- 博客(1)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 AdderNet: DoWe Really Need Multiplications in Deep Learning? 文献笔记
常规的CNN是利用互相关来衡量输入图像和滤波器/卷积核之间的相似性（eg. 卷积核中间有一条竖线的值为非零的，而其余位置的值均为0，那么当输入图像/输入特征X与卷积核进行卷积的时候，可以检测输入图像是否有局部区域类似于卷积核的图形，会计算相应的相似性得分），这需要大量的乘法运算。而本文提出的AdderNets，则是通过计算输入图像和1滤波器/卷积核之间的L1距离来衡量两者的相似性，可以几乎不用乘法。（其中，减法操作也可以通过补码的方式用加法操作来实现） 互相关衡量：  反向传播/optimization
2021-02-27 19:13:02
125
基于FPGA的滤波器的课程设计与烧录仿真
1，基于rom的dds的产生
2，基于FPGA的数字混频器的设计
3，基于FPGA的FIR滤波器设计（两种方法）
4，基于FPGA的IIR滤波器的设计
5，基于FPGA的单级CIC滤波器设计
6，基于FPGA的多级CIC滤波器实现采样率下降
7，基于FPGA的多级CIC滤波器实现采样率上升
8，基于FPGA的半带滤波器的设计
2021-01-20
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人