nn 构建一个尖峰神经网络 功能 该项目用于构建加标神经网络，以完成MNIST数据集上的分类任务。

本程序（有注释）已经经过调试，在matlab7.0环境下正常运行，并且程序中包含用已经训练好的感知器来训练新的样本，有问题的话可以再联系我。

差异性隐私和联合学习。 精选笔记本，介绍如何使用差异隐私和联合学习来训练神经网络。 入门笔记本 在开始学习差异隐私和联合学习之前，了解张量很重要； 神经网络的基本数据结构。 了解张量： 创建简单的神经网络 使用MNIST数据创建密集网络 转移学习 大多数情况下，您不想自己训练整个卷积网络。 对大型图像集（例如ImageNet）进行现代ConvNets培训需要在多个GPU上花费数周的时间。 可以帮助您解决此问题。 什么是差异隐私？ 差异隐私是用于防止模型在学习过程中意外记住训练数据集中存在的秘密的一组技术。 为了使其正常工作，我们需要坚持以下几点： 向数据主体保证：不管有哪些研究，数据集或信息来源，都可以通过将您的数据用于任何分析中而不会受到不利影响或其他影响。 确保从敏感数据中学习的模型仅在学习他们应该学习的知识时，不会无意中学习从他们的数据中学到的知识 以下是一些笔记本，以进一

神经网络：用Python语言从零开始实现的卷积神经网络，LSTM神经网络和神经网络

我们介绍了带变分推理的贝叶斯卷积神经网络，这是卷积神经网络（CNN）的一种变体，其中权重的难处理的后验概率分布是由Backprop的Bayes推断的。 我们证明我们提出的变分推断方法是如何实现的性能相当于频率论推理在几个数据集（MNIST，CIFAR10，CIFAR100），如所描述的相同结构。 贝叶斯vs频频方法中的过滤器权重分布 整个CNN的全贝叶斯视角 图层类型 该存储库包含两种类型的贝叶斯lauer实现： BBB（Backprop的Bayes）： 基于。 该层分别对所有权重进行采样，然后将其与输入组合以从激活中计算出一个样本。 BBB_LRT（使用本地重新参数化技巧的Backprop进行Bayes操作）： 这一层与本地重新参数伎俩结合贝叶斯通过Backprop。 这个技巧使得可以直接从激活中的分布中采样。 制作自定义贝叶斯网络？ 要创建自定义贝叶斯网络，请继承layers.m

#colornet神经网络为灰度图像着色 结果 灰阶 预言 地面真相 荣治K用colornet进行动漫着色 资料来源 和

embeded_cnn STM32f0上的卷积神经网络

2D-CNN向前传播 在Vitis HLS中使用C ++实现2D卷积神经网络 CNN-使用-HLS 目录结构： 该软件包包含以下目录： modules /-用于开发和测试用于CNN实施的单个HLS功能的目录 neuronetwork_stream /-包含C ++源代码和测试平台的目录 py /-包含用于训练神经网络的python代码的目录 使用的软件： 操作系统：Windows Vivado HLS 2020.2-仿真结果与综合 Python库 numpy-版本1.18.0 tensorflow-版本2.1.0 sklearn-版本0.24.1 scipy-版本1.6.2

hwac_object_tracker FPGA加速了TinyYOLO v2对象检测神经网络，能够检测95个对象类别。 该设计在2018年旧金山设计自动化大会（ ）的系统设计竞赛中，在FPGA类别的65个团队中排名第五。 最终排名发布在 团队名单位于 该设计已部署在Xilinx PYNQ-Z1平台（ ）中 设计 该设计基于TinyYOLO v2对象检测神经网络（ ）。 我们在设计中使用了半精度浮点数（16位）。 该实施是在Verilog HDL上并使用Vivado 2017.2完成的 我们架构的区块设计如下： 将我们的IP连接到Zynq处理系统的Vivado块设计如下， 资源利用率 资源利用率 ： 功率估算： 回购组织 图片：包含测试图片，注释 其他：包含与文档相关的文件 结果：包含检测结果 hw：包含RTL源文件和vivado项目 YOLO-包含RTL源和TinyYOL

凯拉斯·阿历克斯（Keras-Alexnet） 组件 alexnet.py在CIFAR-100数据集上构建，训练和测试模型 gradcam.py加载alexnet模型，对来自测试数据集的随机样本进行预测，产生引导式grad-cam可视化效果。 参考