密码 CipherGAN的实现，用于获得详细介绍的结果。 作者：（ ，， ，（ ，（ ， 引用这项工作 @inproceedings{ n.2018unsupervised, title={Unsupervised Cipher Cracking Using Discrete {GAN}s}, author={Aidan N. Gomez and Sicong Huang and Ivan Zhang and Bryan M. Li and Muhammad Osama and Lukasz Kaiser}, booktitle={Internatio

Violence recognition using convolutionalneural network: A survey

有关YOLO v3的使用，请参见。 ML.Net中的YOLO v5 将YOLO v5与ML.Net一起使用 多亏了 ， 和 请参阅“的讨论，以问题。 参见分支 见keesschollaart81的 ML.Net中的YOLO v4 将YOLO v4与ML.Net一起使用 Onnx模式在onnx /型号回购可。 结果 资源 https://github.com/onnx/models/tree/master/vision/object_detection_segmentation/yolov4 https://github.com/hunglc007/tensorflow-yolov4-tflite https://towardsdatascience.com/yolo-v4-optimal-speed-accuracy-for-object-detection-79896ed4

深度学习入门经典，以初学者的角度来讲解，python实现自己的深度学习，另外有很多训练的trick

Heterogeneous Network Representation Learning: A Unified Framework with Survey and Benchmark 由于现实世界中的对象及其交互通常是多模态和多类型的，因此异构网络被广泛用作传统同构网络（图）的更强大、更真实和更通用的超类。同时，表征学习（又称嵌入）最近得到了广泛的研究，并被证明对各种网络挖掘和分析任务是有效的。在这项工作中，我们的目标是提供一个统一的框架，以深入总结和评估现有的异构网络嵌入（HNE）研究，包括但不限于一般的调查。由于已经有了大量的HNE算法，作为这项工作的第一个贡献，我们提供了一个通用的范例，用于系统地分类和分析各种现有HNE算法的优点。此外，现有的HNE算法虽然大多声称是通用的，但通常在不同的数据集上进行评估。由于HNE的应用优势，这种间接比较在很大程度上阻碍了将改进的任务性能正确地归因于有效的数据预处理和新颖的技术设计，特别是考虑到从实际应用数据构建异构网络的各种可能方式。因此，作为第二项贡献，我们从不同来源创建了四个基准数据集，这些数据集具有关于规模、结构、属性/标签可用性等的各种属性，以方便和公平地评估HNE算法。作为第三个贡献，我们仔细地重构和修改了实现，为13种流行的HNE算法创建了友好的界面，并在多个任务和实验设置中对它们进行了全面的比较。

神经元 深度神经网络的完全可定制的硬件综合编译器 版权所有2017，高前田山崎新也及其贡献者 执照 Apache许可2.0（ ） 什么是NNgen？ NNgen是开源的编译器，用于为深度神经网络综合模型专用的硬件加速器。 NNgen根据输入模型定义生成Verilog HDL源代码和DNN加速器的IP内核包（IP-XACT）。 生成的硬件包罗万象，包括处理引擎，片上存储器，片上网络，DMA控制器和控制电路。 因此，开始处理后，生成的硬件不需要外部电路或CPU进行任何其他控制。 NNgen的后端使用Veriloggen，这是Python中的开源混合范例高级综合编译器。 因此，您可以为新的DNN算法和应用程序自定义NNgen。 为NNgen贡献 NNgen项目始终在欢迎问题，错误报告，功能建议和请求请求。 社区管理员 作为该项目的经理，社区经理负责社区管理，并促进软件开发和推广。 提交者 提交者是被授予对项目的写访问权的个人。 为了做出贡献者，需要社区经理的批准。 贡献领域可以采用各种形式，包括代码贡献和代码审查，文档，教育和推广。 提交者对于高质量，健康的项目至关重要。 社区积极寻

A view-free image stitching network based

脑模型 BrainModels提供了由模拟器实现的标准和规范的大脑模型（包括各种神经元，突触，网络和直观的纸张示例）。 此外，我们欢迎您的大脑模型实现，并通过我们的主页发布它们。 这样，一旦实现了新模型，便可以轻松地与其他BrainPy用户共享。 目前，我们提供以下模型： 神经元模型 突触模型 学习规则 / / 安装 使用pip安装BrainModels ： > pip install brainmodels 安装BrainModels使用conda ： > conda install brainmodels -c brainpy 从源代码安装： > pip install git+https://github.com/PKU-NIP-Lab/BrainModels > # or > git clone https://github.com/PKU-NIP-Lab/Br

扩展卡尔曼滤波器不仅可以从噪声测量中估计非线性动态系统的状态，还可以用于估计非线性系统的参数。 参数估计的一个直接应用是训练人工神经网络。 这个函数和一个嵌入的例子展示了如何做到这一点。

表征学习为各种人工智能领域提供了一种革命性的学习范式。在本次调查中，我们研究和回顾了表征学习的问题，重点是由不同类型的顶点和关系组成的异构网络。这个问题的目标是自动将输入异构网络中的对象（最常见的是顶点）投影到潜在的嵌入空间中，这样网络的结构和关系属性都可以被编码和保留。然后可以将嵌入（表示）用作机器学习算法的特征，以解决相应的网络任务。为了学习表达性嵌入，当前的研究进展可以分为两大类：浅层嵌入学习和图神经网络。在对现有文献进行彻底审查后，我们确定了几个尚未解决的关键挑战，并讨论了未来的方向。最后，我们构建了异构图基准以促进对这个快速发展的主题的开放研究。