务的内容对于所有节点都是可见的。 幸运的是，存在几种在区块链上保持机密性的解决方案（私有交易，HyperL

知识跟踪收集火炬

知识蒸馏 知识蒸馏（a.k.a Teacher-Student Model)旨在利用一个小模型（Student）去学习一个大模型（Teacher）中的知识， 期望小模型尽量保持大模型的性能，来减小模型部署阶段的参数量，加速模型推理速度，降低计算资源使用。 目录结构 1.参考 (Hinton et al., 2015), 在cifar10数据上的复现，提供一个对Knowledge Distillation的基本认识，具体内容请查阅： 2.利用BERT-12 作为Teacher，BERT-3作为student，同时学习ground truth 和 soften labels，性能与Teacher 相当甚至更优，具体内容请查阅： 主要参考论文： 3.利用模块替换的思路，来进行Knowledge Distillation，具体内容请查阅： 论文： Blog: repo: 4.利用不同样本预测的难易

半导体先进封装专业知识,适合于想初步了解这方面的朋友们.