AdderNet：我们真的需要深度学习中的乘法吗？ 该代码是CVPR 2020论文的演示 我们提出加法器网络（AdderNets）来交换深度神经网络（尤其是卷积神经网络（CNN））中的大规模乘法运算，以更便宜的加法运算来减少计算成本。在AdderNets中，我们将滤波器和输入要素之间的L1范数距离作为输出响应。结果，在ImageNet数据集上使用ResNet-50，建议的AdderNets可以达到74.9％的Top-1精度91.7％的Top-5精度，而无需在卷积层上进行任何乘法。 更新：培训代码

a_numpy_based_implement_cnn 这是我的博客的代码实现。 训练 测试 其他：卷积层可视化 依赖： Python3.6 numpy;枕头; scipy; matplotlib 简易装置： 间谍 其中训练部分由两个Python文件和一个文件夹组成： data_utils.py cnn.py ./cifar-10-batches-py$ ls batches.meta data_batch_2 data_batch_4 test_batch data_batch_

用于CIFAR-10的卷积神经网络 该存储库是关于cifar10的CNN体​​系结构的一些实现的。 我只是用Keras和Tensorflow到implementate所有这些CNN模型。 （如果有时间，可能是火炬/火炬版） pytorch版本可在 要求 巨蟒（3.5） keras（> = 2.1.5） tensorflow-gpu（> = 1.4.1） 建筑与论文 第一个CNN模型： LeNet 网络中的网络 Vgg19网络 在ILSVRC 2014本地化任务的第一个地方 在