发布时间：
Github平台上有大量优质实用的开源代码，学会使用它能为各位开发者节约很多时间，所以很多人平常都会选择在github平台上下载的代码使用，那么github下载的代码怎么使用呢？ 1、 打开任意一个GitHub仓库的主页，点击目录右上角的绿色按钮。 2、 可以看到有两个选项，点击第二个DownloadZIP即可直接下载项目所有的源代码的压缩文件。 3、 下载完成后运行文件进行解压。 4、 解压完成后即可在本地编辑运行源代码。 5、 其他运行环境配置和如何使用该代码的说明文件一般在项目根目录的README.md文件中，同时也会显示在项目的下方，可以跟着说明文档一步步的熟悉如何使用该项目的源代码。 以上就是我给大家分享的github下载的代码使用方法，希望能帮到大家。
深度学习发论文会提交代码。
往往出于某些原因，或是作者没有时间整理代码，或是代码涉及商业机密，或是代码可复现存在问题，或是作者忘记把代码贴到论文中，论文的官方代码不会被及时放出(implemented by author) ，这个时候我们可以通过以下方法尝试获取:
既然你已经领取了工资，说明代码的所有权属于该公司，尽管也是你个人劳动成果的一部分，但要分清谁是主体，你可以引用但必须征得该公司的统一并说明应用代码的出处，对于引用的代价可以与他们沟通，部分改动的代码若是在离开后的行为，这是你的权利，但其他部分仍然是他们的，他们不追究，你就暂时没有麻烦，他们要倒闭了，也许没有人追究你的麻烦了，但是他们有一天醒过来了，并查出你引用的代码属于他们，你的麻烦就来了。虽然你的论文发表在非营利性机构，但是著作权和版权是个很严重的问题，相信你有一天发现属于你的东西被别人使用后，只要你不是无所谓，你就能理解了。好好想想如何补救吧。劳动所创造的知识也是有价的，不管有没有人过问，价值是存在的，一旦他有了归属，又没有申明可以无偿使用，随便动用总是不好的。
算的。商家给的代码也就是别人已经写好的论文，你直接拿来使用时算做抄袭的，如果被发现论文会直接被作废，不建议使用。
大名鼎鼎的DenseNet，17年CVPR的best paper（当然有争议是后话），不得不读。黄高博士的扛鼎之作，之前在读他的Snapshot-Ensembles时感觉就很舒服，整个文章逻辑很清楚，实验对比做的也十分全面，相信这篇best paper更是没有问题，会给读者一种爽的感觉。
2019.2.20 2852次。绝对值很高，但相比其他经典网络，ResNet，GoogLeNet之类，有些差距。
本篇在16年8月挂到arXiv上，中了2017年CVPR，是继16年何大神的ResNet之后，第二个华人的best paper， 这里 有个作者本尊的talk，现场讲解。一作Gao Huang（黄高）05年北航的本科生（GPA第一），15年清华博士毕业（读了6年。。），后来在康奈尔待了3年做博后，此刻在清华作青椒，本篇是在康奈尔时的工作。二作刘壮（同等贡献）也是碉堡，现在在伯克利做博士生，之前是清华姚班的（13级），发这篇文章时还在清华，也就是说 本科生 。。。最近以一作的身份新发了一篇《Rethinking the Value of Network Pruning》，中了19年的ICLR，同时也是18年NIPS的best paper award。。这个世界太疯狂了，这都不是潜力股了，而是才华横溢溢的不行了。
官方实现在这里：
黄高个人主页在这里：
刘壮个人主页在这里：
先前的研究中说明只要网络包含短路连接，基本上就能更深，更准确，更有效的训练。本文基于这个观察，引入了密集卷积网络（DenseNet），它以前馈方式将每个层连接到所有层。传统的卷积网络L层有L个连接，而DenseNet有 个直接连接。对于每一层，它前面所有层的特征图都当作输入，而其本身的特征图作为所有后面层的输入（短路连接被发挥到极致，网络中每两层都相连）。DenseNet具有几个引入注目的优点： 可以缓解梯度消失问题，加强特征传播，鼓励特征重用，并大幅减少参数数量。
