1.人工智能深入了解神经网络 通过Frank La La|2019 年 2 月 神经网络是很多高级的人工智能 (AI) 解决方案的基本元素。但是,很少人取消 derstand 这一概念的核心数学或结构化基础。虽然初始研究神经网络返回日期数十年来,它不是直到最近的计算能力和训练数据集的大小进行它们实际供常规使用。 https://docs.microsoft.com/zh-cn/archive/msdn-magazine/2019/february/artificially-intelligent-a-closer-look-at-neural-networks

2.深度学习轻量级神经网络模型,嵌入式微小设备也能实时检测轻量级神经网络的进步已经彻底改变了计算机视觉在各种物联网(IoT)应用中的使用,涵盖了远程监控和过程自动化。 然而,对于许多这些应用来说,检测小型物体,这是至关重要的,目前在计算机视觉研究中仍然是一个未探索的领域,尤其是在资源受限的嵌入式设备上,这些设备拥有处理器。 https://blog.51cto.com/u_15671528/12791754

3.深度学习&神经网络知识神经网络是一种模仿人脑工作原理的计算模型,它由大量的基本单元节点(神经元)组成,这些节点通过层次化的方式组织成输入层、隐藏层和输出层。每个节点都与其他节点通过权重连接,并且每个节点都有一个激活函数,用于决定该节点是否被激活。隐藏层连接输入层与输出层,对输入信息进行非线性变换来处理信息,输出层也即预测结果https://blog.csdn.net/auiiii/article/details/144338942

4.神经网络在线可视化工具cumtchw神经网络在线可视化工具 https://ethereon.github.io/netscope/#/editorhttps://www.cnblogs.com/cumtchw/p/11576625.html

5.随时间在线训练脉冲神经网络模型的图像数据分类方法与流程对于反馈型脉冲神经网络,构建多组(n-1组)脉冲神经元作为不同的隐层,输入层与隐层和隐层与隐层之间具有前馈连接,最后第n-1层隐层与输出层具有前馈连接,第n-1层隐层与第1层隐层具有反馈连接。 [0046] 以上输入层与隐层、隐层与隐层、隐层与输出层之间的连接均代表任意的线性操作,可以包括全连接的神经网络https://www.xjishu.com/zhuanli/55/202210694741.html

6.BrilliantBrilliant是一个在线学习平台,提供Introduction to Neural Networks课程介绍神经网络知识,让学生理解神经网络的基础知识,学习构建和调节神经网络,并应用神经网络解决实际问题。 Introduction to Neural Networks是Brilliant平台上的一门神经网络入门课程。这门课程面向初学者,介绍神经网络的基本概念、模型与算法。学习者可以在这https://www.aizhinan.cn/tools/2320.html

7.SPSS在线SPSSAU上述表格中,基本信息汇总展示出因变量Y(标签项)的分类分布情况,模型评估结果(包括训练集或测试集)用于模型的拟合效果判断,尤其是测试集的拟合效果,以及提供测试集数据的混淆矩阵结果;模型汇总表格将各类参数值进行汇总,并且在最后附录神经网络模型构建的核心代码。 https://spssau.com/en/helps/machinelearning/neutralnetwork.html

8.在线学习RBF神经网络的模型参考自适应控制器.pdf在线学习RBF神经网络的模型参考自适应控制器.pdf,2001年第2期 般机发展 【文章蕾号) 1005—3751(2001)02—0005—03 在线学习RBF神经网络的模型参考自适应控制器 ModelReferen~~AdaptiveController ofOn—lineLearningRBFNem-alNetworks 朱明星 龚蓬(安徽大学自动化系,https://max.book118.com/html/2017/0321/96259798.shtm

9.在线深度学习:在数据流中实时学习深度神经网络机器之心在线深度学习:在数据流中实时学习深度神经网络 在线深度学习的主要困难是模型的容量、复杂度等设置很不灵活,即模型是静态的,而数据流是动态的。本论文提出了一种适应性的网络框架,结合 HBP 算法,使网络结构能随着数据的流入而逐渐扩展、复杂化。这使得模型同时拥有在线学习和深度学习的优点,并在多种在线学习模型和https://www.jiqizhixin.com/articles/2017-12-30

10.基于RBF在线辨识的神经网络PID控制及其应用基于RBF在线辨识的神经网络PID控制及其应用,RBF辨识,神经网络PID控制,仿真,讨论了RBF辨识网络的控制算法,并提出了一种新型PID控制器,该控制器利用神经元自适应PID的在线参数调整,采用RBF网络对被控对象在线https://wap.cnki.net/qikan-YJDL200604034.html

11.变压器油中水分在线监测的神经网络计算模型期刊摘要:为了对变压器油中的微水含量进行在线监测和建模计算,介绍了变压器油纸绝缘中水分的分布和利用聚酰亚胺薄膜电容式湿度传感器在线监测变压器油中微水含量的原理并在变压器油中微水含量监测的相关理论基础上,提出了一种基于神经网络的在线监测计算模型以评估变压器油中的微水含量.比较油中微水含量的计算值与测量值证明,采用https://d.wanfangdata.com.cn/Periodical/gdyjs200705019

12.7个深度神经网络可视化工具,不可错过!腾讯云开发者社区Netscope 是一个支持 prototxt 格式描述的神经网络结构的在线可视工具。它可以用来可视化 Caffe 结构里 prototxt 格式的网络结构,使用起来也非常简单,打开这个地址http://ethereon.github.io/netscope/#/editor,把你的描述神经网络结构的 prototxt 文件复制到该编辑框里,按 shift+enter,就可以直接以图形方式显示网络的https://cloud.tencent.com/developer/article/1065135

13.神经网络模型结构可视化不用代码的在线网页与软件绘图方法之前向大家介绍了一种基于Python第三方ann_visualizer模块的神经网络可视化方法,大家可以直接点击这篇博客(https://www.jianshu.com/p/5984b97127c5)查看;这方法可以对Dense隐藏层以及MaxPooling层、Dropout层、Flatten层等其它类型的隐藏层加以绘制,功能非常强大,但是需要用代码执行,且在执行前需要将神经网络的https://www.jianshu.com/p/833379a901c6