深度学习，MIT，deep learning, Yoshua Bengio,Ian Goodfellow,Aaron Courville

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

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

冠状动脉CT 该数据集的实用性已由中国武汉同济医院的一名高级放射科医生确认，他在1月至4月的疾病暴发期间对大量COVID-19患者进行了诊断和治疗。 发布此数据集后，我们收到了一些反馈，表达了对该数据集可用性的担忧。 主要问题概述如下。 首先，将原始CT图像放入纸张中后，这些图像的质量会下降，这可能会使诊断决策的准确性降低。 质量下降包括：损失了Hounsfield单位（HU）值； 每个像素的位数减少； 图像的分辨率降低。 其次，原始的CT扫描包含一系列CT切片，但是当放入论文中时，只选择了几个关键切片，这也可能对诊断产生负面影响。 我们就这两个问题咨询了同济医院的放射科医生。 放射科医生认为，这些问题引起的问题不会显着影响诊断决策的准确性。 首先，经验丰富的放射科医生能够根据低质量的CT图像做出准确的诊断。 例如，给定由智能手机拍摄的原始CT图像照片，尽管照片中的CT图像质量比原始CT图像低得多，但是有经验的放射科医生仅通过查看照片即可做出准确的诊断。 同样，论文中的CT图像与原始CT图像之间的质量差距不会在很大程度上损害诊断的准确性。 其次，虽然最好读取一系列CT切片，但通常单

【导读】近年来深度学习芯片的研究发展是业界关注的焦点。专知之前报道过Google AI Jeff Dean独自撰文的关于AI时代芯片的历史发展趋势-【Google Jeff Dean独自署名论文】深度学习革命及其对计算机架构和芯片设计的影响，讲述AI芯片发展历程与未来，但学术业界一直缺乏对当前深度学习编译器框架的综述。最近北航的学者撰写了第一篇关于当下深度学习编译器的综述论文《The Deep Learning Compiler: A Comprehensive Survey》36页pdf1，从各个方面对现有的DL编译器进行了全面的比较。此外，还详细分析了多级红外设计和编译优化技术。最后，指出了DL编译器的研究方向，很好的论文。

自动编码器在脑MR图像中的无监督异常分割：比较研究 该存储库包含我们的论文的代码，该论文是。 如果您使用我们的任何代码，请引用： @article{Baur2020, title = {Autoencoders for Unsupervised Anomaly Segmentation in Brain MR Images: A Comparative Study}, author = {Baur, Christoph and Denner, Stefan and Wiestler, Benedikt and Albarqouni, Shadi and Navab, Nassir}, url = {http://arxiv.org/abs/2004.03271}, year = {2020} } @article{baur2021autoencoders, tit

Deep Learning for EEG-Based Preference论文精读手写笔记。笔记都总结了各部分的框架，方便读者基于笔记找到文献对应内容的基本框架及概念。文章原文资源在博主的另一个下载链接即可免费下载，稍后出一篇关于这篇文献的精读导读。三者结合起来读更配噢。

深度强化学习算法 该存储库将使用PyTorch实现经典的深度强化学习算法。 该存储库的目的是为人们提供清晰的代码，以供他们学习深度强化学习算法。 将来，将添加更多算法，并且还将保留现有代码。 当前实施 深度Q学习网络（DQN） 基本DQN 双Q网络 决斗网络架构 深度确定性策略梯度（DDPG） 优势演员评判（A2C） 信任区域策略梯度（TRPO） 近端政策优化（PPO） 使用克罗内克因素信任区域（ACKTR）的演员评论家 软演员评论（SAC） 更新信息 :triangular_flag: 2018年10月17日-在此更新中，大多数算法已得到改进，并添加了更多关于图的实验（DPPG除外）。 PPO现在支持atari游戏和mujoco-env 。 TRPO非常稳定，可以得到更好的结果！ :triangular_flag: 2019-07-15-在此更新中，不再需要为openai基准安装。 我在rl__utils模块中集成了有用的功能。 DDPG也重新实现，并支持更多结果。 自述文件已被修改。 代码结构也有微小的调整。 :triangular_flag: 201

PyTorch中计算机视觉应用程序的自注意力构建基块 使用einsum和einops在PyTorch中实现计算机视觉的自我关注机制。 专注于计算机视觉自我注意模块。 通过pip安装 $ pip install self-attention-cv 如果您没有GPU，最好在您的环境中预安装pytorch。 相关文章 程式码范例 多头注意力 import torch from self_attention_cv import MultiHeadSelfAttention model = MultiHeadSelfAttention ( dim = 64 ) x = torch . rand ( 16 , 10 , 64 ) # [batch, tokens, dim] mask = torch . zeros ( 10 , 10 ) # tokens X tokens mask [ 5 :

RNN-换能器语音识别 在Tensorflow 2.0中使用RNN-Transducer进行端到端语音识别 概述 该语音识别模型基于Google的研究论文，并使用Tensorflow 2.0在Python 3中实现。 设置您的环境 要设置您的环境，请运行以下命令： git clone --recurse https://github.com/noahchalifour/rnnt-speech-recognition.git cd rnnt-speech-recognition pip install tensorflow==2.2.0 # or tensorflow-gpu==2.2.0 for GPU support pip install -r requirements.txt ./scripts/build_rnnt.sh # to setup the rnnt loss 共同的