随着CNN变得越来越深，一个新的研究问题出现了：随着输入信息或梯度通过多层，它在到达网络结尾（或开始）处就消失了。ResNets和Highway Networks通过恒等连接将信号从一层传输到下一层。Stochastic depth通过在训练期间随机丢弃层来缩短ResNets，以得到更好的信息和梯度流。FractalNets重复组合几个并行层序列和不同数量的卷积块，以获得较深的标准深度，同时在网络中保持许多短路径。尽管上述方法的网络结构都有所不同，但它们有一个共同特征：创建从早期层到后期层的短路径。
本文提出一个简单的连接模式：为了确保网络中各层之间的最大信息流， 将所有层（匹配特征图大小）直接相互连接 。为了保持前向传播性质，每个层从所有前面的层获得附加输入，并将其自身特征图传递给所有后续层。
至关重要的是，与ResNets相比，在传递给下一层之前， 不是通过求和来合并特征，而是通过concat来合并特征 。因此， 层有 个输入，包括所有先前卷积块的特征图。其特征图被传递到后续所有 层。这在L层网络中引入了 个连接，而不是传统架构的L个连接。正是因为这种密集连接模式，所以称本文方法为密集连接网络（ Dense Convolutional Network DenseNet）。
相比传统卷积网络，这种密集连接模式有有一点可能违反直觉的是，它需要更少的参数，因为无需重新学习冗余的特征图。本文提出的DenseNet架构显式区分了添加到网络的信息和保留的信息。DenseNet的层非常窄（如每层只有12个滤波器），只给网络的"集体知识"增加一小组特征图，并保持其余的特征图不变。
除了更好的参数利用率之外，DenseNet的一大优势是它改善了整个网络中的信息流和梯度，使得网络更易于训练。每层都可以直接访问损失函数和原始输入信号的梯度（ 我屮，这不就是GoogLeNet当时为解决梯度消失而在中间层引入分类器那种ugly办法的替代吗 ），从而导致隐式的深度监督。这有助于训练更深的网络。
与DenseNet相似的级联结构早在1989年就提出来了。。Adanet的提出差不多是与DenseNet并行的，跨层连接也相似（话说竞争真激烈。。）
本文作者提出的另一个网络Stochastic depth说明并非所有层都需要，在深度残差网络中存在大量冗余的层。本文的部分灵感也来源于此。
相比从极深或极宽的架构中提取表示能力，DenseNet是通过 特征重用 来利用网络的潜力，得到易于训练和高参数效率的压缩模型。相比从不同层拼接特征的Inception网络，DenseNet更简单有效（看来Inception因其结构复杂性没少被批判）。
定义 为单张输入图像，网络由 层组成，每一层实现非线性变换 ，其中 为层的索引号。 可以是BN，ReLU，Pooling，Conv等操作的复合函数，定义 层的输出为 。
传统的层连接： 。ResNets增加了跳跃连接： 。ResNets的一个优势是梯度可以通过恒等函数直接从后面的层流向前面的层。然而，恒等函数和 的输出通过加法合并，有可能会阻碍网络的信息流。
本文引入与ResNets不同的连接模式：从任意层到所有后续层的直接连接（图1）。结果就是，第 层接收所有之前层的特征图作为输入： 。为了便于实现，concat 的多个输入为单一张量。
受ResNet v2启发，定义 为三个连续运算的复合函数：BN，ReLU，3 x 3 Conv
当特征图的大小改变时，concat运算是不可能的，然鹅，卷积网络的一个关键组成部分就是下采样层，通过它可以改变特征图大小。为了便于在架构中进行下采样，将网络划分为多个密集连接的密集块（dense blocks），如图2所示。
将密集块之间的层称为过渡层（transition layers），它们进行卷积和池化。本文实验中的过渡层由BN，1 x 1卷积和 2 x 2平均池化组成。
