pvt Qualtrics测试的心理运动警惕性测试。
2021-11-19 15:38:08 1.41MB
1
订单簿-TWAP 编程测试
2021-11-18 09:50:36 92KB C++
1
Panopto下载器 关于 Panopto Downloader是Google Chrome浏览器的扩展,可以从演讲流媒体服务Panopto下载视频。 单个视频和视频文件夹都可以下载。 使用Panopto的播客模式只能以画中画的方式下载多屏视频。 免责声明 Panpto Downloader与Panopto无关。 在使用此工具之前,应咨询您的机构以确定是否允许存储录音下载。 得到 Panopto Downloader 。
1
快速条件独立测试(FCIT)。 介绍 令x,y,z为随机变量。 然后确定P(y | x,z)= P(y | z)是否很困难,尤其是在变量是连续的情况下。 该程序包实现了一个简单而有效的条件独立性测试,在[我们编写时会链接到arXiv!]中进行了介绍。 区分此测试与竞争的重要功能: 很快最坏情况下的速度缩放为O(n_data * log(n_data)* dim),其中dim是max(x_dim + z_dim,y_dim)。 但是,摊销速度为O(n_data * log(n_data)* log(dim))。 它适用于x,y,z中的一些是连续的,而某些是离散的或分类的(一次热编码)的情况。 理解和修改非常简单。 它可以用于无条件独立性测试,而无需更改程序。 我们已经在几秒钟内将此测试应用于了成千上万个千维数据点的样本。 对于较小的尺寸和较小的样本,只需几分之一秒。 该算法在[ar
2021-11-04 11:36:11 7KB Python
1
包含UR机器人的C#开发库文件,以及winform测试源码,在Vs2015上开发编译通过
2021-11-01 20:33:12 2.71MB UR机器人 C#库
1
使用Pytorch实现NIN 本文在网络中非官方实施 0.开发环境 Docker Image - tensorflow/tensorflow:tensorflow:2.4.0-gpu-jupyter Library - Pytorch : Stable (1.7.1) - Linux - Python - CUDA (11.0) 使用单GPU 1.实施细节 model.py:NIN模型 train.py:火车NIN utils.py:计算正确的预测 best.pt:最好的NIN权重文件而不会丢失 NIN-Cifar 10.ipynb:安装库,下载数据集,预处理,训练和结果 可视化-Feature Map.ipynb:可视化完整激活的特征图,前10%的激活 细节 辍学的NIN很难训练并且获得与论文相同的分数 遵循官方法规的详细信息:批次大小128,动量0.9,重量衰减0.00001 没
2021-11-01 10:38:49 4.1MB nin pytorch classification cifar10
1
android 重力感应测试项目源代码,作者:雨松MOMO。利用一个小球下落来模拟重力感应,进入游戏世界 - 强制横屏 -小球移动,显示自定义的游戏View,每50帧刷新一次屏幕,重力感应X轴 Y轴 Z轴的重力值,设置当前View拥有触摸事件,将mSurfaceHolder添加到Callback回调函数中。
2021-10-30 16:25:22 1.66MB Android源码-系统相关
1
leveldb 基准测试 一堆使用 node.js 使用 leveldb 测试各种事物的基准测试 批量插入 leveldb 有一个batch API,如果使用得当,可以提高批量插入的性能。 对此的基准位于以下存储库中: 这个基准的要点: 等待批量写入完成,然后再写入另一个 设置writeBufferSize选项以匹配批处理中数据的字节大小。 通常大于 16MB 的值没有区别 最好提前写入小批量,而不是等待批处理缓冲区填满然后再写入批处理 索引查询速度 leveldb 中的键按字典顺序排序,您可以直接获取键(如果您提前知道键),也可以在任何起始键位置创建迭代器并向前或向后迭代,直到找到第一个匹配的键。 以下存储库具有探索在 leveldb 中建立索引的不同方法的基准: 事实证明,保留二级索引的速度大约是其两倍,但这显然会占用更多的磁盘空间。 索引大小 leveldb 使用 snapp
2021-10-29 10:05:36 2KB
1
用于QUIC基准测试的网络模拟器 该项目构建了一个测试框架,该框架可用于在各种网络条件下对QUIC实现的性能进行基准测试和测量。 它使用网络模拟器来模拟网络条件和交叉流量,以及将真实世界与模拟世界联系起来。 它使用docker隔离和强制客户端和服务器之间的流量流经模拟网络。 框架 该框架使用docker-compose组成三个docker映像:网络模拟器(在目录中找到)以及客户端和服务器(在各个QUIC实现目录中找到,对于简单的shell,在目录中找到) 。 该框架在主机上使用两个网络: leftnet (IPv4 193.167.0.0/24,IPv6 fd00:cafe:cafe:0 :: / 64)和rightnet (IPv4 193.167.100.0/24,IPv6 fd00:cafe:cafe :hundred_points: :/ 64)。 leftnet连接到客户端rightnet映像, righ
2021-10-25 19:50:07 40KB quic network-simulator quic-benchmarking C++
1