SampleNet：可微分的点云采样 由特拉维夫大学的Itai Lang，Asaf Manor和Shai Avidan创建。 介绍 这项工作基于我们的。请阅读它以获取更多信息。也欢迎您观看CVPR 2020的。 直接在点云上工作的任务越来越多。随着点云大小的增加，这些任务的计算需求也随之增加。一个可能的解决方案是首先对点云进行采样。经典采样方法（例如，最远点采样（FPS））不考虑下游任务。最近的一项工作表明，学习针对特定任务的采样可以显着改善结果。但是，提出的技术并未处理采样操作的不可微性，而是提供了一种解决方法。 我们为点云采样引入了一种新颖的微分松弛。我们的方法采用了一种软投影操作，该操作将采样点近似为主要输入云中的混合点。近似值由温度参数控制，并在温度变为零时收敛到常规采样。在训练过程中，我们使用投影损耗来鼓励温度下降，从而使每个采样点都靠近输入点之一。 这种近似方案可在各种应用（例

Manning.Grokking.Deep.Reinforcement.Learning.无水印版pdf

和声2 神经网络音乐生成 利用最先进的 NLP 模型来生成人类发声的音乐 该项目是由加州大学伯克利分校的 John Canny 教授主持的 CS282-设计和可视化神经网络课程的一部分。 目标 我们调查了以下研究问题：“我们如何构建一个模型来生成离散标记序列，这些标记不仅可以模拟短期模式，还可以模拟长期模式。” 我们将结合音乐生成进行这项研究——节奏和旋律是短期模式，形式和结构是我们将尝试建模的长期模式。 背景 关于人工音乐生成的挑战已经有广泛的研究。 最近的方法包括 LSTM 和双 STM 架构 [1]，SeqGAN 架构，它训练生成对抗网络以通过策略梯度 [2] 或 GAN [3] 生成结构化序列。 然而，最新的进展来自 OpenAI，并利用了 NLP 深度学习模型的最新突破。 他们使用的是变压器的改进版本，称为音乐变压器。 该模型使用注意力机制：每个输出元素都连接到每个输入元素，并且它们之间的权重是动态计算的。 它没有明确地通过对音乐的理解进行编程，但它可以通过学习预测标记（以结合音高、音量和乐器信息的方式编码的音符）来发现和声、节奏和风格的模式。 MIDI 文件。 有关更多信息

matlab bp神经网络激活函数的代码BP神经网络Matlab 描述 Matlab中的BP神经网络。 教程 该程序用于Matlab的主要应用程序来生成和训练BP神经网络。 我选择Sigmoid作为隐藏层的激活函数，并选择Linear函数作为输出层的激活函数。 在运行程序之前，应将所有文件添加到Matlab路径中。 除非要改进我的代码，否则最好在BPtrain.m中运行该程序。 您只需更改默认值即可在BPtrain.m中更改训练集，隐藏层中的神经元数量，学习率，重复次数和检查间隔。 如果输入大小和输出大小均为1，则可以运行film.m来生成显示训练过程的电影。 可以在和gif180906.gif中看到一个示例。 此外，您可以随时暂停BPtrain.m并使用下面的代码检查您的训练结果。 plot(x, y) 注意：如果上面的代码不起作用，请继续运行BPtrain.m一段时间，然后再次暂停。 可能是因为脚本在另一个工作空间处停止了。 享受BPNN和Matlab的乐趣！ 欢迎提出建议和调整（以及STAR）。 由Bill在北京创建7/9/2018

PyTorch中的受限玻尔兹曼机（RBM） 作者： 概述 该项目使用PyTorch实现了受限玻尔兹曼机（RBM）（请参阅rbm.py ）。 我们的实现包括动量，权重衰减，L2正则化和CD- k对比散度。 我们还提供对CPU和GPU（CUDA）计算的支持。 另外，我们提供了一个示例文件，将我们的模型应用于MNIST数据集（请参阅mnist_dataset.py ）。 该示例训练了RBM，使用训练后的模型从图像中提取特征，最后使用基于SciPy的逻辑回归进行分类。 它达到了92.8％的分类精度（这显然不是前沿模型）。

自述文件 介绍 基于MATLAB神经网络工具箱训练的网络权重和偏差的LSTM simulink模型 如果您知道权重和偏差，也可以使用在其他地方培训的网络。 版本 MATLAB R2018a

Multi-AUV Hunting Algorithm Based on Bio-inspired Neural Network in Unknown

音乐流派分类 特拉维夫大学，深度学习（深度神经网络）和声音处理领域的学术研究。 精选于 。 抽象 本文讨论了对声音样本的音乐流派进行分类的任务。 介绍 当我决定从事声音处理领域时，我认为体裁分类与图像分类是一个平行的问题。 令我惊讶的是，在深度学习中没有发现太多解决这个确切问题的作品。 确实解决了该分类问题的一篇论文是来自伊利诺伊大学的陶峰的论文[1]。 我确实从本文中学到了很多东西，但是老实说，他们给出的论文结果并不令人印象深刻。 所以我不得不看其他相关但不确切的论文。 很有影响力的论文是基于深度内容的音乐推荐[2]。该文章是关于使用深度学习技术的基于内容的音乐推荐。 他们获取数据集的方

GA-optimized-neural-network-main.zip

TensorFlow 2.0中的自动编码器 以下自动编码器的实现； 香草自动编码器（AE） 去噪自动编码器 备用自动编码器（进行中） 压缩式自动编码器（进行中） 可变自动编码器（VAE） 条件变分自动编码器（CVAE） 节拍变奏自编码器（beta-VAE）（进行中） 如何运行： 运行python3 main.py --ae_type AE 我们可以传递的参数： ae_type：自动编码器的类型-AE，DAE，VAE，CVAE，BetaVAE latent_dim：潜在维度的度数-2、3等。 num_epochs：训练纪元数-100等 learning_rate：培训期间的学习率-1e-4 batch_size：批量大小-1000