“Practical Convolutional Neural Networks: Implement advanced deep learning models using Python” Md. Rezaul Karim,Mohit Sewak,Pradeep Pujari 2018年2月 epub文件，内含示例源码

通过混合转换和依赖于峰值时序的反向传播来启用深度峰值神经网络 这是与在发表的论文“使用混合转换和峰值定时依赖的反向传播实现深度尖峰神经网络”相关的代码。 培训方法 培训分以下两个步骤进行： 训练ANN（'ann.py'） 将ANN转换为SNN并执行基于尖峰的反向传播（'snn.py'） 档案文件 'ann.py'：训练一个ANN，可以提供输入参数来提供建筑设计，数据集，训练设置 'snn.py'：从头开始训练SNN或执行ANN-SNN转换（如果有预训练的ANN可用）。 / self_models：包含ANN和SNN的模型文件 'ann_script.py'和'snn_script.py'：这些脚本可用于设计各种实验，它创建可用于运行多个模型的'script.sh' 训练有素的人工神经网络模型 训练有素的SNN模型 问题 有时，“ STDB”的激活在训练过程中会变得不稳定，从而

Matlab代码sqrt 神经网络学习 在这个项目中，我们将为神经网络实现反向传播算法，并将其应用于手写数字识别的任务。 该项目是吴安德（Andrew Ng）的练习。 要开始该项目，您需要下载启动程序代码并将其内容解压缩到目录中。 ex4data1.mat有5000个培训示例。 该项目的起点是ex4.m Octave脚本。 神经网络 在前面的文章中，我们为神经网络实现了前馈传播，并使用它提供的权重来预测手写数字。 在这个项目中，我们将实现反向传播算法来学习神经网络的参数。 可视化数据 首先，通过调用函数displayData可视化训练数据并将其显示在二维图上： 图1：训练数据示例 每个训练示例都是20像素乘20像素的数字灰度图像。 每个像素由一个浮点数表示，该数字指示该位置的灰度强度。 将20 x 20像素像素网格“展开”为400维向量。 这些训练示例中的每一个都成为数据矩阵X一行。 这为我们提供了一个5000 x 400的矩阵X ，其中每一行都是一个手写数字图像的训练示例。 训练集的第二部分是5000维向量y ，其中包含训练集的标签。 为了使事情与没有零索引的Octave / Mat

Haykin经典教材Neural Networks - A Comprehensive Foundation及Matlab代码

NanoDet 超快速，轻量的无锚物体检测模型。 在移动设备上实时。 :high_voltage: 超轻量级：模型文件只有1.8 MB。 :high_voltage: 超快：移动ARM CPU上97fps（10.23ms）。 :smiling_face_with_sunglasses: 易于培训：GPU内存成本比其他型号低得多。 GTX1060 6G上可使用批处理大小= 80。 :smiling_face_with_sunglasses: 易于部署：基于ncnn推理框架提供C ++实现和Android演示。 消息！！！ [2021.03.12]将变压器编码器应用于NanoDet！ 引入NanoDet-t ，用TAN（变压器关注网络）替代NanoDet-m中的PAN，在COCO val 2017上获得21.7 mAP（+1.1）。有关更多详细信息，请检查 。 [2021.03.03]更新了Nanodet-m-416 COCO预训练模型。 可可mAP（0.5：0.95）= 23.5 。 在下载。 [2021.02.03]支持和主干。 请检查。

计算机视觉github开源论文

计算机视觉Github开源论文

计算机视觉Github开源论文

计算机视觉Github开源论文

计算机视觉Github开源论文