EasySocket
README内容将不再更新，请到博客阅读最新的框架说明！
博客地址：
EasySocket的初衷是希望使Socket编程变得更加简单、快捷，因此项目在实现了Socket基本功能的基础上，还实现了TCP层面的请求回调功能。传统的Socket框架客户端发出一个请求信息，然后服务器返回一个应答信息，但是我们无法识别这个应答信息是对应哪个请求的，而EasySocket实现了将每个请求跟应答的一一对接，从而在Socket层面实现了请求回调功能
EasySocket特点：
1、采用链式调用一键发送数据，根据自己的需求配置参数，简单易用，灵活性高
2、EasySocket不但实现了包括TCP的连接和断开、数据的发送和接收、心跳保活、重连机制等功能，还实现了Socket层面的请求回调功能
3、消息结构使用的协议为：包头+包体，其中包体存储要发送的消息实体，而包头则存储消息的长度、类型
2021-08-12 10:13:53
228KB
1
SFND 3D对象跟踪
欢迎来到相机课程的最后一个项目。 通过完成所有课程，您现在对关键点检测器，描述符和在连续图像之间进行匹配的方法有了扎实的了解。 另外，您知道如何使用YOLO深度学习框架检测图像中的对象。 最后，您知道如何将摄像机图像中的区域与3D空间中的激光雷达点相关联。 让我们看一下程序原理图，看看我们已经完成了什么，还缺少什么。
在这个最终项目中，您将实现原理图中缺少的部分。 为此，您将完成四个主要任务：
首先，您将开发一种使用关键点对应关系随时间匹配3D对象的方法。
其次，您将基于激光雷达测量来计算TTC。
然后，您将继续使用相机进行相同的操作，这需要首先将关键点匹配与感兴趣的区域相关联，然后根据这些匹配来计算TTC。
最后，您将使用该框架进行各种测试。 您的目标是找出最适合TTC估计的检测器/描述符组合，并寻找可能导致相机或激光雷达传感器测量错误的问题。 在此毫微
2021-08-11 19:02:12
131.46MB
1
Realtek RTL8811CU / RTL8821CU USB wifi适配器驱动程序5.4.1版（适用于Linux 4.4.x至5.5.x）
在构建此驱动程序之前，请确保已安装make ， gcc ， linux-header和git 。
首先，克隆此存储库
mkdir -p ~/build
cd ~/build
git clone https://github.com/brektrou/rtl8821CU.git
使用DKMS进行构建和安装
DKMS是一个系统，当安装或更新新内核时，该系统将自动重新编译并安装内核模块。 要使用DKMS，请安装dkms软件包。
Debian / Ubuntu：
sudo apt-get install dkms
Arch Linux / Manjaro：
sudo pacman -S dkms
要在此项目中使用DKMS功能，只需运行：
./
2021-08-10 15:20:16
3.84MB
1
OaidDemo
获取oaid的demo，用于获取小米，华为，oppo，vivo等指定系统及以上的oaid，用来替代之前获取的IMEI
目前代码基于《移动智能终端补充设备标识体系统一调用SDK开发者说明文档v1.10》编写，
官方文档和sdk见MSA官网：
Tips
v1.1中只保留了获取OAID的方法，其它关于IMEI和权限等代码已删除。
v1.0项目中的相关获取方法的调用，在DevicesUtil.java 工具类中编写，整合了获取oaid，IMEI，AndroidId，UUID等方法。
关于获取IMEI：
在获取IMEI时，Android 6.0及以上需要手动获取权限，Demo中获取权限的相关方法写在rxpermissions2 文件夹里面了，如需要使用可直接把整个文件夹复制到项目中（使用的是 中提供的获取权限得方法，仅供参考使用），
同时需要引用rxJava2.x或者jxJava3
2021-08-07 17:58:55
2.18MB
1
加州大学伯克利分校CS188人工智能导论课。
著名的课程对于深度学习AI非常有帮助和重要。 CS188 2019夏季版已于2019/06年完成。
PJ1_搜索
PJ2_multiagent
