摘要
Berrada，L.、Zisserman，A.和Kumar，M.P.深度top-k分类的平滑损失函数。 计算研究库（CoRR） (2018). 谷歌学者 
Chen，L.-C.，Papandreou，G.，Kokkinos，I.，Murphy，K.和Yuille，A.L.Deeplab：使用深度卷积网络、反褶积和完全连接的crf进行语义图像分割。 计算研究库（CoRR） (2017). 谷歌学者 Chen，S.和Zhao，Q.《浅化深层网络：基于特征表示的分层修剪》。 IEEE模式分析和机器智能汇刊41 , 12 (2019), 3048--3056. 谷歌学者 交叉引用 
陈耀福。 2019年PyTorch CIFAR10/100上的预训练模型。 谷歌学者 Dhamdhere，K.，Sundararajan，M.和Yan，Q.神经元有多重要？ 计算研究库（CoRR） (2018). 谷歌学者 Everingham，M.、Van Gool，L.、Williams，C.K.I.、Winn，J.和Zisserman，A.《2012年PASCAL视觉对象类挑战赛》（VOC2012）结果。 http://www.pascal-network.org/challenges/VOC/voc2012/workshop/index.html , 2012. 谷歌学者 Han，S.，Pool，J.，Tran，J.和Dally，W.学习有效神经网络的权重和连接 神经信息处理系统进展会议记录 （2015），C.Cortes、N.Lawrence、D.Lee、M.Sugiyama和R.Garnett，Eds.，Curran Associates，Inc.，第1135-1143页。 谷歌学者 Han，Y.、Huang，G.、Song，S.、Yang，L.、Wang，H.和Wang，Y.动态神经网络：一项调查。 计算研究库（CoRR） (2021). 谷歌学者 He，K.，Gkioxari，G.，Dollár，P.和Girshick，r.Mask r-cnn。 计算研究库（CoRR） (2017). 谷歌学者 He，K.，Zhang，X.，Ren，S.和Sun，J.图像识别的深度剩余学习。 谷歌学者 He，K.，Zhang，X.，Ren，S.和Sun，J.图像识别的深度剩余学习。 计算研究库（CoRR） (2015). 谷歌学者 何，Y.，Kang，G.，Dong，X.，Fu，Y.和Yang，Y.用于加速深层卷积神经网络的软滤波器修剪。 IJCAI’18，AAAI出版社，第2234-2240页。 谷歌学者 Hunter，J.D.Matplotlib：二维图形环境。 科学与工程中的计算9 , 3 (2007), 90--95. 谷歌学者 数字图书馆 
Kokhlikyan N.、Miglani V.、Martin M.、Wang E.、Reynolds J.、Melnikov A.、Lunova N.和Reblitz-Richardson O.Pytorch captum，2019年。 谷歌学者 Krizhevsky，A.、Sutskever，I.和Hinton，G.E.用深度卷积神经网络进行Imagenet分类。 在 神经信息处理系统进展会议论文集 （2012），F.Pereira、C.J.C.Burges、L.Bottou和K.Q.Weinberger，Eds.，第25卷，Curran Associates，Inc.，第1106-1114页。 谷歌学者 LeCun，Y.和Cortes，C.MNIST手写数字数据库，2010年。 谷歌学者 LeCun，Y.、Denker，J.和Solla，S.最佳脑损伤。 在 神经信息处理系统进展会议记录 （1989），D.Touretzky，Ed.，Morgan-Kaufmann，第598-605页。 谷歌学者 Leontiadis，I.，Laskaridis，S.，Venieris，S.I.，and Lane，N.D.总是个性化的：利用提前退出实现高效的CNN设备个性化。 计算研究库（CoRR） (2021). 谷歌学者 数字图书馆 Li，H.、Kadav，A.、Durdanovic，I.、Samet，H.和Graf，H.P.修剪过滤器，以实现高效的转换。 计算研究库（CoRR） （2016年）。 谷歌学者 Li，H.、Kadav，A.、Durdanovic，I.、Samet，H.和Graf，H.P.修剪过滤器，以实现高效的转换。 计算研究库（CoRR） （2016年）。 谷歌学者 林，J.，饶，Y.，卢，J.和周，J.运行时神经修剪。 