深度学习网络模型 MobileNet系列v1 ~ v3网络详解以及pytorch代码复现 1、DW卷积与普通卷积计算量对比 DW与PW计算量 普通卷积计算量 计算量对比 2、MobileNet V1 MobileNet V1网络结构 MobileNet V1网络结构代码 3、MobileNet V2 倒残差结构模块 倒残差模块代码 MobileNet V2详细网络结构 MobileNet V2网络结构代码 4、MobileNet V3 创新点 MobileNet V3详细网络结构 注意力机制SE模块代码 InvertedResidual模块代码 整体代码

nlp之中机器翻译的最新论文的代码复现nlp-master.zip

常用的语义分割架构结构综述以及代码复现 常用的语义分割架构结构综述以及代码复现

《电力系统碳排放流的计算方法初探_周天睿》文章复现，原创代码，基于matlab实现，注释清晰，结构完整，结果和原文完全一致。双碳目标最近在电力系统领域还是挺火的，碳排放流的计算也是比较热门的话题，这篇论文可以说是最基础的模型，被引次数也是很高的，这个代码复现了这篇论文的结果，采用极坐标系下的牛顿拉夫逊法计算电力系统潮流，朋友们有需要的可以参考。

基于自适应Sigmoid型函数图像增强代码复现

神经网络期末作业（包括原文，翻译，文献解读，代码复现） 可以当作课程论文。 时空图卷积网络：一个用于交通预测的深度学习框架 摘要 及时准确的交通预测是城市交通控制和诱导的关键。由于交通流的高度非线性和复杂性，传统的预测方法不能满足中长期预测任务的要求，往往忽略了空间和时间的相关性。本文提出了一种新的深度学习框架时空图卷积网络（STGCN）来解决交通领域的时间序列预测问题。我们不使用正则卷积和递归单元，而是在图上构造问题，并建立具有完全卷积结构的模型，实验表明，该模型通过对多尺度交通网络的建模，有效地捕获了复杂的时空相关性，在各种真实交通数据集上的性能均优于现有的方法。

    该模型设计的思想就是利用attention机制，在普通ResNet网络中，增加侧分支，侧分支通过一系列的卷积和池化操作，逐渐提取高层特征并增大模型的感受野，前面已经说过高层特征的激活对应位置能够反映attention的区域，然后再对这种具有attention特征的feature map进行上采样，使其大小回到原始feature map的大小，就将attention对应到原始图片的每一个位置上，这个feature map叫做 attention map，与原来的feature map 进行element-wise product的操作，相当于一个权重器，增强有意义的特征，抑制无意义的信息。

《Extremely Lightweight Quantization Robust Real-Time Single-Image Super Resolution for Mobile Devices》移动端超分辨率论文复现，该论文方案为CVPR举办的Mobile AI Challenge 2021比赛的冠军方案，实现了在移动设备上的实时推理，模型符合超轻量级（模型大小0.02M）。复现内容包括训练、推理、unit8量化。压缩包中包括：论文及其复现代码（pytorch）。

来源：Tian M, Gao X, Yan X.Performance-driven adaptive differential evolution with neighborhood topology for numerical optimization[J].Knowlegde-Based Systems,2019,188:105008. 压缩包内容：CEC2014文件夹：主运行文件CEC2014D30RUN.m、CEC2014D50RUN.m、cec14_func.mexw64、input_data文件夹、NPADE.m、SingleFunctionTest.m 代码仅供参考。

根据A Local Contrast Method for Small Infrared Target Detection论文中的代码复现 改个路径就可用