PJ3_钢筋
PJ4_捉鬼敢死队
PJ5_machinelearning
在此项目中，第4季度要求我自己实施RNN，使用ReLu进行激活，包括模型中的偏差。
2021-08-04 23:51:21
21.38MB
1
Autoencoder
主要包括自编码器及其变形的理论+实践。
PDF整理
PDF来源于本人的理解+整理，部分图片来源于网上，已有标注，PDF对应博客详见： 。
因时间原因，代码中epoch设置的较小，实际状况下，肯定要更大。
主要内容
暂时代码包括普通自编码器（Autoencoder.py）、栈式自编码器（StackAutoencoder）、稀疏自编码器（SparseAutoencoder.py）和去噪自编码器（DenoisingAutoencoder.py）的简单实现，代码每一步都有注释。
关于收缩自编码器、变分自编码器、CNN自编码器等后更。
基于框架：Keras2.0.4
数据集：Mnist
具体设置等请参见代码或者博客
代码运行结果：
1、普通自编码器：
简单自动编码器架构图
Encoder层输出结果可视化
Autoencoder生成图片和原图片对比
2、栈式自编码器：
栈式自动
2021-08-04 14:25:05
2.94MB
1
Tensorflow中的V-GAN
该存储库是的中Tensorflow实现。 参考的keras代码可以在找到。
与Keras代码相比的改进
数据扩充已从脱机过程更改为联机过程，它解决了内存限制问题，但会减慢训练速度
添加train_interval FLAGS以控制生成器和鉴别器之间的训练迭代，对于普通GAN，train_interval为1
根据验证数据的AUC_PR和AUC_ROC之和保存最佳模型
添加采样功能以检查生成的结果以了解发生了什么
在训练过程中将测量结果绘制在张量板上
该代码的编写更加结构化曲线下面积（AUC），精度和召回率（PR），接收器工作特性（ROC）
包依赖
张量流1.6.0
python 3.5.3
numpy的1.14.2
matplotlib 2.0.2
枕头5.0.0
scikit图像0.13.0
scikit学习0.19.0
scipy
2021-08-02 15:13:06
18.03MB
1
此项目使用Python2.7+TensorFlow 1.4编写，环境太过古老，可能无法正常运行起来。
如有需要，请移步我使用Python 3.7 + TensorFlow 2.0重写的版本：
使用VGG19迁移学习实现图像风格迁移
这是一个使用预训练的VGG19网络完成图片风格迁移的项目，使用的语言为python，框架为tensorflow。
给定一张风格图片A和内容图片B，能够生成具备A图片风格和B图片内容的图片C。
下面给出两个示例，风格图片都使用梵高的星夜：
示例1：
网络上找到的一张风景图片。
内容图片：
生成图片：
示例2：
嗷嗷嗷，狼人嚎叫～
内容图片：
生成图片：
更多详情请移步博客
快速开始
1.下载预训练的vgg网络，并放入到项目的根目录中
模型有500M+，故没有放到GitHub上，有需要请自行下载。
下载地址：
2.选定风格图片和内容图片，放入项目根目录下的image
2021-07-31 17:32:43
4.6MB
1
有条件的GAN去噪器
条件生成对抗网络（CGAN）模型的Tensorflow / Keras实现，可用于图像去噪或伪像去除。
CGAN由一个生成器网络和一个鉴别器网络组成。 生成器将嘈杂/伪像图像作为输入，目的是尽可能接近真实图像。 鉴别器模型将真实图像或生成的图像作为输入，目的是尽可能准确地区分两者。 因此，网络参与了至高无上的激烈竞争...
发电机网络模型基于[1]中的U-Net。
GalaxyGAN模型帮助了结构和模型体系结构的一些选择： ，[2]。
安装
旨在与Python 2.7或3.4或更高版本兼容，但仅在2.7.13和3.6.7上进行了测试。
您将需要 ，为您的机器进行适当设置。
您可以在environment.yml看到所需的Python软件包。 如果使用Anaconda，则可以使用此文件安装作者的环境（请注意，使用tensorflow-gpu ，它需要GPU）：
2021-07-30 16:31:44
86KB
1