十字绣网络的多任务学习 该项目是TensorFlow实现的一种多任务学习方法，该方法在论文《。 争论 --lr，学习率 --n_epoch，纪元数 --n_batch_size，最小批处理大小 --reg_lambda，L2正则化lambda --keep_prob，退出保持概率 --cross_stitch_enabled，是否使用十字绣 数据集 时尚MNIST 是Zalando文章图片的数据集，由6万个示例的训练集和10,000个示例的测试集组成。 每个示例都是一个28x28灰度图像，与来自10个类别的标签相关联： 标签 描述 标签 描述 0 T恤/上衣 5 凉鞋 1个 裤子 6 衬衫 2个 套衫 7 运动鞋 3 裙子 8 包 4 外套 9 脚踝靴 为了进行多任务学习，我为每个图像创建了另一个标签，该标签基于原始标签： 标签 原始标签 描述 0 5、7、9

本文将对以下几种tensorflow中常用的交叉熵损失函数进行比较： tf.losses.sigmoid_cross_entropy tf.nn.sigmoid_cross_entropy_with_logits tf.losses.softmax_cross_entropy tf.nn.softmax_cross_entropy_with_logits_v2 tf.losses.sparse_softmax_cross_entropy 1. tf.losses.sigmoid_cross_entropy import tensorflow as tf batch_size = 4

fft的源碼 也用fft實現cross-correlation計算

TJU-DHD数据集（物体检测和行人检测） 这是“ ”的官方网站，这是一个新建的用于目标检测和行人检测的高分辨率数据集。 115k +图像和700k +实例 场景：交通和校园，任务：物体检测和行人检测 高分辨率：图像分辨率至少为1624x1200像素，物体高度从11像素到4152像素。 多样性：外观，比例，照度，季节和天气差异很大 行人检测的跨场景评估和同场景评估 如果您对行人检测感兴趣，请参阅或。 目录 2.1 2.2 3.1 3.2 4.1 4.2 4.3 TJU-DHD行人 引文 测试集评估 接触 1.简介 在自动驾驶汽车和视频监控的感知模块中，车辆，行人和骑行者是最重要和最有趣的对象。 但是，检测这种重要物体（尤其是小物体）的最新性能远远不能满足实际系统的需求。 大规模，丰富多样的高分辨率车辆和行人数据集在开发更好的目标检测方法以满足需求方面起着重要作用。 从网站收集的

资源含有demo，doc，lib，samples以及最重要的license.jar，完全可用，我们项目就在使用。

PIVlab：用于Matlab的粒子图像测速技术，官方资料库

Econometric Analysis of Cross Section and Panel Data 第二版 高清英文 Jeffrey M. Wooldridge The MIT Press

适用于C ++的AWS开发工具包 适用于C ++的AWS开发工具包为Amazon Web Services（AWS）提供了现代C ++（C ++ 11或更高版本）接口。 它旨在在低级和高级SDK上实现高性能并完全起作用，同时最大限度地减少依赖性并提供平台可移植性（Windows，OSX，Linux和移动设备）。 适用于C ++的AWS开发工具包现已提供一般可用性，建议用于生产环境。 我们邀请客户通过提交请求并通过GitHub Issues向我们发送反馈和想法来参与开发工作。 版本1.8现在可用！ 1.8版引入了对新功能和SDK进行更改的要求很高的功能，但是由于这也可能导致与以前版本的兼容性问题，我们决定将其保留为单独的分支，以减少过渡的麻烦。 有关更多信息，请参阅Wiki的条目，还请提供您对固定的这些更改的任何反馈。 跳到： 入门 构建SDK： 最低要求： Visual Studio 2015或更高版本 或GNU编译器集合（GCC）4.9或更高版本 或Clang 3.3或更高版本 4GB RAM 建立一些较大的客户端需要4GB的RAM。 由于内存不足，在EC2实例类型t2.m

Codeforces工具 Codeforces工具是一个命令行界面工具 。 它快速，小巧，跨平台且功能强大。 | | 产品特点 支持比赛，体育馆，团体和acmsguru。 支持Codeforce中的所有编程语言。 提交验证码。 动态观察提交状态。 提取问题的样本。 本地编译和测试。 克隆某人的所有代码。 从指定的模板生成代码（包括时间戳，作者等） 列出一场比赛的问题统计。 使用默认的网络浏览器打开问题页面，排名页面等。 设置网络代理。 设置镜像主机。 多彩的CLI。 始终欢迎请求请求。 安装 您可以在下载预编译的二进制文件。 然后享受cf-tool〜 或者，您可以从源代码进行编译（执行> = 1.12） ： $ go get github.com/xalanq/cf-tool $ cd $GOPATH/src/github.com/xalanq/cf-tool $ go build -ldflags "-s -w" cf.go 如果您不知道什么是$GOPATH ，请参见此处 。 用法 让我们模拟一场比赛。 cf race 1136或cf race

Cross-lingual-KG-Building-2017-张鹏.pdf