给样本训练，样本用矩阵表示（大小 7x9）

Matlab代码verilog 具有资源优化架构构建工具的组合式BNN工具链。 论文的一部分：“（（Tadej Murovic，Andrej Trost），资源优化的组合式二元神经网络电路”->尚未出版。 构建用于二进制神经网络的组合Verilog电路的框架。 实现上述图像的主要文件是MATLAB文件FPGA_deployment_framework.m。 在其中，我们分为三个部分，分别为特定的边缘处理应用程序（影像，网络安全和高能物理）构建Verilog模型。 在运行之前，需要某些库和依赖项。 Matlab R2017a Python 2.7 茶野 千层面 Pylearn2 脾气暴躁的 麻辣 最新的python依赖版本应该可以使用。 如果有问题，请看一下。 这来自关于二进制神经网络的原始论文之一，从中获取了我们的python训练脚本（仅出于我们的目的进行了一些修改）。 对于我们而言，由于网络相对较小，因此不需要GPU。 可以通过修改脚本来支持GPU训练。 步骤1-2 文件cybersecurity_dataset_unswb15.m，hep_dataset_susy.m和Imagin

颜色分类leetcode 在分类中使用贝叶斯神经网络进行不确定性量化：在生物医学成像分割中的应用 该存储库提供了论文“在分类中使用贝叶斯神经网络的不确定性量化：在生物医学图像分割中的应用”的 Keras 实现。 本文扩展了在 . 如果您想引用此作品，请引用扩展版本。 在这个 repo 中，我们使用两个生物医学成像分割数据集展示了所提出的方法：ISLES 和 DRIVE 数据集。 有关更多详细信息，请参阅 和 。 我还强烈建议您查看使用 Walter de Back 的 DRIVE 数据集的良好实现。 []。 例子 一旦你有一个训练有素的贝叶斯神经网络，建议的不确定性量化方法很简单！！！ 在一个二进制segmentaion中，一个具有维度（估计数，特征维度）的numpy数组p_hat ，然后可以通过以下代码获得认知不确定性和任意不确定性。 epistemic = np.mean(p_hat**2, axis=0) - np.mean(p_hat, axis=0)**2 aleatoric = np.mean(p_hat*(1-p_hat), axis=0) 所提出的方法与 Kendall

使用HLS工具在FPGA上使用二进制权重和激活进行图像分类的CNN的培训和实现 这是博洛尼亚大学项目工作的资料库教授 在这项工作中，我首先学习了具有二进制权重和激活的二进制网络。 然后，我在MNIST数据集上训练了一个网络，使用小型网络（46万权重）实现了96％的准确性。 但是，该项目的核心是使用高级综合工具（Vivado HLS）在FPGA器件（Zynq）上实现二进制网络。 我实现了核心模块（卷积，密集，最大池，填充），优化资源，评估结果并讨论了时间和资源之间的取舍。 整个实现是流水线的，通过使用少于FPGA上可用资源的一半，就可以实现数千个图像/秒的吞吐量。 您可以在提供的幻灯片中找到其他信息。 参考 二进制网络参考文件：二进制 ：我已经从该项目改编了我的培训代码 有关在FPGA上实现BNN的论文： 作者 博洛尼亚大学-2018年5月

基于PYNQ复现的BNN重建项目-lfcW1A1，包括HLS和Vivado项目工程，结合https://blog.csdn.net/qq_42334072/article/details/107966278食用更佳。

在PYNQ上实现了一个简单的BNN网络，并对比了用FPGA加速和不用FPGA加速的时间，发现使用FPGA确实可以加速深度学习网络的识别。