中文翻译：Architecture Design for Highly Flexible and Energy-Efficient Deep Neural Network Accelerators (翻译结果) 这个是我付费翻译的，但是也难免有些许错误。可以先看看摘要的翻译效果。 摘要 深度神经网络(DNNs)是现代人工智能(AI)的支柱。然而，由于其高计算复杂度和多样化的形状和尺寸，能够在广泛的dnn上实现高性能和能源效率的专用加速器对于使AI在现实世界的应用至关重要。为解决这个问题，本文提出Eyeriss，一种用于DNN处理的软硬件架构联合设计，针对性能、能源效率和灵活性进行了优化。Eyeriss具有一种新颖的RowStationary (RS)数据流，可在处理DNN时最小化数据移动，这是性能和能效的瓶颈。RS数据流支持高度并行处理，同时充分利用多级存储层次中的数据重用，以优化任何DNN形状和大小的整体系统能量效率。与现有的其他数据流相比，rs数据流的能量效率提高了1.4到2.5倍。

dbn matlab代码深度学习及其在网络数据中的应用 通过使用深度信念网络对权重进行预训练，可以成功地训练具有任意数量的隐藏层的人工神经网络（ANN）（Hinton 2006）。 在这里，我们使用上述预训练方法在R中提供了一个深层的ANN（具有许多隐藏层的ANN）实现。 实现了两种使用模式-分类和自动编码器。 后者是用于重构输入的ANN变体，可用于降低尺寸，因为可以提取较低维度的中间“已编码”层。 此实现已在MNIST数字数据集上进行了测试。 还包括一个用于网络数据集Reality Mining的应用程序，其中使用深度自动编码器在聚类之前对数据进行预处理，以获得更好的结果。 代码文件说明 Main.R. 用于在MNIST数字数据集上运行深度ANN实现的主文件。 可以在主文件中调整参数和设置，包括使用模式：分类或自动编码器。 nn.R. 使用反向传播训练的神经网络的实现。 提供了两种模式：分类和自动编码器，可以使用任意数量的隐藏层。 对于分类，当前仅执行二进制分类，但可以轻松地适用于K个类别，K> = 3。 dbn.R. 深度信念网络的实现，该模型用于预训练深度神经网络的权重。 如果未

基于深度神经网络的变化检测与分析，张普照，公茂果，变化检测与分析是空时遥感影像联合解译领域中的一个重要研究课题。 随着遥感影像时间、空间和光谱分辨率的提高,仅仅检测变化与否�

深度神经网络架构及其应用概述

完整版深度神经网络及目标检测学习笔记.docx

SystemVerilog HDL 和 TB 代码 zybo 7010 FPGA 上的深度神经网络硬件加速器实现以及 Vivado SDK 软件的 C 代码 下面的文件夹与此存储库中的源文件夹相同，它现在只是 Vivado 环境的一部分。 附加文件是 python 代码、C 文件和 Matlab 文件。 *Python 用于训练网络和获取系数：Weights and Biases *C 用于实现 Sigmoid 函数采样以及在 C 中实现前馈传播（只是为了使项目更易于调试） *Matlab 用于生成 HDL 脚本以及检查压缩和其他内容 更多详情、使用方法，请下载后阅读README.md文件

OpenCV3.3深度神经网络(DNN)模块-应用课程配套源代码.7z

OpenCV3.3深度神经网络(DNN)模块-应用课程配套PDF.7z

人工智能-非平衡学习场景下的深度神经网络研究.pdf

人工智能-层叠与深度神经网络研究及其在语音分离中的应用.pdf