在 神经信息处理系统进展会议记录 （2017年），I.Guyon，U.v.Luxburg，S.Bengio，H.Wallach，R.Fergus，S.Vishwanathan，and R.Garnett，Eds.，Curran Associates，Inc.，第2181-2191页。 谷歌学者 Molchanov，P.、Tyree，S.、Karras，T.、Aila，T.和Kautz，J.修剪卷积神经网络以实现资源高效传输学习。 计算研究库（CoRR） （2016年）。 谷歌学者 Nikolaos，F.、Theodorakopoulos，I.、Pothos，V.和Vassalos，E.cnn网络的动态修剪。 在 2019年第十届信息、智能、系统和应用国际会议 （2019年），第1-5页。 谷歌学者 交叉引用 Paszke，A.、Gross，S.、Massa，F.、Lerer，A.、Bradbury，J.、Chanan，G.、Killeen，T.、Lin，Z.、Gimelshein，N.、Antiga，L.、Desmaison，A.、Kopf，A.，Yang，E.、DeVito，Z.，Raison，M.、Tejani，A.、Chilamkurthy，S.，Steiner，B.、Fang，L.，Bai，J.和Chintala，S.Pythort：一个命令式、高性能的深度学习库。 在 神经信息处理系统年度会议记录 （2019年），第8024--8035页。 谷歌学者 佩德雷戈萨（Pedregosa，F.）、瓦罗奎斯（Varoqueux，G.）、格拉姆福特（Gramfort，A.）、米歇尔（Michel，V.）、提里昂（Thirion，B.）、格里塞尔（Grisel，O.）、布隆德尔（Blondel，M.）、普雷滕霍弗（Prettenhofer，P.）、韦斯（Weiss，R.）、杜堡（Dubourg，V.，Vanderplas，J.）、帕索斯（Passos，A.），库纳波（Cournap。 机器学习研究杂志12 （2011），2825-2830。 谷歌学者 数字图书馆 Ronneberger，O.、Fischer，P.和Brox，T。 U-Net：生物医学图像分割的卷积网络。 查姆施普林格，2015年，第234-241页。 谷歌学者 Ruder，S.梯度下降优化算法概述。 计算研究库（CoRR） （2016年）。 谷歌学者 Sabih，M.、Hannig，F.和Teich，J.利用可解释人工智能量化和修剪深层神经网络。 计算研究库（CoRR） (2020). 谷歌学者 Shrikumar，A.、Greenside，P.和Kundaje，A.通过传播激活差异学习重要特征。 计算研究库（CoRR） (2017). 谷歌学者 Srinivas，S.和Babu，R.V.深度神经网络的无数据参数修剪。 计算研究库（CoRR） (2015). 谷歌学者 Sundararajan，M.、Taly，A.和Yan，Q.深度网络公理化归因。 计算研究库（CoRR） (2017). 谷歌学者 Teeraptittayanon，S.、McDanel，B.和Kung，H.T.BranchyNet:通过早期退出深度神经网络进行快速推理。 在 第23届模式识别国际会议（ICPR）会议记录 （2016），IEEE，第2464-2469页。 谷歌学者 交叉引用 Tjoa，E.和Guan，C.关于可解释人工智能（XAI）的调查：面向医学XAI。 计算研究库（CoRR） (2019). 谷歌学者 van der Walt，S.、Colbert，S.C.和Varoquaux，G.《NumPy数组：高效数值计算的结构》。 科学与工程计算13 , 2 (2011), 22--30. 谷歌学者 数字图书馆 Van Rossum，G.和Drake，F.L。 Python 3参考手册。 CreateSpace，美国加利福尼亚州斯科茨谷，2009年。 谷歌学者 You，Z.，Yan，K.，Ye，J.，Ma，M.和Wang，P.Gate装饰器：用于加速深层卷积神经网络的全局过滤器修剪方法。 在 神经信息处理系统进展会议记录 （2019年），第2130--2141页。 谷歌学者
建议
在高维空间中寻找k主导的天际线 2006年ACM SIGMOD国际数据管理会议记录 给定一个 天 -维度数据集、点 第页 控制另一点 q个 如果它优于或等于 q个 在所有方面都优于 q个 至少在一个维度上。 如果不存在任何可以控制它的点，则点就是天际线点。。。 在不确定的数据库中选择天际线恒星 图形抽象显示省略的亮点首先，我们提出了由b-skyline表示的证据性天际线，其目的是返回不受任何其他对象可信支配的证据性对象。 然后我们介绍看似合理的天际线。。。
