文章目录 可选实验室：神经元和层包无激活神经元-回归/线性模型Sigmoid激活的神经元祝贺 可选实验室：神经元和层 实验室将探索神经元和层的内部工作原理，特别是将课程1中掌握的模型，即回归/线性模型和逻辑斯蒂模型，与之进行对比。本实验室将介绍Tensorflow并演示这些模型是如何在该框架中实现的。 包 Tensorflow和Keras Tensorflow是谷歌开发的

【知识蒸馏2018】Knowledge Transfer via Distillation of Activation Boundaries Formed by Hidden Neurons    论文： https://arxiv.org/pdf/1811.03233.pdf 目录 一 主要思想：二 问题来源及推导模型：1. 问题及推导2.补充： 三 实验结果： 一 主要思想：

Hintion老爷子在06年的science上的论文里阐述了 RBMs 可以堆叠起来并且通过逐层贪婪的方式来训练，这种网络被称作Deep Belife Networks(DBN)，DBN是一种可以学习训练数据的高层特征表示的网络，DBN是一种生成模型，可见变量  与  个隐层的联合分布： 这里 x = h0，为RBM在第 k 层的隐层单元条件下的可见单元的条件分布， 是一个DBN顶部可见层与隐

Hintion老爷子在06年的science上的论文里阐述了 RBMs 可以堆叠起来并且通过逐层贪婪的方式来训练，这种网络被称作Deep Belife Networks(DBN)，DBN是一种可以学习训练数据的高层特征表示的网络，DBN是一种生成模型，可见变量  与  个隐层的联合分布： 这里 x = h0，为RBM在第 k 层的隐层单元条件下的可见单元的条件分布， 是一个DBN顶部可见层与隐

该算法（1）生成质量上最先进的合成图像，看起来几乎是真实的；（2）以可解释的方式揭示每个神经元学习的特征；（3）对新的数据集有很好的概括性，对不同的网络结构也有一定的概括性，而不需要重新学习先验；（4）可以被视为一种高质量的生成方法（在这种情况下，通过生成新颖、创造性、有趣、可识别的图像）。 1 Introduction and RelatedWork 受这类神经科学研究的启发，我们有兴趣通过

原址链接：http://brian2.readthedocs.io/en/stable/introduction/index.html 第一次更新：2018年6月2日 Brian是一款面向SNN(spiking neural network)的模拟器。模拟器主体使用python语言，具有简单易学、灵活和可扩展的功能，旨在降低模拟计算的时间。 注：模拟器还有一些其他重要的特性，例如运用多核甚至计算集