radon：Python代码的各种代码指标

密度聚类dbscan算法—python代码实现（含二维三维案例、截图、说明手册等） DBSCAN算法的python实现 它需要两个输入。第一个是。包含数据的csv文件（无标题）。主要是。py’将第12行更改为。 第二个是配置文件，其中包含算法所需的少量参数。“config”文件中的更多详细信息。您可以根据需要更改“config”文件。 代码支持3D点，它可以用于执行多维聚类。

2048的游戏规则很简单，每次可以选择上下左右其中一个方向去滑动，每滑动一次，所有的数字方块都会往滑动的方向靠拢外，系统也会在空白的地方乱数出现一个数字方块，相同数字的方块在靠拢、相撞时会相加。系统给予的数字方块不是2就是4，玩家要想办法在这小小的16格范围中凑出“2048”这个数字方块。游戏的画面很简单，一开始整体16个方格大部分都是灰色的，当玩家拼图出现数字之后就会改变颜色，整体格调很是简单。在玩法规则也非常的简单，一开始方格内会出现2或者4等这两个小数字，玩家只需要上下左右其中一个方向来移动出现的数字，所有的数字就会向滑动的方向靠拢，而滑出的空白方块就会随机出现一个数字，相同的数字相撞时会叠加靠拢，然后一直这样，不断的叠加最终拼凑出2048这个数字就算成功。

离散控制Matlab代码

本猫狗分类代码解决的问题是获取了大量猫狗图像，并且已知这些图像表示的是猫还是狗，以此作为训练样本集合，构建一个图像分类网络，使用该模型让计算机识别出测试样本集合中的动物，并将它分为猫类或者狗类，尽可能提高测试样本集合的准确率。

python翻译java写的代码，有可执行文件和源码文件。 （苏州大学编译原理课程实验）去空产生式和去单产生式和无用产生式

使用深度学习框架的红外和可见光图像融合 - Pytorch 实现

这是我的毕业项目，如果你想重用它，只使用训练 py 文件来训练模型整个应用程序将无法工作，而且我没有上传经过训练的模型的 h5 文件，因为它的大小约为 3GB，即太多了，您可以将 kaggle API 与 colab 一起使用来轻松训练模型，谢谢 :) 图像伪造检测使用深度学习 使用卷积神经网络进行图像处理以检测图像中的篡改 项目描述 该项目结合了不同的深度学习技术和图像处理技术，以检测不同图像格式（有损或无损格式）的图像篡改“复制移动和拼接”伪造。我们实施了两种不同的技术来检测篡改。我使用 ELA 预处理构建了自己的模型，并使用了两个不同的预训练模型（VGG19、VGG15）进行微调，这些模型使用Google Colab进行训练，图像伪造检测应用程序使用户能够使用应用程序训练的模型测试图像或训练具有新数据集的应用程序模型和具有此新训练模型的测试图像。 楷模 错误级别分析“ELA” [1][2]最高准确率 (94.54% , epoc12)您可以从这里阅读更多关于 ELA 的信息！. VGG16 预训练模型。 VGG19 预训练模型。

Mosaic：用于色情检测的深度学习模型 您刚刚找到了马赛克模型。 Mosaic 是一个高级神经网络模型，用 Python 编写，能够在带有Tensorflow后端的keras上运行。 现在，它的开发重点是色情检测。 如果您需要一个深度学习模型，请使用马赛克模型： 允许轻松快速地检测色情内容。 设计和微调自己的网络（基于马赛克）。 在 CPU 和 GPU 上无缝运行。 Mosaic 兼容： Keras 2.0.3 Tensorflow 1.1.0和Python 2.7。

检索图像问题的一般解法 DeepEmbedding空间使用第一个搜索空间研究（DeepMetric）深度哈希（DeepHash）的空间映射函数，将空间空间的学习映射到低维嵌入引擎的空间映射函数。抽取特征，即本次实验研究的第二个问题，第二个问题为特征搜索问题 关于本项目的使用 1.下载相应训练的数据集 2.采用不同的损失类型对模型进行运行train cub200模型 nohup python train_mx_ebay_margin.py --gpus=1 --batch-k=5 --use_viz --epochs=30 --use_pretrained --steps=12,16,20,24 --name=CUB_200_2011 --save-model-prefix=cub200 > mycub200.out 2>&1 & 运行火车 stanford_online_product nohup python train_mx_ebay_margin.py --batch-k=2 --batch-size=80 --use_pretrained --use_viz --gpus