《SDN：软件定义网络》是由Thomas D. Nadeau编著的一本深入探讨SDN（Software Defined Networking）的专业书籍。SDN是一种新兴的网络架构，它的核心思想是将网络控制层与数据转发层分离，使得网络管理变得更加灵活、可编程和易于自动化。 在SDN的体系中，控制层负责决策数据包如何在网络中传输，而数据转发层则负责执行这些决策。这种分离使得网络管理员可以通过编程方式来控制网络，而不是依赖于硬件设备的固定功能。这样的设计极大地提升了网络的创新能力和适应性，为云计算、数据中心网络、广域网优化等场景提供了强大的支持。 书中详细介绍了SDN的起源、基本原理以及其在实际应用中的部署策略。作者阐述了SDN的概念和发展背景，包括传统网络的局限性和SDN如何解决这些问题。然后，他深入讲解了OpenFlow协议，这是SDN中最关键的组件之一，它定义了控制层和数据转发层之间的通信接口。通过OpenFlow，控制器可以动态地配置交换机的流表，实现对网络流量的精细化控制。 接下来，Nadeau详细讨论了SDN的架构，包括控制器的设计、开放API的使用、以及网络应用程序的开发。他还涵盖了网络功能虚拟化（NFV）的相关内容，NFV是与SDN相辅相成的技术，通过虚拟化技术将传统的网络设备功能转化为软件服务，进一步降低了网络运维成本。 此外，书中还涵盖了SDN在数据中心、云服务、移动网络、安全和物联网等领域的应用案例。这些案例展示了SDN如何帮助提升网络效率，实现快速的服务部署和故障恢复，以及如何通过编程实现动态流量管理和安全策略。 在安全方面，SDN提供了一种新的思路，使得网络防御策略可以更加灵活和主动。通过集中式的控制，可以迅速响应威胁，实现全局的安全视图。同时，SDN也为网络审计和合规性提供了便利。 Nadeau讨论了SDN的挑战和未来趋势，如性能优化、可扩展性问题、以及标准化进程。他指出，尽管SDN带来了许多机遇，但实现大规模部署还需要克服一些技术和社会层面的障碍。 《SDN：软件定义网络》是一本全面介绍SDN技术的权威著作，对于想要理解和掌握SDN的读者来说，无论是网络工程师、研究人员还是学生，都是一本不可多得的参考书。通过阅读这本书，读者不仅可以理解SDN的基本概念，还能深入探究其内在机制，并学习如何利用SDN解决实际网络问题。

This book provides a structured treatment of the key principles and techniques for enabling efficient processing of deep neural networks (DNNs). DNNs are currently widely used for many artificial intelligence (AI) applications, including computer vision, speech recognition, and robotics. While DNNs deliver state-of-the-art accuracy on many AI tasks, it comes at the cost of high computational complexity. Therefore, techniques that enable efficient processing of deep neural networks to improve key

压缩AI CompressAI（ compress-ay ）是用于端到端压缩研究的PyTorch库和评估平台。 CompressAI当前提供： 用于基于深度学习的数据压缩的自定义操作，层和模型 官方库的部分端口 预训练的端到端压缩模型，用于学习图像压缩 评估脚本，将学习的模型与经典图像/视频压缩编解码器进行比较 注意：多GPU支持目前处于试验阶段。 安装 CompressAI仅支持python 3.6+（当前对PyTorch的支持<3.9）和PyTorch 1.4+。还需要C ++ 17编译器，最新版本的pip（19.0+）和常见的python软件包（有关完整列表，请参见setup.py ）。 要开始并安装CompressAI，请在运行以下命令： git clone https://github.com/InterDigitalInc/CompressAI compressai cd

国外通信教材：光纤通信-系统和网络第五版（Optical Fiber Telecommunications-Systems and Networks（5th））。英文原版教材，非扫描版。 Optical Fiber Telecommunications V (A&B) is the fiveth in a series that has chronicled the progress in the R&D of lightwave communications since the early 1970s. Written by active authorities from academia and industry, this edition brings a fresh look to many essential topics, including devices, subsystems, systems and networks. A central theme is the enabling of high-bandwidth communications in a cost-effective manner for the development of customer applications. These volumes are an ideal reference for R&D engineers and managers, optical systems implementers, university researchers and students, network operators, and investors.

