502 Bad Gateway


nginx/0.7.67
Общие сведения о библиотеке классов NeuroLib 502 Bad Gateway

502 Bad Gateway


nginx/0.7.67

502 Bad Gateway

502 Bad Gateway


nginx/0.7.67

Добро пожаловать на http://nnet.chat.ru!

Общие сведения о библиотеке классов NeuroLib

Библиотека классов NeuroLib 0.95 предназначена для программного моделирования любых сетей прямого распространения состоящих из нейронов с различными функциями активации (экспоненциальный сигмоид, рациональный сигмоид, гиперболический тангенс, единичный порог), сумматоров, входных и выходных звезд. Часть библиотеки содержит описание вышеперечисленных элементов и может быть полезна исследователю, занимающемуся синтезом новых архитектур НС. Библиотека позволит Вам создавать сети прямого действия, где каждый разнородный элемент сети может получать сигналы от любого другого элемента (лишь бы не было циклов). Такая сеть может затем обучаться с помощью алгоритма обратного распространения или стахостическим обучением Коши, которые здесь реализованы.

Вторая часть основана на первой части и содержит описания некоторых известных архитектур, таких как сеть обратного распространения (состоящую из разнородных нейронов и сумматоров, каждый элемент может получать сигналы не только от элементов предыдущего слоя) и стахостическую сеть, обучаемую кроме обратного распространения обучением Коши.

Третья часть относительно независима и предназначена для тех, кто хочет использовать известные НС - архитектуры для решения своих задач (пока недоступна).

Библиотека является статически компонуемой, написана на С++ с использованием библиотеки MFC. Все классы являются наследниками CObject. Скомпилирована компилятором Visual C++ 6.0 в четырех конфигурациях: Win32 Debug MFC DLL - отладочная версия, использующая MFC в разделяемых DLL, Win32 Release MFC DLL - аналогичная релиз - версия; Win32 Debug MFC Static, Win32 Release MFC Static - используют MFC в статических библиотеках.

Обзор классов NeuroLib

Файл neurolib.rar возьмите здесь
Апорт Top 1000 502 Bad Gateway

502 Bad Gateway


nginx/0.7.67