搜索资源 - 广泛残余网络

搜索资源列表

灰色神经网络改进bp
近十年，复合材料以及工程陶瓷等先进材料得到了越来越广泛的应用［1］。然而，这些材料加工困难。磨削对难加工材料独有的加工优势使得磨削成为加工这些材料的最佳选择。但是，与其他切削加工相比，磨削过程会产生极高的磨削能。这些能量大部分转化成热，然后传递到工件、砂轮、切屑、冷却液中。当传递给工件的热量过高时，工件就会产生热损伤，如:工件烧伤、相变、不良的残余应力、裂纹，进而降低表面质量等。另外，磨削高温也是砂轮磨损的一个重要因素。过去几十年，人们已经对磨削高温的危害进行了大量的研究。周志雄等［5］研
所属分类：其它
- 发布日期：2018-06-20
- 文件大小：1048576
- 提供者：weixin_42499785

深度残差网络.zip
当Microsoft Research发布用于图像识别的深度残差学习时，深度残差网络席卷了深度学习领域。这些网络在ImageNet和COCO 2015竞赛的所有五个主要赛道中均获得了第一名的入围作品，这些竞赛涵盖了图像分类，对象检测和语义分割。此后，ResNets的鲁棒性已被各种视觉识别任务和涉及语音和语言的非视觉任务证明。压缩包内包含以下参考文档： 1、深度残差学习以进行图像识别— ResNet（Microsoft Research） 2、广泛的残留网络（巴黎埃斯特大学，巴黎高等技术学校
所属分类：深度学习
- 发布日期：2020-12-26
- 文件大小：2097152
- 提供者：bashendixie5