Jena中的推理引擎和RACER都是针对具体本体语言的推理机，针对性强，效率高。

针对知识图谱（KG）在知识驱动的人工智能研究中发挥的强大支撑作用，分析并总结了现有知识图谱和知识超图技术。首先，从知识图谱的定义与发展历程出发，介绍了知识图谱的分类和架构；其次，对现有的知识表示与存储方式进行了阐述；然后，基于知识图谱的构建流程，分析了各类知识图谱构建技术的研究现状。特别是针对知识图谱中的知识推理这一重要环节，分析了基于逻辑规则、嵌入表示和神经网络的三类典型的知识推理方法。此外，以异构超图引出知识超图的研究进展，并提出三层架构的知识超图，从而更好地表示和提取超关系特征，实现对超关系数据的建模及快速的知识推理。最后，总结了知识图谱和知识超图的典型应用场景并对未来的研究作出了展望。

MedNLI-临床文本中的自然语言推理 信息 该存储库包含用于完全重现本文中的实验的代码。 因此，它具有相当多的依赖关系，并且安装起来并不容易。 如果您只想使用带有预训练模型的简单现成的基准，请查看我们的基准存储库： : 安装 克隆此仓库： git clone ... 安装NumPy： pip install numpy==1.13.3 安装PyTorch v0.2.0： pip install http://download.pytorch.org/whl/cu80/torch-0.2.0.post3-cp36-cp36m-manylinux1_x86_64.whl （请参阅以获取详细信息） 安装要求： pip install -r requirements.txt 安装MetaMap： ：//metamap.nlm.nih.gov/Installation.shtml 确

Ultra_net：针对DAC-SDC 2020的基于FPGA的对象检测 这是基于FPGA的神经网络推理的存储库。 该设计在获得了第一名。 BJUT_北京工业大学跑步者集团 詹康，郭俊南，宋冰岩，张文波*，包振山* 最终排名发布在 储存库组织 培训：包含培训脚本。 模型：包含预训练的权重，模型脚本和测试脚本。 量化：包含python脚本，该脚本处理要在Vivado HLS中使用的模型生成头文件。 hls：包含Ultra_net的Vivado HLS实现。 vivado：包含Vivado块设计文件。 部署：一个Jupyter笔记本，展示了如何使用基于FPGA的神经网络在ultra96-PYNQ上执行对象检测。 火车 cd火车/ yolov3 / python3 train.py-多尺度--img大小320-多尺度-批处理大小32 量化 cd量化/ python3 torch

在OpenHarmony上，使用tensorflow lite推理Yamnet实现语音分类 包含所需要的Tensorflow lite OHOS 库的编译方式 测试所需要的测试数据以及源码 基于Tensoflow lite c++ sdk接口编写

c# 通过emgucv调用gpu推理yolov7和yolov7-tiny，darknet版本。

c#运用emgucv4.6.0版本调用gpu推理yolov7，darknet版本。RTX2060显卡推理yolov7-tiny总耗时是6ms，推理yolov7总耗时26ms。注意不是pytorch。

介绍人工智能基本特点、原理和方法，包括推理方法和语义分析等。

时序预测_Bayes贝叶斯推理_优化LSTM预测Matlab实现(含完整源码+数据) Matlab实现了随机波动率模型(包括LSTM-SV, SV等)的贝叶斯推理、预测和模拟。

论文研究-基于模糊证据推理的突发事件风险分析模型.pdf,  突发事件发生、发展和演化过程中的风险属性来源复杂, 且相关信息具有不确定、不完备的特点. 为准确分析这一特点下的突发事件运行风险问题, 引入模糊证据推理构建分析模型. 首先根据突发事件的结构化描述框架和故障模式影响危害分析(FMECA)方法构建突发事件风险属性识别框架, 获取信息作为风险分析证据并对其进行规范化处理; 然后以模糊证据推理构建突发事件风险分析的模型, 通过计算, 给出事件风险程度的合理判断; 最后选取CRH某型动车组行车安全事件进行实例分析. 分析结果表明, 在分析突发事件风险时, 针对信息不确定、不完备特点构建的模糊证据推理模型具有可行性与有效性, 同时该模型能够为突发事件风险分析和风险应对决策的制定提供辅助参考.