在MATLAB内导入和导出ONNX:trade_mark:（开放神经网络交换）模型，以与其他深度学习框架互操作。 ONNX使模型可以在一个框架中进行训练，然后转移到另一个框架中进行推理。 从操作系统或在MATLAB中打开onnxconverter.mlpkginstall文件将启动您所拥有版本的安装过程。 该mlpkginstall文件可用于R2018a及更高版本。 用法示例： %%导出为ONNX模型格式净=挤压％导出的预训练模型filename ='squeezenet.onnx'; exportONNXNetwork（net，文件名）; %%导入导出的网络net2 = importONNXNetwork（'squeezenet.onnx'，'OutputLayerType'，'classification'）; ％在随机输入图像上比较两个网络的预测img = rand（net.Layers（1）.I

Spotify人气 这个项目的目的是通过ML工具研究什么会推动单个歌曲的流行以及不同歌曲可能有什么共同点。 虽然音乐品味是主观的，但可以通过参考歌曲的属性（例如价，节奏和声学）来回答这些问题。 最终输出将包含两个模型：一个模型预测新版本的流行程度，另一个模型使人们能够创建更好的播放列表。 数据探索-初步概述

netron-4.6.3-ubuntu是ubunutu上查看深度学习模型的可执行程序，安装以后，就是只需双击打开，添加模型文件的位置就可以了。 Netron 支持的框架和对应文件如下： 框架 对应文件 ONNX .onnx, .pb Keras .h5, .keras CoreML .mlmodel TensorFlow Lite .tflite

多核学习的一个工具箱，可以通过该工具箱了解多核学习的思想。

MATLAB统计学习工具箱,内附说明文档,可直接调用函数

国外的统计学习工具箱，包含很多常用的算法代码！欢迎大家下载学习啦

梦幻广场 启用了深度学习工具包的VLSI放置。 与非线性VLSI放置和深度学习训练问题之间的类比，该工具与深度学习工具包一起开发，以提高灵活性和效率。 该工具可在CPU和GPU上运行。 使用Nvidia Tesla V100 GPU，在ISPD 2005竞赛基准测试的全球排名和合法化方面，其CPU实现（ ）的速度提高了30X以上。 DREAMPlace还集成了GPU加速的详细布局器与CPU上广泛采用的顺序器相比，该布局可以在百万大小的基准上实现约16X加速。 DREAMPlace可在CPU和GPU上运行。 如果将其安装在没有GPU的计算机上，则只有多线程支持CPU支​​持。 动画片 大蓝4 密度图 电位 电场 参考流程 刊物 ，Shounak达尔，，豪兴仁，Brucek Khailany和，“DREAMPlace：深度学习工具包启用GPU加速现代VLSI布局”，ACM / IEE

运行 testDNN 试试！ 每个功能都包含说明。 请检查一下！ 它提供了堆叠受限玻尔兹曼机 (RBM) 的深度信念网络 (DBN) 的深度学习工具。 它包括 Bernoulli-Bernoulli RBM、Gaussian-Bernoulli RBM、用于无监督预训练的对比发散学习、稀疏约束、用于监督训练的反向投影和 dropout 技术。 MNIST 数据集的示例代码包含在 mnist 文件夹中。 请参阅 mnist 文件夹中的 readme.txt。 Hinton 等人，通过防止特征检测器的共同适应来改进神经网络，2012 年。 Lee 等人，视觉区域 V2 的稀疏深度信念网络模型，NIPS 2008。 http://read.pudn.com/downloads103/sourcecode/math/421402/drtoolbox/techniques/train_rbm.m__

矩阵序列matlab代码Cortexsys 3.1用户指南 2016年5月 更新-2016年10月3日 Cortexsys 4.0正在进行中，将完全重写Cortexsys。 到目前为止，图形支持进展良好。 功能将随着完成而实现，其中包括： （4.0）基于图的网络设计，布局和处理 允许在前馈（空间）和循环（时间）网络中进行任意网络设计和连接。 这类似于其他工具箱，例如TensorFlow，Torch，Chainer，Neon，Caffe。 （4.1）卷积的改进 交叉卷积 superconv例程可以处理任意数量的内核，过滤器和批处理大小 （4.2）递归神经网络的改进 GRU（门控循环单元） MGRU（最小门控循环单元） （4.3）批量归一化 （4.4）强化学习深度Q学习 介绍 Cortexsys是适用于Matlab（具有限制的GNU Octave 4.0）的深度学习工具箱，适用于希望在Matlab或Octave环境中快速实现和分析新算法的研究人员和算法开发人员。 Cortexsys也会努力实现经常相互冲突的目标：（1）易于使用和学习； （2）灵活且适用于研究，教育和原型制作。 如果我们实现

什么是新的 2021年1月：自述文件已更新，其中包含有关如何使用我们最新版本的详细说明！ 2020年12月：我们正在迁移到更新版本，以获取更通用，更灵活和可扩展的代码。 有关更多信息，请参见下面的介绍！ 可以通过签出标签v0.1.0 ： git checkout v0.1.0来访问旧版本。 介绍 这是所谓的S3PRL一个开源工具包，其代表对于s elf-小号upervised小号peech P重新训练和R epresentation大号收入。 在该工具包中，可通过易于加载的设置获得各种上游自监督语音模型，并通过易于使用的脚本获得下游评估任务。 以下是此工具包如何为您提供帮助的直观说明： 查看我们支持的上游列表： 查看我们支持的下游列表： 随时在您的研究中使用或修改我们的工具包，任何错误报告或改进建议将不胜感激。 如有任何疑问，请。 如果您发现此工具包对您的研究有所帮助，请考虑引