佩佩瑞

深度学习---从入门到放弃（三)多层感知器MLP 1.MLP简介 正式进入MLP之前，我们先来看看单个神经元组成的线性神经网络，由上图可知单个神经元的神经网络无法解决像XOR这样的非线性问题。这个时候

深度学习---从入门到放弃（二）简单线性神经网络 1.基本结构 就像昨天说的，我们构建深度学习网络一般适用于数据大，处理难度也大的任务，因此对于网络的结构需要有一个非常深入的了解。这里以一个分类猫狗的

深度学习---从入门到放弃(一)pytorch 本文已参与「新人创作礼」活动，一起开启掘金创作之路。 Tensor 类似于numpy的array，pandas的dataframe；在pytorch里的

神经动力学模型的建立 本文已参与「新人创作礼」活动，一起开启掘金创作之路。 1.通用模型建立平台 GENESIS（通用神经模拟系统的缩写）是一个通用模拟平台，旨在支持从亚细胞成分和生化反应到单个神经元

对神经元和spike信号进行建模 本文已参与「新人创作礼」活动，一起开启掘金创作之路。 我们的目标是建立一个简化的符合真实生物学意义的神经元模型---其中包括一个胞体，一个收集其他神经元输入的树突，以

计算spike train里的信息 本文已参与「新人创作礼」活动，一起开启掘金创作之路。 在上一节中提到了有关熵和spike train的基本概念以及从单个spike中利用互信息这一策略提取信息，因此

神经元内信号传递的计算模型-HH模型 本文已参与「新人创作礼」活动，一起开启掘金创作之路。 神经元动力学可以被设想为一个总和过程(有时也称为“集成”过程)，并结合一种触发动作电位高于临界电压的机制。

熵和spike train---信息和熵 本文已参与「新人创作礼」活动，一起开启掘金创作之路。 在这一节中我们将利用信息理论来探索神经系统的编码特性。 spike train spike train：

神经解码---刺激重构 本文已参与「新人创作礼」活动，一起开启掘金创作之路。 之前一节提到了利用贝叶斯估计进行神经解码的策略，那么此时我们对于这种情况做出一下拓展： 此时我们用于解码的是连续时间下的神