一些MCNP例子，可能对于初学者会有很大帮助。

brms 概述 brms程序包提供了一个接口，以使用Stan来拟合贝叶斯广义（非）线性多元多级模型，这是一个用于执行完整贝叶斯推理的C ++程序包（请参见 ）。 公式语法与软件包lme4的语法非常相似，以提供用于执行回归分析的熟悉且简单的界面。 支持广泛的响应分布，使用户可以在多级上下文中拟合线性，鲁棒线性，计数数据，生存时间，响应时间，序数，零膨胀甚至自定义混合模型等。 进一步的建模选项包括非线性和平滑项，自相关结构，检查数据，缺失值插补等。 另外，可以预测响应分布的所有参数，以执行分布回归。 多变量模型（即具有多个响应变量的模型）也可以拟合。 先前的规范是灵活的，并且明确鼓励用户使用实际上反映其信念的先前发行版。 可以轻松评估模型拟合度，并将其与后验预测检查，交叉验证和贝叶斯因素进行比较。 资源 （统计软件期刊） （R Journal） （具有文档和小插曲的brms网站） （有关

NFNet Pytorch实施 此回购包含来自未经归一化的高性能大型图像识别论文的，具有ImageNet高精度的预训练NFNet模型F0-F6。 小型模型的精度与EfficientNet-B7一样，但训练速度快了8.7倍。 大型模型在ImageNet上设置了新的SOTA top-1精度。 NFNet F0 F1 F2 F3 F4 F5 F6 + SAM 最高为1的准确性Brock等人。 83.6 84.7 85.1 85.7 85.9 86.0 86.5 此实现的Top-1精度 82.82 84.63 84.90 85.46 85.66 85.62 待定 所有学分归的作者所有。 该在很大程度上受到其在出色的JAX实现的启发。 拜访他们的回购网站以作参考。 开始吧 git clone https://github.com/benjs/nfnet

如题。官方资料，主要是应用类参考资料，没有理论性。直接给出必要的公式和程序

破产机器学习 破产数据研究的目的是为给定数据确定预测破产的最佳分类方法。 破产数据是从COMPUSTAT收集的1980年至2000年的数据，其中有5436个观察值和13个变量。 9个基于会计的变量和1个市场变量是：R1：WC / TA，营运资金/总资产R2：RE / TA，未分配利润/总资产R3：EBIT / TA，息税前利润/总资产R4：ME / TL，权益/总负债的市场价值R5：S / TA，销售/总资产R6：TL / TA，总负债/总资产R7：CA / CL，流动资产/流动负债R8：NI / TA，净收入/总资产R9：破产成本，对数（销售）R10：市值，对数（绝对（价格）*流通股数/ 1000） 对于本研究，由于没有明显的破产趋势，因此可以假定可以将多年来的数据汇总在一起并进行研究。 在这13个变量中，其中一个是“ DLRSN”-一种表示默认值的分类变量，即预测的因变量。 总体而

switch to Live2D模型收集仓库 本仓库由作者 收集整理，所有模型均来自互联网。觉得本仓库对你有所帮助的话，请给作者的B站点个关注吧。 模型格式说明 .zip 解压缩后可获得model.json文件，也可以直接使用打开。 .waifu 专属格式 目录说明 male（男性） female（女性） animals（动物） famous（知名人物，例：EVA明日香） sexy（有突出的性暗示的） 彩虹屁老婆容器下载 交流群 qq群2群（新）：610394408 qq群1群（满）：1026509663 觉得本仓库对你有所帮助的话，请给作者的B站点个关注吧。

openpost caffe 模型库， 包括：pose_iter_160000.caffemodel pose_iter_440000.caffemodel pose_iter_116000.caffemodel pose_iter_102000.caffemodel pose_iter_584000.caffemodel pose_iter_440000.caffemodel pose_iter_160000.caffemodel

使用PyTorch对预训练的卷积神经网络进行微调。 产品特点 可以访问ImageNet上经过预训练的最受欢迎的CNN架构。 自动替换网络顶部的分类器，使您可以使用具有不同类数的数据集训练网络。 使您可以使用任何分辨率的图像（不仅限于在ImageNet上用于训练原始模型的分辨率）。 允许添加一个Dropout层或一个自定义池层。 支持的架构和模型 从包中： ResNet（ resnet18 ， resnet34 ， resnet50 ， resnet101 ， resnet152 ） ResNeXt（ resnext50_32x4d ， resnext101_32x8d ） Dens

Tensorflow 中的领域对抗神经网络 域对抗神经网络在 Tensorflow 中的实现。 重新创建 MNIST 到 MNIST-M 实验。 使用tensorflow-gpu==2.0.0和python 3.7.4 。 MNIST 到 MNIST-M 实验 生成 MNIST-M 数据集 改编自 要生成MNIST-M数据集，您需要下载 ，并将其放置在./Datasets/BSR_bsds500.tgz 。 运行create_mnistm.py脚本。 或者，如果在目录中找不到，脚本create_mnistm.py将为您提供下载的选项。 python create_mnistm.py 这应该会生成./Datasets/MNIST_M/mnistm.h5文件。 数据集也可在此处获得： 训练 运行DANN.py脚本。 python DANN.py 取消注释#train('so

Shared Memory Consistency Models A Tutorial.pdf