XiaoMi-AI文件搜索系统
World File Search SystemMNIST
Bibek Bikram Shahi
项目爆米花飞行员：电影推荐系统：开发了一个推荐系统为模型创建API。技术堆栈：react，nodejs，numpy，pandas，seaborn，matplotlib，scikit-learn，烧瓶，jupyter-notebook url：github手写数字识别：用于手写数字的项目识别项目，该项目通过在MNIST DataSet Tech stack上培训的CNN型号的手写数字识别。 Pandas，Opencv，Seaborn
向前前进算法的新型显着分析
摘要 - 将前进算法纳入神经网络训练中代表了从传统方法的变革转变，引入了一种双向机制，该机制通过绕过派生式传播的复杂性来简化学习过程。此方法以其简单性和效率而闻名，并涉及执行两个正向通行证 - 第一个具有实际数据以促进积极的强化，第二个具有合成产生的负数据以实现不犯罪性学习。我们的实验证实，前进算法不仅是实验新颖性，而且是一种可行的训练策略，它与常规的多层感知器（MLP）架构竞争。为了克服传统显着性技术固有的局限性，主要依赖于基于梯度的方法，我们开发了一种专门针对前向前框架的定制显着算法。这种创新算法增强了对特征重要性和网络决策的直观理解，从而清楚地可视化数据中最大程度地影响模型预测。通过利用这种规定的显着性方法，我们可以更深入地了解该模型的内部运作，从而显着增强了我们的解释能力，而不是标准方法提供的能力。使用MNIST和时尚MNIST数据集，我们的评估表明我们的方法与传统的基于MLP的模型相当。索引术语 - 前向算法，显着性，MLP
多任务记忆电容网络 - PDXScholar
摘要 — 最近的研究表明，记忆电容设备网络为储存器计算系统提供了低功耗的理想计算平台。随机、交叉或小世界幂律 (SWPL) 结构是储存器基底计算单个任务的常见拓扑结构。然而，神经学研究表明，与不同功能相关的皮层大脑区域互连形成富俱乐部结构。这种结构允许人类大脑同时执行多项活动。到目前为止，记忆电容储存器只能执行单一任务。在这里，我们首次提出了集群网络作为记忆电容储存器同时执行多项任务。我们的结果表明，在三个任务上，集群网络分别比交叉和 SWPL 网络高出 4.1 × 、5.2 × 和 1.7 × 倍：孤立口语数字、MNIST 和 CIFAR-10。与我们之前和已发表结果中的单任务网络相比，多任务集群网络可以实现类似的准确率，分别为 MNIST、孤立口语数字和 CIFAR-10 的 86%、94.4% 和 27.9%。我们的扩展模拟表明，输入信号幅度和集群间连接都会影响集群网络的准确性。选择信号幅度和集群间链接的最佳值是获得高分类准确率和低功耗的关键。我们的结果说明了记忆电容式大脑启发集群网络的前景及其同时解决多项任务的能力。这种新颖的计算架构有可能使边缘应用程序更高效，并允许无法重新配置的系统解决多项任务。
真实量子处理单元上的量子模式识别
摘要 量子计算最有前途的应用之一是处理图像等图形数据。在这里，我们研究了基于交换测试实现量子模式识别协议的可能性，并使用 IBMQ 噪声中型量子 (NISQ) 设备来验证这个想法。我们发现，使用双量子比特协议，交换测试可以有效地以良好的保真度检测两个模式之间的相似性，尽管对于三个或更多量子比特，真实设备中的噪声会变得有害。为了减轻这种噪声影响，我们采用破坏性交换测试，这显示出三量子比特状态的性能有所提高。由于云对较大 IBMQ 处理器的访问有限，我们采用分段方法将破坏性交换测试应用于高维图像。在这种情况下，我们定义了一个平均重叠度量，当在真实 IBMQ 处理器上运行时，它可以忠实地区分两个非常不同或非常相似的模式。作为测试图像，我们使用具有简单模式的二进制图像、灰度 MNIST 数字和时尚 MNIST 图像，以及从磁共振成像 (MRI) 获得的人体血管的二进制图像。我们还介绍了一种利用金刚石中的氮空位 (NV) 中心进行破坏性交换测试的实验装置。我们的实验数据显示单量子比特状态具有高保真度。最后，我们提出了一种受量子联想记忆启发的协议，其工作方式类似于监督学习，使用破坏性交换测试进行量子模式识别。
![arxiv：2201.08878v1 [Quant-ph] 2022年1月21日](/simg/g:\will\search\icon\source\2\22c0aa3c5a3b0fb3f8a5cbe0a5918d8e49f33976.webp)
