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

具有TensorFlow的贝叶斯神经网络 如我的论文所述，该存储库考虑了贝叶斯人工神经网络的实现。 实施的中心是模块 ，其中我们的许多技术工作都受到启发。 该存储库的主要结构如下：

基本SR BasicSR（基本超级还原）是基于PyTorch的开源图像和视频还原工具箱（超分辨率，去噪，去模糊等）。 这是原始BasicSR的经过大量修改的分支。 您将在此处找到的内容：用于训练和测试计算机视觉（CV）模型的样板代码，集成在单个管道中的不同CV方法和策略以及模块化，以根据需要添加和删除组件，包括新的网络体系结构。 进行了大量的代码重写，以减少代码冗余和重复，重组代码并使其更具模块化。 可以在找到支持的体系结构的详细信息。 （自述文件当前为WIP） 此代码的最新版本中的一些新功能： 现在，将不同功能（HFEN，SSIM / MS-SSIM，SPL，TV / DTV等）使用的滤镜和图像操作合并到filter.py和colors.py中。 可重用的损失生成器，可以减少使用新模型时所需的更改，并且对所有模型仅添加一次新损失 度量构建器，在验证期间仅包括选定的那些。

和声2 神经网络音乐生成 利用最先进的 NLP 模型来生成人类发声的音乐 该项目是由加州大学伯克利分校的 John Canny 教授主持的 CS282-设计和可视化神经网络课程的一部分。 目标 我们调查了以下研究问题：“我们如何构建一个模型来生成离散标记序列，这些标记不仅可以模拟短期模式，还可以模拟长期模式。” 我们将结合音乐生成进行这项研究——节奏和旋律是短期模式，形式和结构是我们将尝试建模的长期模式。 背景 关于人工音乐生成的挑战已经有广泛的研究。 最近的方法包括 LSTM 和双 STM 架构 [1]，SeqGAN 架构，它训练生成对抗网络以通过策略梯度 [2] 或 GAN [3] 生成结构化序列。 然而，最新的进展来自 OpenAI，并利用了 NLP 深度学习模型的最新突破。 他们使用的是变压器的改进版本，称为音乐变压器。 该模型使用注意力机制：每个输出元素都连接到每个输入元素，并且它们之间的权重是动态计算的。 它没有明确地通过对音乐的理解进行编程，但它可以通过学习预测标记（以结合音高、音量和乐器信息的方式编码的音符）来发现和声、节奏和风格的模式。 MIDI 文件。 有关更多信息

matlab bp神经网络激活函数的代码BP神经网络Matlab 描述 Matlab中的BP神经网络。 教程 该程序用于Matlab的主要应用程序来生成和训练BP神经网络。 我选择Sigmoid作为隐藏层的激活函数，并选择Linear函数作为输出层的激活函数。 在运行程序之前，应将所有文件添加到Matlab路径中。 除非要改进我的代码，否则最好在BPtrain.m中运行该程序。 您只需更改默认值即可在BPtrain.m中更改训练集，隐藏层中的神经元数量，学习率，重复次数和检查间隔。 如果输入大小和输出大小均为1，则可以运行film.m来生成显示训练过程的电影。 可以在和gif180906.gif中看到一个示例。 此外，您可以随时暂停BPtrain.m并使用下面的代码检查您的训练结果。 plot(x, y) 注意：如果上面的代码不起作用，请继续运行BPtrain.m一段时间，然后再次暂停。 可能是因为脚本在另一个工作空间处停止了。 享受BPNN和Matlab的乐趣！ 欢迎提出建议和调整（以及STAR）。 由Bill在北京创建7/9/2018

PyTorch中的受限玻尔兹曼机（RBM） 作者： 概述 该项目使用PyTorch实现了受限玻尔兹曼机（RBM）（请参阅rbm.py ）。 我们的实现包括动量，权重衰减，L2正则化和CD- k对比散度。 我们还提供对CPU和GPU（CUDA）计算的支持。 另外，我们提供了一个示例文件，将我们的模型应用于MNIST数据集（请参阅mnist_dataset.py ）。 该示例训练了RBM，使用训练后的模型从图像中提取特征，最后使用基于SciPy的逻辑回归进行分类。 它达到了92.8％的分类精度（这显然不是前沿模型）。

自述文件 介绍 基于MATLAB神经网络工具箱训练的网络权重和偏差的LSTM simulink模型 如果您知道权重和偏差，也可以使用在其他地方培训的网络。 版本 MATLAB R2018a

Multi-AUV Hunting Algorithm Based on Bio-inspired Neural Network in Unknown

笔记 不能保证所有实现都是正确的，未经原始作者检查，只能从本文描述中重新实现。 原始纸 包含EEGNet的原始论文和模型 tf_EEGNet 这是EEGNet的张量流实现 有关更多信息，请参见 tf_ConvNet 这是ConvNet的tensorflow实现 有关更多信息，请参见 留一题实验 型号：tf_EEGNet BCI_competion 2a的预处理 1. A trial contained 2s and was extraced 0.5s after the cue was given. 2. A 4-38Hz bandpass was done by a causal 6-order Butterworth fliter. 3. The MI dataset was sampled at 250Hz. And it was resampled to 128Hz for E