如果每个函数 生成 个特征图，它后面跟着的 层有 个输入特征图，其中 是输入层的通道数。DenseNet和现有网络架构的一个重要区别是DenseNet可以有非常窄的层，如 。本文将超参数 定义为网络的成长率（growth rate）。对此的一种解释是，每一层都可以访问其块中所有前面的特征图，即，网络的『集体知识』。可以将特征图视为网络的全局状态。每一层增加自己的 个特征图到这个状态。成长率反映了每层由多少新信息对全局状态有贡献。全局状态一旦写入，就可以被网络中的任何地方访问，而不像传统网络那样，无需从一层复制到另一层。（全文精华应该就是这一段了）
1x1 conv非常有用（提升计算效率），本文也大用特用。本文定义DenseNet-B的 为 BN-ReLU-Conv(1x1)-BN-ReLU-Conv(3x3)
为了使模型更紧凑，可以减少过渡层的特征图数量。如果密集块包含 个特征图，定义接下来的过渡层生成 个特征图，其中 表示压缩率。定义 的DenseNet为DenseNet-C，本位实验中设置为 。当同时使用瓶颈层和压缩过渡层时，定义模型为DenseNet-BC。
非ImageNet数据集采用同一个架构，由3个密集块构成。ImageNet的架构如表1所示
CIFAR SVHN ImageNet
所有网络都用SGD。
CIFAR和SVHN的batch size为64，epoch分别为300和40，初始学习率为0.1，在50%和75%的epoch时分别除10。
ImageNet的batch size为256，90个epoch，初始学习率为0.1，在30和60epoch时分别除10。
weight decay为 ，动量为0.9。用He初始化。
对于CIFAR和SVHN，还在每个卷积层后接了dropout层（除第一个卷积层外），丢失率为0.2。
看表2的最后一行
DenseNet可以利用更大更深模型表示能力的增长。
如图4所示
主要用DenseNet-BC和ResNet作比较。
表面上看，DenseNets和ResNets没什么不同，两个式子的差别仅仅是输入从加法变为concat，然而，这种看似很小的修改导致两种网络架构的行为明显不同。
因为鼓励特征重用，所以得到更紧凑的模型。
如图4所示。
对DenseNets准确率提升的一种解释是各个层通过短路连接从损失函数接收额外的监督（某种深度监督）。DenseNets用隐式的方式执行相似的深度监督：网络顶部的单个分类器通过最多两到三个过渡层为所有层提供直接监督。 然而，由于在所有层之间共享相同的损失函数，因此DenseNets的损失函数和梯度基本上不那么复杂。
和随机深度的对比，随机深度有点类似DenseNet：如果所有中间层都随机丢弃，那么在相同的池化层之间的任意两层都有可能直接连接。
DenseNet就是好，就是好啊就是好。在遵循简单的连接规则的同时，DenseNets自然地整合了恒等映射，深度监督和多样化深度的属性。
又是一篇没有什么数学公式的paper，越来越感觉深度学习像物理，很多结果都是基于做实验得到的。通过对实验的观察对比分析，找出实验中的缺陷不足，从而去改进，然后发paper。黄高博士的写作套路还是非常讨喜的，特别是开头的地方，娓娓道来，一步一步告诉你为什么要这么做，为什么要引入这一步。此外，DenseNets和作者本人的工作『随机深度』也有千丝万缕的关系，看来功夫做扎实了，沿着一条道路是可以出一系列成果的。
这是个好问题。。是要进一步衍生ResNet吗？
提出密集连接结构，将ResNet的跳跃连接发扬光大为两两连接
效果比ResNet还好，通过减少滤波器个数（文中称作成长率），参数量也下来了
感觉效果提升并没有那么明显，被后续出来的ResNeXt超过了
各种网络结构的实现：
黄高本人视频讲解：
作者本人的解答： CVPR 2017最佳论文作者解读：DenseNet 的“what”、“why”和“how”
DenseNet的3个优势：
论文查重是否可以查到github，这个需要提前知道查重系统比对数据库中是否存在Github相关的论文资料。如果是存在的，只要你借鉴或者抄袭了，肯定会被查查出来的。。。
