该PPT为阅读Neural Relation Extraction with Selective Attention over Instances论文后所做的笔记，总结了论文中的主要技术，并大致梳理了论文思路

neuro-ode：具有Pytorch神经常微分方程实现的Jupyter笔记本

神经常微分方程的元解法 使用参数化求解器实现鲁棒的神经ODE。 大意 每个具有s级且为p阶的Runge-Kutta（RK）求解器均由一个系数表（ Butcher tableau ）定义。 对于s=p=2 ， s=p=3和s=p=4 ，表中的所有系数都可以使用不超过两个变量的参数设置[1]。 通常，在神经ODE训练期间，使用具有固定Butcher表的RK解算器，并且仅训练右侧（RHS）功能。 我们建议使用RK解算器的整个参数族来提高神经ODE的鲁棒性。 要求 pytorch == 1.7 顶点== 0.1（用于训练） 例子 对于CIFAR-10和MNIST演示，请检查examples文件夹。 元求解器制度 在笔记本examples/cifar10/Evaluate model.ipynb我们展示了如何使用不同类型的Meta Solver机制（即： 单机版 解算器切换/平滑 求解器集成

原文作者：Binh-Son Hua、Minh-Khoi Tran、Sai-Kit Yeung。 文章地址：https://arxiv.org/abs/1712.05245 github项目地址：https://github.com/scenenn/pointwise 在本文中，我们提出了一种用于3D点云的语义分割和目标识别的卷积神经网络。 我们网络的核心是逐点卷积，这是一种新的卷积算子，可以作用于点云的每个点。我们的全卷积网络设计实现起来惊人地简单，在语义分割和目标识别任务方面都可以提供具有竞争力的准确性。

SampleNet：可微分的点云采样 由特拉维夫大学的Itai Lang，Asaf Manor和Shai Avidan创建。 介绍 这项工作基于我们的。请阅读它以获取更多信息。也欢迎您观看CVPR 2020的。 直接在点云上工作的任务越来越多。随着点云大小的增加，这些任务的计算需求也随之增加。一个可能的解决方案是首先对点云进行采样。经典采样方法（例如，最远点采样（FPS））不考虑下游任务。最近的一项工作表明，学习针对特定任务的采样可以显着改善结果。但是，提出的技术并未处理采样操作的不可微性，而是提供了一种解决方法。 我们为点云采样引入了一种新颖的微分松弛。我们的方法采用了一种软投影操作，该操作将采样点近似为主要输入云中的混合点。近似值由温度参数控制，并在温度变为零时收敛到常规采样。在训练过程中，我们使用投影损耗来鼓励温度下降，从而使每个采样点都靠近输入点之一。 这种近似方案可在各种应用（例

Keras注意机制 Keras的多对一注意力机制。 通过pip安装 pip install attention 导入源代码 from attention import Attention # [...] m = Sequential ([ LSTM ( 128 , input_shape = ( seq_length , 1 ), return_sequences = True ), Attention (), # <--------- here. Dense ( 1 , activation = 'linear' ) ]) 例子 在运行示例之前，请先

此仓库仅实现GhostNet的演示代码。 请移至以获取更多详细信息。 幽灵网 此存储库提供了CVPR 2020论文Pytorch演示实现。 带有预训练模型的TensorFlow / PyTorch实现可在。 要求 该代码已在Python3 PyTorch 1.0+上进行了验证。 用法 用法示例： import torch from ghost_net import ghost_net model = ghost_net(width_mult=1.0) input = torch.randn(32,3,224,224) y = model(input) print(y) GhostNet简介 GhostNet：廉价运营带来的更多功能。 CVPR2020。 韩开，王云和，田琦，郭建元，徐春景，徐昌。 方法 表现 GhostNet击败了其他SOTA轻量级CNN，例如MobileNetV

Manning.Grokking.Deep.Reinforcement.Learning.无水印版pdf

A very good textbook for researchers working on the NN theory, yet if you just want to know what is NN, it perhaps is too much for you to digest!

用于非时间实时火灾检测的实验定义的卷积神经网络体系结构变体 [及后续工作：用于非时间实时火灾检测的紧凑型卷积神经网络体系结构的实验探索] 使用Python 3.7.x， ， 和（需要opencv额外模块-用于超像素分割的ximgproc模块） 架构： FireNet体系结构（以上） InceptionV1-OnFire架构（以上） InceptionV3-OnFire架构（以上） InceptionV4-OnFire架构（以上） 抽象： “在这项工作中，我们研究了在实时范围内自动检测视频（或静态）图像中火灾像素区域的方法，而无需依赖于时域场景信息。作为对该领域先前工作的扩展，我们考虑了