three.proton three.proton是使用Three.js的神奇3D粒子引擎。 它基于Proton Engine库。 它继承了质子的最api。 我认为这是最简单的Three.js粒子引擎，请查看https：/ three.proton three.proton的示例.proton是使用Three.js的神奇3D粒子引擎。 它基于Proton Engine库。 它继承了质子的最api。 我认为这是最简单的Three.js粒子引擎。在https://drawcall.github.io/three.proton/上查看示例。功能四种渲染器MeshRender SpriteRender PointsRender CustomRender三种可以模拟许多不同物理效果的发射器发射器行为发射器FollowEmitter与t完全兼容

:laptop: OSAVA-操作系统算法可视化应用 目录 关于 OSAVA是允许用户可视化各种操作系统算法的应用程序。 下载 OSAVA Android： ： id org.nsit.osava OSAVA Windows： ： 描述 操作系统算法可视化应用程序的开发旨在帮助学生学习操作系统中使用的不同类型的算法。 Silberschatz等人给出的算法的标准版本。 （2012），已被遵循。 已经考虑了算法的不同变体和所有参数。 可视化遵循Silberschatz等人中使用的概念和符号。 （2012）。 该应用程序的用户界面一直保持简单且互动。 该应用程序可用于台式机和Android。 快

QuickVtk 具有嵌入式支持的实时解释器 1.概述 QuickVtk是一个实时交互程序，具有对 -Framework的内置支持。 您可以通过声明性的方式访问来简单地学习或测试代码，并在2D / 3D可视化领域中开发原型。 一句话：QuickVtk的主要目的是通过使用引擎启用的React式编程。 嵌入式编辑器允许您加载，编辑和编译代码。 错误将直接显示在UI中，而嵌入式类型浏览器可快速概述QuickVtk中给定类型的所有不同属性，方法和其他信息。 2.屏幕截图 不同的屏幕截图展示了QuickVtk的一些主要功能，例如3D体积渲染，2D图像处理操作以及网格滤镜 3.建造说明 有关如何在支持

足球数据：足球（足球）数据集

WebPlotDigitizer 一个基于Web的工具，可从绘图图像中提取数值数据。 支持XY，极坐标，三元图和地图。 这是一个开放源代码工具，成千上万的人使用它，并。 检出以获得更多详细信息。 联系 要报告问题，请使用GitHub Issues。 如有其他查询，请联系Ankit Rohatgi 执照 WebPlotDigitizer在下分发。 稳定版本 此存储库中的master分支是不稳定的，不建议在生产中使用。 要访问稳定版本，请签出： : 贡献 要贡献给WebPlotDigitizer，请参考。

TSNE-UMAP-嵌入可视化 一种简单易用的可视化嵌入方式！ 这个项目的博客文章在。 这个项目是什么？ 该项目是从派生。 它显示了如何在图像上使用预训练的InceptionV3模型并将其绘制在交互式3d地图中。 更新2020 Google已更新了嵌入项目，以支持新功能，其中包括对UMAP的支持。 为什么在独立投影仪上使用此功能？ 该项目使您可以可视化带有轻视堆栈的向量的任何阵列。 它旨在与任何库分离。 而且，它使用静态文件系统，因此您可以在不需要服务器的情况下发布结果。 例如 。 项目结构 |-- data <-- where to put raw data |-- Feature-extractor.ipynb <-- Demo of Embedding generation in a step by step fashion |-- index.html <-- The GU

keplergl_cli 一个CLI和Python API，用于快速查看Kepler.gl中的地理空间数据。 总览 Uber的开源是一个很棒的基于浏览器的平台，用于交互式地可视化地理空间数据。 keplergl Python软件包几乎完全针对Jupyter中的使用，并且花了一些工作来弄清楚如何在非Jupyter Python环境中使用它。 该软件包是一个简单的包装程序，可将您的数据快速放入kepler.gl。 在命令行中，它很简单： export MAPBOX_API_KEY=... keplergl data1.geojson data2.shp data3.gdb cat data.

UGS Teamcenter Visualization V8.0的破解文件，

黄砖 可视化分析和诊断工具，有助于机器学习模型的选择。 什么是黄砖？ Yellowbrick是一套称为“ Visualizers”的视觉诊断工具，可扩展scikit-learn API以允许人工操纵模型选择过程。 简而言之，Yellowbrick按照scikit-learn文档的最佳传统将scikit-learn与matplotlib结合在一起，但可以为您的机器学习工作流程提供可视化效果！ 有关Yellowbrick API的完整文档，可用可视化工具的库，提供者的指南，教程和教学资源，常见问题等等，请访问我们的文档，为 。 安装Yellowbrick Yellowbrick与Python 3.4或更高版本兼容，还取决于scikit-learn和matplotlib。 安装Yellowbrick及其依赖项的最简单方法是使用PyPI和Python首选的软件包安装程序pip。 $ pip install yellowbrick 请注意，Yellowbrick是一个活跃的项目，并且定期发布带有更多可视化工具和更新的新版本。 为了将Yellowbrick升级到最新版本，请按以下步骤使用

物体检测 使用带有Tensorflow和Python的深度学习进行车辆检测 该程序说明了如何从头开始在多个对象的对象检测中训练自己的卷积神经网络（CNN）。 使用本教程，可以识别和检测图片，视频或网络摄像头中的特定对象。 下面描述了在Tensorflow环境中在窗口（10、7、8）上训练模型的步骤。 我使用了TensorFlow-v1.5，但该程序可在将来的版本中使用。 脚步 1.安装Anaconda 访问下载并安装Anaconda 访问 TensorFlow的网站描述了安装细节。 2.设置TensorFlow目录和Anaconda虚拟环境 TensorFlow对象检测API和Anac