Consistent Sparse Deep Learning Theory and Computation 源码
一致的稀疏深度学习:理论与计算 我们提出了一种类似于常客的方法来学习稀疏DNN,并证明其在贝叶斯框架下的一致性。 稀疏DNN的结构可以在经过训练的贝叶斯神经网络与常规先验混合的基础上,使用基于拉普拉斯近似的边际后验包含概率方法一致地确定。 相关刊物 孙燕* ,宋其凡*和梁发名, JASA,印刷中。 复制论文中的实验结果: 模拟: 产生资料: python Generate_Data.py 回归: python Simulation_Regression.py --data_index 1 --activation 'tanh' python Simulation_Regression.py --data_index 1 --activation 'relu' 回归基准: python Dropout_Regression.py --data_index 1 --activation
文件列表
Consistent-Sparse-Deep-Learning-Theory-and-Computation-main.zip
(预估有个22文件)
Consistent-Sparse-Deep-Learning-Theory-and-Computation-main
experiments
DPF_Regression.py
15KB
Spinn_Classification.py
20KB
Spinn_Regression.py
16KB
Simulation_Regression.py
19KB
vb_net.py
29KB
Spinn_structure.py
13KB
run_bnn.py
13KB
Simulation_Structure.py
25KB
暂无评论