Attention Is All You Need 在主流的序列转录（给定一个序列，生成另外一个序列）模型中，他们依赖于比较复杂循环或者是卷积神经网络。Transformer模型不需要循环和卷积，只用注意力机制。(第一个)RNN并行度低用卷积神经网络，对长序列难以建模Multi-Head Attention可以模拟卷积神经网络多输出通道的效果...
松材线虫入侵对马尾松森林生长及相关生长模式的影响 灰色-马尔可夫模型将连续微分方程近似化为离散微分方程 状态转移概率结果发现1996年为一个关键时间点，为了进一步研究，建立GM(1,1)模型，研究1996年前后径向与纵向增量的影响。利用残差比C与最小误差概率P查看精度，C越小，P越大，精度越高。M1,M2预测精度较好，但S和F的DBH拟合精度较差，故采用灰色马尔科夫模型对结果校正。灰色马尔可夫组合预测模型的拟合精度明显高于纯灰色模型。...
FPGA 串口 UART(Universal Asynchronous Receiver /Transmitter)通用异步收发传输器。RS232标准四相调频 波特率9600 1波特=1/9600s，系统时钟时50MHz,即周期为20ns，则每波特下有（1/9600*10^9ns）/20ns = 5208个时钟周期将输入信号同步到系统时钟下可能会产生亚稳态以下降沿为开始标志信号Start_flag，进行信号的提取。使用使能信号确定信号提取的范围，Star...
FPGA加速BCNN 对于许多信号处理应用来说，能够从具有相位信息的复数数据中进行学习是必不可少的。当前实值深度神经网络（DNN）在潜在信息分析方面表现出了较高的效率，但在复数领域的应用还不够。而深度复数网络（Deep complex networks, DCN）可以从复数数据中学习，但计算成本较高，因此，这些技术都不能满足可部署系统处理短观测或短信号突发的即时决策需求。近年来，将 DCN 与二值化神经网络（BNN） 相结合的二值化复数神经网络 （BCNN），在实时分类复数数据方面显示出巨大潜力。实现这一高性能的结果来自
机器学习，神经网络 前馈神经网络（feedforword neural network，FNN）前馈神经网络也叫做多层感知机，各神经元分层排列。每个神经元只与前一层的神经元相连。接收前一层的输出，并输出给下一层．各层间没有反馈。BP（Back Propagation）神经网络...
Angel-Eye: A Complete Design Flow for MappingCNN onto Embedded FPGA 天使之眼：将CNN映射到嵌入式FPGA摘要：卷积神经网络(CNN)已成为人工智能领域的一种成功的算法，也是许多计算机视觉(CV)算法的强大候选算法。但CNN的计算复杂度远高于传统算法。在GPU加速的帮助下，基于CNN的应用程序被广泛地应用在服务器上。然而，对于嵌入式平台，基于cnn的解决方案仍然过于复杂，无法应用。在fpga上进行了各种专用的硬件设计来加速cnn，而很少有人探索整个设计流程的快速部署和高驱动效率。在本文中，我们研究了最先进的CNN模型和基于CNN的应用。总结了在嵌入式fpga上映射C
Angel-Eye: A Complete Design Flow for Mapping CNN onto Embedded FPGA阅读笔记 天使之眼，一种可编程且灵活的CNN加速架构，以及data quantization策略和编译工具。CNN的有着高计算量和存储能力，不简化就将其mapping到嵌入式fpga上是不可行的。为了解决CNN模型的高计算复杂度，data quantization策略有助于将位宽降到8位，精度损失可以忽略不计。该策略在给定位宽的每一层中找到最佳的半径点位置，之后再用额外的转换器来校正数据。该编译工具可以有效地将某个CNN模型maping到硬件上。在ZynqXC7Z045平台上进行评估，在同一平台.
关注
