Quine-McCluskey算法 从计算机完全上传 Quine–McCluskey算法在C，C ++和C＃中的实现 用于最小化布尔函数的方法 功能与Karnaugh映射相同，但在计算机算法中使用时效率更高 还提供了确定性的方法来检查布尔函数的最小形式 待办事项-Python 这是另一个很好的实现，可以理解它

对抗性例子 PyTorch实施以下算法： 快速梯度符号法（FGSM）[1] 基本迭代方法（BIM）[2] 傻瓜[3] 先决条件 的Python 3.5.2 PyTorch 0.4.0 火炬视觉0.2.1 NumPy 1.14.3 用法 $ python main.py 数据集 结果 干净的 标签：0 标签：1 标签：2 标签：3 标签：4 标签：5 标签：6 标签：7 标签：8 标签：9 FGSM（eps = 0.15） 标签：2 标签：8 标签：1 标签：2 标签：9 标签：3 标签：5 标签：2 标签：1 标签：7 BIM（eps = 0.15，eps_iter = 0.01，n_iter = 50） 标签：7 标签：8 标签：3 标签：2 标签：9 标签：3 标签：5 标签：2 标签：1 标签：7

SAC 使用Tensorflow的Soft Actor-Critic实现。 要求 Python3 依存关系 张量流 健身房[atari] 的OpenCVPython的 git + 用法 训练 $ python train.py [--render] 玩 $ python train.py [--render] [--load {path of models}] --demo 执行 这受到以下项目的启发。

Cuda K-Means 图像聚类算法由 Andrea Toscano, Università degli Studi di Milano (Informatica) 在 NVidia Cuda 中实现。 这个小项目展示了如何实现应用于图像的 K-Means 聚类算法以减少其颜色。 一些预处理是使用 python 脚本计算的，以便以更好的方式表示图像并轻松找到适合算法的初始质心。 在 Cuda K-Means 例程中涉及全局内存和常量内存。 未来的工作还将包括包含整个图片的纹理内存，从而提高算法的性能。

这是yiqing对选择性搜索算法的实现 一种使用方法 是运行demo.m文件，它将对单个图像执行选择性搜索 另一种使用方式 是运行testAllPicturesInDirectory.m文件，它将对目录中的所有图像执行选择性搜索，结果也会写入同一目录 原纸 原始算法可在找到 但是matlab中的原始实现是部分加密的，所以我自己实现了

像素级对比学习 在Pytorch的论文提出了像素级对比学习的实现。 除了在像素级别进行对比学习之外，在线网络还将像素级别表示形式传递给像素传播模块，并向目标网络施加相似度损失。 他们在细分任务中击败了所有以前的非监督和监督方法。 安装 $ pip install pixel-level-contrastive-learning 用法 下面是一个示例，说明了如何使用该框架进行Resnet的自我监督训练，并获取第4层（8 x 8个“像素”）的输出。 import torch from pixel_level_contrastive_learning import PixelCL from torchvision import models from tqdm import tqdm resnet = models . resnet50 ( pretrained = True ) learn

沙米尔·JS 这是一种实现，该使用Javascript设计，可在NodeJS上运行。 用法 generateShares（秘密，totalShares，requiredShares，padLength） 将给定的十六进制secret拆分为给定的totalShares其中至少必须将requiredShares totalShares共享稍后再组合以恢复secret 。 例子： let secret = 'shamirSecretTest'; let hexSecret = Buffer.from(secret).toString('hex'); let shares = Shamir.generateShares(hexSecret, 5, 3); console.log(shares); // [ '01cce9a3904d0b9b334f75be3b4d9083b4a2feded

秘密共享 这个程序是一个实现。 一个秘密可以以某种方式拆分成 N 个份额，以便需要可选择数量的份额 K（其中 K ≤ N）来重新构建秘密。 警告：我还不建议认真使用这个工具。 共享的编码可能会在较新版本中更改，在这种情况下，您将无法解码使用旧版本程序共享的机密。 目前，这是实验性的。 例子 将秘密传递给 secretshare 进行编码： $ echo My secret | ./sss e 2 5 2-1-1YAYwmOHqZ69jA-v+mz 2-2-YJZQDGm22Y77Gw-IhSh 2-3-+G9ovW9SAnUynQ-Elwi 2-4-F7rAjX3UOa53KA-b2vm 2-5-j0P4PHsw4lW+rg-XyNl e命令后面的参数告诉secretshare创建 5 个共享，其中 2 个是解码所必需的。 可以像这样解码共享的子集： $ echo 2-2-YJ

简单和深图卷积网络 该存储库包含“简单和深度图卷积网络”的PyTorch实现。（ ） 依存关系 CUDA 10.1 python 3.6.9 pytorch 1.3.1 网络x 2.1 scikit学习 数据集 data文件夹包含来自三个基准数据集（Cora，Citeseer，Pubmed），而newdata文件夹包含四个数据集（Chameleon，Cornell，德克萨斯州，威斯康星州）。 我们使用与相同的半监督设置，并使用与Geom-GCN相同的全监督设置。 可以从下载PPI。 结果 测试精度总结如下。 数据集 深度 公制 数据集 深度 公制 科拉 64 85.5 湛 8 62.48 引用 32 73.4 玉米 16 76.49 客栈 16 80.3 德州 32 77.84 科拉（满） 64 88.49 威士 16 81.57 引用（完整

JSP学生成绩管理系统SSHMYSQL实现源码 源码描述： 一、源码介绍 JSP学生成绩管理系统SSHMYSQL实现源码使用ssh框架，mysql数据库。 二、主要功能 管理员登录后可以操作的功能：学生信息管理，课程信息管理，成绩信息管理，修改密码，退出系统。 三、注意事项 开发环境为eclipse，jdk1.8,数据库为mysql