开放源代码（Open source code）也称为源代码公开，指的是一种软件发布模式。
一般的软件仅可取得已经过编译的二进制可执行档，通常只有软件的作者或著作权所有者等拥有程序的原始码。
有些软件的作者会将原始码公开，此称之为“源代码公开”，但这并不一定符合“开放源代码”的定义及条件，因为作者可能会设定公开原始码的条件限制，例如限制可阅读原始码的对象、限制衍生品等。
扩展资料：
开放源代码软件放弃了以下著作权人所享有的权利：
1、作品复制权：
接受某种开放源代码软件公共许可协议的用户，对于初始软件作品可以自由复制，也放弃了自己对初始软件作品修改完善以后衍生版本软件的复制限制权利。
2、作品修改权：
接受某种开放源代码软件公共许可协议的用户，在依照协议复制了原软件作品的目标代码和源代码以后，可以对原软件作品在源代码上进行修改，并且对修改后的衍生软件作品，又要遵循先前已有的公共许可协议向后续的用户明确放弃修改权，赋予后续用户继续修改的权利。
3、作品传播权：
接受某种开放源代码软件公共许可协议的用户，在自由地获取了依照该协议发布的软件作品，并进行了相关的修改完善之后，有依照该协议继续无条件向后续用户发布初始软件作品以及修改后软件作品的义务。
参考资料来源：百度百科-开源代码
这种情况是受益是一定会被被收回的，而且他们的这种行为是非常不合理的，特别的占便宜，也让人感觉到非常的气愤，其实是应该把收益自动去上交的。
如果钟南山院士决定追究的话，知网不但得把收益收回给钟南山院士而且还会被罚款。
你儿子开的代码做论文，你怎么可以嘛？当然是可以的，利用自己的开房代码做论文就可以，当然是可以，正常值可以的
论文杂志期刊代码如下：C是论文集，J是期刊文章，N是报纸文章，R是研究报告，S是标准，P是专利，M是专著，D是学位论文，A是专著、论文集中的析出文献，Z是其他未说明的文献类型。 扩展资料 论文杂志期刊代码如下：C是论文集，J是期刊文章，N是报纸文章，R是研究报告，S是标准，P是专利，M是专著，D是学位论文，A是专著、论文集中的析出文献，Z是其他未说明的文献类型。
论文的代码是J，从已经组织好的大量有关文献集合中，查找并获取特定的相关文献的过程。这里的文献集合，不是通常所指的文献本身，而是关于文献的信息或文献的线索。
检索包括信息的存储和检索两个过程，信息存储是将大量无序的信息集中起来，根据信息源的外表特征和内容特征；
经过整理、分类、浓缩、标引等处理，使其系统化、有序化，并按一定的技术要求建成一个具有检索功能的数据库或检索系统，供人们检索和利用，而检索是指运用编制好的检索工具或检索系统，查找出满足用户要求的特定信息。
计算机检索
以计算机技术为手段，通过光盘和联机等现代检索方式进行文献检索的方法。与手工检索一样，计算机信息检索应作为未来科技人员的一项基本功，这一能力的训练和培养对科技人员适应未来社会和跨世纪科研都极其重要；
一个善于从电子信息系统中获取文献的科研人员，必定比不具备这一能力的人有更多的成功机会，美国报道生活新方式的期刊POV也将交互网络检索专家作为未来十大热门职业之一；
这些情况都说明了计算机文献检索越来越重要，故值得对这一技术予以重视。
代码Z意思是其他未说明的文献类型。
参考文献的类型：
根据GB3469-83《文献类型与文献载体代码》规定，以单字母标识：
M——专著(含古籍中的史、志论著)
C——论文集
N——报纸文章
J——期刊文章
D——学位论文
R——研究报告
S——标准
P——专利
A——专著、论文集中的析出文献
Z——其他未说明的文献类型
扩展资料：
参考文献著录格式
1 、期刊作者.题名〔J〕.刊名，出版年，卷(期)∶起止页码
2、专著作者.书名〔M〕.版本(第一版不著录).出版地∶出版者，出版年∶起止页码
3、论文集作者.题名〔C〕.编者.论文集名，出版地∶出版者，出版年∶起止页码
4 、学位论文作者.题名〔D〕.保存地点.保存单位.年份
5 、专利文献题名〔P〕.国别.专利文献种类.专利号.出版日期