arxiv：2201.08878v1 [Quant-ph] 2022年1月21日
Quantum机器学习（QML）是一个新兴的研究领域，主张使用量子计算来进步机器学习。由于发现了参数变化量子电路（VQC）以替换人工神经网络的可容纳能力，因此它们已被广泛采用以在量子机学习中的不同任务中采用。然而，尽管它们有可能超过神经网络，但VQC限于量子电路可伸缩性的挑战，仅限于小规模应用。为了解决这个缺点，我们提出了一种算法，该算法使用张量环表示在电路中压缩量子状态。使用张量环表示中的输入Qubit状态，单量子门保持张量环表示。但是，对于两个Qubit门而言，情况并非如此，其中使用近似值将输出作为张量环表示。使用此近似值，与精确的仿真算法相比，与指数增加相比，存储和计算时间在量子数和层数中线性增加。此近似值用于实现张量环VQC。使用基于梯度下降的算法进行张量环VQC参数的训练，其中使用了反向传播的效果方法。在两个数据集上评估了所提出的方法：分类任务的虹膜和MNIST，以使用更多量子位来显示提高准确性。关键字：变分量子电路，张量网络，有监督的学习，classifation我们使用各种电路架构实现了虹膜数据集的测试精度为83.33％，MNIST数据集的二进制和三元分类为99.30％和76.31％。IRIS数据集的结果优于Qiskit上的VQC上的结果，并且可扩展，这证明了VQC用于大规模量子机器学习应用程序的潜力。
基于流动的深层生成模型
在本报告中，我们研究了基于流量的深层生成模型。我们首先比较了不同的生成模型，尤其是生成的对抗网络（GAN），变异自动编码器（VAE）和基于流量的生成模型。然后，我们调查了不同的归一化流量模型，包括非线性独立组件估计（NICE），实用值的非数量保存（REALNVP）变换，具有可逆的1×1卷发（GLOW）的生成流量，掩盖的自动锻炼自动化流量（MAF）和自动化自动化效果（MAF）。最后，我们对使用NICE和REALNVP生成MNIST手写数字的实验进行了实验，以检查基于流量的模型的有效性。源代码可从https://github.com/salu133445/flows获得。
有条件的生成图像模型
无条件产生，该算法没有输入；该模型生成一个新的图像，该图像与培训数据共享特征。相比之下，随着统一的生成，该算法的输入是有效的类选择。例如，在MNIST数据集中，我们可以指示该模型生成数字的图像在0到9之间，从而从指定类中产生新的图像。在DDPM框架内，U-NET充当神经网络，以预测每个时间步处的噪声。对U-NET的输入是时间t的图像，时间嵌入和上下文嵌入。U-NET输出ϵ具有与输入图像相同的输入图像特征维度。this ϵ表示要从t处的库图像中减去的估计噪声，以在t-1处产生图像，从而使其更接近新图像。
RISC-V 工具链和基于敏捷开发的开放...
本文提出了一种低功耗神经形态处理器——文曲星 22A，它将通用 CPU 功能与 SNN 相结合，利用 RISC-V SNN 扩展指令对其进行高效计算。文曲星 22A 的主要思想是将 SNN 计算单元集成到通用 CPU 的流水线中，利用定制的 RISC-V SNN 指令 1.0（RV-SNN 1.0）、精简泄漏积分和发射 (LIF) 模型和二元随机脉冲时序相关塑性 (STDP) 实现低功耗计算。文曲星 22A 的源代码已在 Gitee 1 和 GitHub 1 上在线发布。我们将文曲星 22A 应用于 MNIST 数据集的识别，以与其他 SNN 系统进行比较。实验结果表明，文曲星22A相比加速器解决方案ODIN能耗降低了5.13倍，3位ODIN在线学习的分类准确率约为85.00%，1位文曲星22A的分类准确率约为91.91%。
在神经形态硬件上实施的新皮层的生物学现实计算原始素改善视觉变压器性能
恶意化）。此外，此SWTA图案的稀疏耦合也能够模拟TN芯片上的两态神经状态机，从而复制了对认知任务必不可少的工作记忆动力学。此外，将SWTA计算作为视觉变压器（VIT）中的预处理层的整合，增强了其在MNIST数字分类任务上的性能，证明了改进的概括性对以前看不见的数据进行了改进，并提出了类似于零量学习的机制。我们的方法提供了一个将大脑启发的计算转换为神经形态硬件的框架，并在英特尔的Loihi2和IBM的Northpole等平台上使用了潜在的应用。通过将生物物理精确的模型与神经形态硬件和高级机器学习技术集成，我们是将神经计算嵌入神经ai系统中的全面路线图。