InceptionV1-V4 根据论文复现 依赖放在requirement.txt中，可正常运行

PaddleDetection的模型GPU推理库---paddle_inference_CUDA10.2_cudnn7.6.5.zip

编译好的文件 ---- ------------- ------ ---- -a---- 2022/8/25 下午 08:06 416256 tm_alphapose.exe -a---- 2022/8/25 下午 08:06 388096 tm_apollo_smoke.exe -a---- 2022/8/25 下午 08:06 304640 tm_classification.exe -a---- 2022/8/25 下午 08:06 305152 tm_classification_int8.exe -a---- 2022/8/25 下午 08:06 305152 tm_classification_uint8.exe -a---- 2022/8/25 下午 08:06 372224 tm_crnn.exe -a---- 2022/8/25

序贯蒙特卡洛matlab代码比比斯 版本：0.11.0 上次修改时间：2017-01-31 维护者： 执照：GPL-3 网站： Biips是用于与相互作用的粒子系统（也称为顺序蒙特卡洛（SMC）方法）进行贝叶斯推理的通用软件。 由于其自动的“黑匣子”推理引擎，它旨在将这些方法的使用推广给非统计学家和学生。 它借鉴了BUGS / JAGS软件，该软件广泛用于贝叶斯统计，具有图形模型的统计建模以及与描述相关的语言。 语境 贝叶斯推断包括在给定一组观测值的情况下，近似未知参数相关的条件概率定律。 以上述公式为基础，可以解决许多问题，例如非监督分类，过滤等。 潜在概率定律虽然对于一般情况无法通过分析方式进行计算，但是可以使用蒙特卡洛·马尔可夫链（MCMC）方法进行近似。 由于BUGS软件和WinBUGS图形界面，这些方法在贝叶斯推理中很受欢迎。 由于最近的研究成果不断涌现，因此与经典的MCMC方法相比，基于粒子的交互算法（又称为顺序蒙特卡洛（SMC）方法，其中最常见的实现是粒子滤波器）被证明具有优越的性能。 此外，交互粒子算法非常适合于动态估计问题，例如在过滤，跟踪或分类问题中遇到的问题。 它

吉布斯采样matlab代码贝叶斯近似估计 该项目采用三种方法来计算MAP推断和后验推断 吉布斯抽样 用均值场法计算推论和推论。 此外，通过Jupyter Notebook的变量消除方法可以计算出准确的结果。 ================================================== ============================ [[Bayesian_roximate_Inference]的代码和报告 先决条件 所提出的方法是通过Jupyter Notebook实现的。 所需的软件包包括： Matlab的 的Python 3 Jupyter笔记本 入门 通过对“数据集”文件夹中文件的分类来修改路径； 运行matlab代码的'Gibbs_sampling''mean_field'功能； “消除变量”方法位于“ Proj1”的Jupyter文件中 贝叶斯网络 吉布斯算法 平均场算法 表现

部分内容摘自知乎、《统计因果推理》和因果推理课程等，仅供个人学习使用

边缘智能 边缘设备协同推理的按需深度学习模型1

使用OpenVINO实现飞桨版PGNet推理程序

并行WaveNet声码器 概述 这是一个实验项目，建立了一个基于WaveNet的声码器，该声码器在论文的启发下将梅尔频谱图并行转换为原始波。 由于非自回归模型之一的的结构，我们能够并行生成顺序数据。 由于在最大似然估计中无法直接直接对IAF模型进行优化，从而无法找到合适的最优值，因此难以一概而论，因此，本文引入了一种替代方法，即概率密度蒸馏。 它预先训练原始的WaveNet（教师），然后通过最小化两个概率之间的KL差异来优化IAF模型（学生）以对相似的输出概率进行建模。 如果再想一想，我们可以得出结论，“自回归”损失被强加给IAF模型，IAF模型本身就是非自回归模型。 这意味着，在训练序列生成模型时，“自回归”约束仍然是关键。 为了优化模型，我只尝试了简单模型（MLE），因为我对设计替代模型的动机感到好奇。 总之，在我的案例中，在没有自回归约束的情况下优化IAF模型几乎是不可行的。

Scryer-Prolog 编译器+命令行终端（由源码构建） A modern Prolog implementation written mostly in Rust. 一份现代的 Prolog 实现，主要使用 Rust 编写 开发者：Mark Thom 源码：https://github.com/mthom/scryer-prolog