Language Localizator 6 程序 自动 汉化 工具
2022-03-13 09:11:47 2.25MB Language Localizator 6 程序
1
Tensorflow QRNN TensorFlow的QRNN实现。 实现参考下面的博客。 依存关系 TensorFlow:0.12.0 scikit-learn:0.18.1(用于工作检查) 怎么跑 向前测试 要确认正向传播,请运行以下脚本。 python test_tf_qrnn_forward.py 工作检查 要确认QRNN与基准(LSTM)的性能比较,请运行以下脚本。 数据集是。 python test_tf_qrnn_work.py 您可以通过查看计算结果。 例如。 tensorboard --logdir=./summary/qrnn 实验 Baseline(LSTM)
1
方案:Scheme语言解释器的C语言实现
2022-03-06 16:09:57 530KB c language scheme functional
1
非常清晰的c++ 书籍,The C++ programming language 第四版,由c++ 之父编写。
2022-03-06 08:19:01 5.41MB c++
1
MCMCDiagnostics.jl:Julia的马尔可夫链蒙特卡罗收敛诊断
2022-03-03 14:43:09 9KB julia julia-language bayesian-methods bayesian
1
不错的关于Java的英文书。实用,深入浅出。 为了换积分贡献出来啦!
2022-03-02 14:52:55 2.13MB Java essential language programming
1
草图平移 将您的画板翻译成不同的语言。 直接从您的Sketch文件中。 该插件使用免费的Yandex Translate Api。 从创建,在不到2分钟,自己的密钥 您可以根据需要翻译画板,组或什至文本层。 安装 此插件 双击插件文件自动安装 现在,该快捷方式应该在Sketch中的“插件”菜单下可用 用法 获取您的Yandex Api 您可以从获得自己的免费Yandex Api密钥 支持的语言列表。 在插件中输入语言代码。 捷径 阿拉伯语:Ctrl + Shift + A(从英语翻译为阿拉伯语) 中文:ctrl + shift + c(从英语翻译成中文) 德语:ctrl + shif
2022-03-02 11:33:13 3.44MB language design sketch sketch-plugin
1
GPU Programming And Cg Language Primer 1rd Edition(中文版)又名“GPU 编程与CG 语言之阳春白雪下里巴人” 带书签方便阅读
2022-02-28 16:34:38 2.93MB GPU编程 Cg语言
1
顺序表、链表、栈、队列、树、图的C实现。 (线性表顺序存储) #include "string.h" #include "ctype.h" #include "stdio.h" #include "stdlib.h" #include "io.h" #include "math.h" #include "time.h" #define OK 1 #define ERROR 0 #define TRUE 1 #define FALSE 0 #define MAXSIZE 20 /* 存储空间初始分配量*/ typedef int Status; /* Status 是函数的类型,其值 是函数结果状态代码,如OK 等*/ typedef int ElemType; /* ElemType 类型根据实际 情况而定,这里假设为int */ Status visit(ElemType c) { printf("%d ",c); return OK; } typedef struct { ElemType data[MAXSIZE]; /* 数组,存储数 据元素*/ int length; /* 线性表当前长度*/ }SqList;
2022-02-28 14:49:31 324KB data structu C-language
1
无监督数据增强 总览 无监督数据增强或UDA是一种半监督学习方法,可在各种语言和视觉任务上实现最新的结果。 仅用20个标记的示例,UDA优于以前在25,000个标记的示例上训练的IMDb的最新技术。 模型 带标签的示例数 错误率 混合增值税(以前的SOTA) 25,000 4.32 伯特 25,000 4.51 UDA 20 4.20 使用CIFAR-10(带有4,000个标记的示例)和SVHN(带有1,000个带标记的示例),可将最新方法的错误率降低30%以上: 模型 CIFAR-10 SVHN ICT(以前的SOTA) 7.66±.17 3.53±.07 UDA 4.31±.08 2.28±.10 有了10%的标签数据,它就对ImageNet进行了重大改进。 模型 top-1精度 前5位准确性 ResNet-50 55.09 77.26 UDA 68.78 88.80 这个怎么运作 UDA是一种半监督学习的方法,它减少了对带有标记的示例的需求,并更好地利用了没有标记的示例。 我们发布的内容 我们发布以下内容: 基于BERT的文本分
1