用于AI，机器学习和深度学习的IC和IP的列表。 AI芯片（IC和IP）编辑ST（Linkedin）欢迎访问我的微信博客StarryHeavens以上更多与AI芯片相关的文章最新更新添加Synaptics Katana平台新闻。 添加Graphcore MK2性能基准。 添加SambaNova的新闻。 添加世界语的ML芯片的新闻。 添加AWS Trainium的新闻。 添加启动SimpleMachines。 添加有关SK Telecom SAPEON X220的新闻。 添加Imagination AI加速器的新闻。 添加神话消息。 将链接添加到MLPerf推理结果

裂缝的 Unet 语义分割 使用 PyTorch、OpenCV、ONNX 运行时的实时裂缝分割 依存关系： 火炬 OpenCV ONNX 运行时 CUDA >= 9.0 指示： 1.使用您的数据集训练模型并在supervisely.ly上使用unet_train.py保存模型权重（.pt文件） 2.使用pytorch_to_onnx.py将模型权重转换为ONNX格式 3.使用crack_det_new.py获取实时推理 裂纹分割模型文件可点击此下载 结果： 图表：

Q-learning with epsilon-greedy explore Algorithm for Deterministic Cleaning Robot V1 确定性清洁机器人 MDP 清洁机器人必须收集用过的罐子也必须为其充电电池。 状态描述了机器人的位置和动作描述运动的方向。 机器人可以向左移动或向左移动正确的。 第一个 (1) 和最后 (6) 个状态是终端状态。 目标是找到最大化回报的最优策略从任何初始状态。 这里是 Q-learning epsilon-greedy 探索使用算法（在强化学习中）。 算法 2-3，来自： @book{busoniu2010reinforcement, title={使用函数逼近器的强化学习和动态规划}， 作者={Busoniu，Lucian 和 Babuska，Robert 和 De Schutter，Bart 和 Ernst，Damien

论文阅读笔记 Xie_Deep Learning Enabled Semantic Communication System 共计9页，详细手写

无论是设计算法，准备和标注数据，还是生成代码并部署到嵌入式系统，只需短短几行 MATLAB? 代码，就可以在工作中应用深度学习方法。

深度对冲演示 使用机器学习对衍生产品定价 1) Jupyter version: Run ./colab/deep_hedging_colab.ipynb on Colab. 2) Gui version: Run python ./pyqt5/main.py Check ./requirements.txt for main dependencies. Black-Scholes（BS）模型-于1973年开发，并基于获得诺贝尔奖的作品-在近半个世纪以来一直是定价选择和其他金融衍生品的事实上的标准。 在理想的金融市场的假设下，可以使用该模型来计算期权价格和相关的风险敏感性。 然后，交易者可以从理论上使用这些风险敏感性来创建完善的对冲策略，以消除期权组合中的所有风险。 但是，在现实世界中很难满足完美金融市场的必要条件，例如零交易成本和连续交易的可能性。 因此，在实践中，银行必须依靠其交

ISIC 2018：黑色素瘤检测的皮肤病变分析 概括 更新：2018年7月15日，包括k倍验证以及验证/测试预测和提交。 该存储库为基于Keras / Tensorflow的ISIC-2018挑战的任务1和任务3提供了一个起始解决方案。 当前达到的性能是： 任务1 任务3 平均Jaccard的81.5％ 准确度达83％ 阈值Jaccard的77.2％ 平均召回率68.5％ 我们支持Keras支持的大多数骨干网（Inception，Densenet，VGG等）。 对于分段问题，我们还支持在U-Net类型结构中使用Keras预训练主干。 该代码是高度可配置的，允许您更改和尝试算法的许多方面。 下面，我们描述如何运行基准解决方案。 安装/设置 该代码使用：Python 3.5，Keras 2.1.6和TensorFlow 1.8.0。 请参阅需求文件以获取所需的软件包。 请

Xshinnosuke_cpp是xshinnosuke的cpp版本。 XShinnosuke_cpp：深度学习框架Xshinnosuke_cpp是xshinnosuke的cpp版本。 由于xshinnosuke_cpp选择Eigen作为矩阵后端，并且Eigen仅支持Array和Matrix，换句话说，Eigen中的数据小于3维，因此xshinnosuke_cpp仅支持二维数据的运算，例如Linear（Pytorch中的Linear（线性）或Dense）在Keras中），relu，Sigmoid，批处理规范化等。有关更多功能或图层的详细信息，例如Conv2D，max_pool2d，嵌入，lstm等

Carlos Coronel, Steven Morris-Database Systems_ Design, Implementation, & Management-Cengage Learning (2016).pdf

SIGGRAPH 2018论文随附的介绍代码：“ DeepMimic：基于实例的角色导向的深度强化学习（基于物理的角色技能）”。 该框架使用强化学习来训练模拟人形动物，以模仿SIGGRAPH 2018论文随附的变量介绍代码：“ DeepMimic：基于实例的角色技能指导深度强化学习”。 该框架使用强化学习来训练模拟人形生物，以模仿来自运动捕捉数据的各种运动技能。 项目页面：https://xbpeng.github.io/projects/DeepMimic/index.html依赖项sudo apt安装libgl1-mesa-dev libx11-dev libxrandr-dev libxi-dev sudo apt安装mesa-utils sudo apt安装clang sudo apt安装cmake C ++：