使用逆强化学习进行扫描路径预测 PyTorch的官方实施， （CVPR2020，口头） 我们提出了第一个逆向强化学习（IRL）模型，以学习人类在视觉搜索过程中使用的内部奖励功能和策略。 观察者的内部信念状态被建模为对象位置的动态上下文信念图。 这些地图是由IRL获悉的，然后用于预测多个目标类别的行为扫描路径。 为了训练和评估我们的IRL模型，我们创建了COCO-Search18，COCO-Search18是目前最大的高质量搜索注视数据集。 COCO-Search18有10位参与者在6202张图像中搜索18个目标对象类别中的每一个，进行了约300,000个目标定向注视。 当在COCO-Search18上进行训练和评估时，无论是在与人类搜索行为的相似性还是搜索效率方面，IRL模型在预测搜索注视扫描路径方面均优于基线模型。 如果您正在使用此作品，请引用： @InProceedings {

HypeLCNN概述 该存储库包含论文“具有用于高光谱和激光雷达传感器数据的光谱和空间特征融合层的深度学习分类框架”的论文源代码（正在审查中） 使用Tensorflow 1.x开发（在1.10至1.15版上测试）。 该存储库包括一套完整的套件，用于基于神经网络的高光谱和激光雷达分类。 主要特点： 支持超参数估计 基于插件的神经网络实现（通过NNModel接口） 基于插件的数据集集成（通过DataLoader接口） 培训的数据有效实现（基于内存的有效/基于内存/记录的） 能够在经典机器学习方法中使用数据集集成 神经网络的培训，分类和指标集成 胶囊网络和神经网络的示例实现 基于CPU / GPU / TPU（进行中）的培训 基于GAN的数据增强器集成 交叉折叠验证支持 源代码可用于在训练大数据集中应用张量流，集成指标，合并两个不同的神经网络以进行数据增强的最佳实践 注意：数据集文件太

CVPR2019: Occupancy Networks: Learning 3D Reconstruction in Function Space onet_img2mesh_3-f786b04a.pt

复数域神经网络；全面解析；适合新手和小白

语音活动检测项目 关键字：Python，TensorFlow，深度学习，时间序列分类 目录 1.11.21.3 2.12.2 5.15.2将5.35.4 去做 资源 1.安装 该项目旨在： Ubuntu的20.04 的Python 3.7.3 TensorFlow 1.15.4 $ cd /path/to/project/ $ git clone https://github.com/filippogiruzzi/voice_activity_detection.git $ cd voice_activity_detection/ 1.1基本安装 $ pip3 install -r requirements.txt $ pip3 install -e . 1.2虚拟环境安装 1.3 Docker安装 构建docker镜像： $ sudo make build （这可能

gnina（发音为NEE-na）是一个分子对接程序，具有使用卷积神经网络对配体进行评分和优化的综合支持。 这是的叉子，是的叉子。 帮助 请。 提供一个示例Colab笔记本，其中显示了如何使用gnina。 引文 如果您发现gnina有用，请引用我们的论文： GNINA 1.0：分子对接与深度学习（主要应用引用） 阿McNutt，P Francoeur，R Aggarwal，T Masuda，R Meli，M Ragoza，J Sunseri，DR Koes。 ChemRxiv，2021年 卷积神经网络的蛋白质配体评分（主要方法引用） M Ragoza，J Hochuli，E Idrobo，J Sunseri，DR Koes。 J.化学。 Inf。 模型，2017 基于原子网格的卷积神经网络的配体姿态优化M Ragoza，L Turner和DR Koes。 分子与材料的机器学习NIP