菌素 phygnn （fi-geon | ˈfi-jən）名词。 物理学指导的神经网络 一只稀有的神话鸟 物理学指导的神经网络的这种实现通过通用的损失项增强了传统的神经网络损失功能，该损失项可用于指导神经网络学习物理或理论约束。 phygnn使科学软件开发人员和数据科学家能够轻松地将机器学习模型集成到物理和工程应用程序中。当将纯数据驱动的机器学习模型应用于科学应用时，例如当机器学习模型产生物理上不一致的结果或难以推广到样本外场景时，此框架应有助于缓解一些经常遇到的挑战。 有关phygnn类框架的详细信息，请参见 例如，使用phygnn架构进行回归，分类甚至GAN应用，请参见 在国家可再生能源实验室（NREL），我们使用phygnn框架来补充传统的基于卫星的云属性预测模型。当传统的机械模型失效时，我们使用phygnn预测云的光学特性，并使用基于张量的完整辐射传递模型作为物理损耗函数，将预测

THUMT：神经机器翻译的开源工具包 内容 介绍 机器翻译是一种自然语言处理任务，旨在自动使用计算机翻译自然语言。 最近几年见证了端到端神经机器翻译的飞速发展，这已成为实际MT系统中的新主流方法。 THUMT是由开发的用于神经机器翻译的开源工具包。 THUMT的网站是： ://thumt.thunlp.org/。 在线演示 THUMT的在线演示可从。 涉及的语言包括古代汉语，阿拉伯语，中文，英语，法语，德语，印尼语，日语，葡萄牙语，俄语和西班牙语。 实作 THUMT当前具有三个主要实现： ：与开发的新实现。 它实现了Transformer模型（ Transformer ）（ ）。

neural-machine-translation

Gluon CV工具包 | | | | GluonCV提供了计算机视觉中最先进的（SOTA）深度学习模型的实现。 它是为工程师，研究人员和学生设计的，用于基于这些模型快速制作原型产品和研究思路。 该工具包提供四个主要功能： 训练脚本以重现研究论文中报告的SOTA结果 同时支持PyTorch和MXNet 大量的预训练模型 精心设计的API，可大大降低实施复杂性 社区支持 演示版 在或检查高清视频。 支持的应用 应用 插图 可用型号 识别图像中的物体。 50多个模型，包括 ， ， ， ，... 用它们的检测多个对象图像中的边界框。 ， ， 关联图像的每个像素带有分类标签。 ， ， ， ， ， ， 检测物体并关联对象区域内的每个像素都有一个实例标签。 检测人体姿势从图像。 认识人类的行为在视频中。 MXNet： ， ， ， ， ， ， ，， PyTorch： ， ， ， ，， ， ， 预测深度图从图像。 生成视觉欺骗性图像 ， ， 重新识别场景中的行人 安装 GluonCV构建在MXNe

In matlab, the optimization process based on BP neural network combined with genetic algorithm includes the problem description of text documents.

MATLAB Deep Learning With Machine Learning, Neural Networks and Artificial Intelligence 英文无水印pdf pdf所有页面使用FoxitReader和PDF-XChangeViewer测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 本资源转载自网络，如有侵权，请联系上传者或csdn删除

阻尼最小二乘法matlab代码项目1：使用多层感知器的双月分类问题 使用MLP项目1 –团队一的双月分类问题 Abhinav Karthik Sridhar科学硕士–电气工程，美国亚利桑那州立大学 Sanjay Kumar Reddy理学硕士–美国亚利桑那州立大学电气工程 Venkata Motupalli理学硕士–美国亚利桑那州立大学电气工程 摘要-该项目的关键思想是在上下月球上使用随机数据点（1000），并以给定的距离'd'进行分隔，并使用三种神经网络案例对它们进行分类：反向传播，带动量的反向传播和Levenberg- Marquardt使用多层感知器。 简介多层感知器（MLP）是一类前馈人工神经网络。 一个MLP至少由三层节点组成。 除输入节点外，每个节点都是使用非线性激活函数的神经元。 MLP利用称为反向传播的监督学习技术进行训练。 它的多层结构和非线性激活将MLP与线性感知器区分开来。 它可以区分不可线性分离的数据。 图1多层感知器网络 每个MLP都具有激活功能，隐藏层的数量以及与每个隐藏层相关的隐藏神经元的数量以及与训练方法相关的学习率。 因此，我们使用Levenberg-

神经网络实现mppt控制

Heterogeneous Information Network 传统的同构图（Homogeneous Graph）中只存在一种类型的节点和边，当图中的节点和边存在多种类型和各种复杂的关系时，再采用Homo的处理方式就不太可行了。这个时候不同类型的节点具有不同的特征，其特征可能落在不同的特征空间中，如果仍然共享网络参数、同样维度的特征空间，又或者尝试将异构图映射到同构图中，根本无法学习到“异构”的关键，即无法探索到不同节点之间，监督标签之间的联系，而这又是十分重要的。 如上图著名的异构例子，学术网络图，它包含“论文”paper、“作者”author、“会议”venue和“机构”org等节点类

神经网络和深度学习（Neural Networks and Deep Learning） by Michael Niels