这是 [1] 中详细描述的循环模糊神经网络 (RFNN) 的四种不同 S 函数实现的集合。 它是一个四层、神经模糊网络，专门通过第 2 层和第 4 层的误差反向传播进行训练。该网络采用 4 组可调参数。 在第 2 层：mean[i,j]、sigma[i,j] 和 Theta[i,j]，在第 4 层：权重 w4[m,j]。 该网络使用的可调参数比 ANFIS/CANFIS 少得多，因此其训练速度通常更快。 这使其成为在线学习/操作的理想选择。 此外，由于在第 2 层中使用了动态元素，它的近似/映射能力得到了提高。为输入空间分区选择了散点型和网格型方法。 [1] C.-H. 李，C.-C。 Teng，使用递归模糊神经网络识别和控制动态系统，IEEE 模糊系统汇刊，第 8 卷，第 4 期，第 349-366 页，2000 年 8 月。
2021-12-24 14:58:02
230KB
1
半监督学习很好的入门文献，简单易懂，该文是半监督学习领域的代表之作。
2021-12-20 17:48:51
1.15MB
1
有关机器 学习的基本介绍，比如机器学习是分为监督学习和无监督学习的，以及监督学习中的一些算法，有分类算法和数值型预测算法，分类算法中几种比较经典的算法
2021-12-16 13:26:52
23KB
1
在Pytorch中进行对比学习变得简单
似乎我们可以进行图像的自我监督学习。
这是一种使用Pytorch包装器的简单方法，可以在任何视觉神经网络上进行对比式自我监督学习。 目前，它包含足够的设置供一个人在SimCLR或CURL中使用的任何一种方案上进行训练。
您可以包装接受可视输入的任何神经网络，无论是Resnet，策略网络还是GAN的鉴别器。 其余的都照顾好了。
问题
事实证明，CURL的结果。 建议您使用SimCLR设置，直到另行通知。
安装
$ pip install contrastive-learner
用法
SimCLR（具有标准化温度标度的交叉熵损失的投影头）
import torch
from contrastive_learner import ContrastiveLearner
from torchvision import models
resnet = m
2021-12-14 21:08:17
307KB
1