中国科学技术大学谭立湘老师GPU并行计算课程最后的大作业。内容包含项目源码加注释、最后提交的课程报告、讲演PPT。（有问题可私信）

matlab复变函数指数函数代码 Matlab大作业 此Matlab程序实现了Audiovisual events capture attention/ Evidence from temporal order judgments (Van et al., 2008)文章的实验1。 此README在Github中阅读体验更佳（链接可以生效） 实验程序结构 实验主脚本为 为程序启动时所作设置，包括收集被试信息，定义全局环境变量，隐藏鼠标，初始化PTB和PsychPortalAudio，打开窗口，呈现指导语等 为初始化听觉刺激，在PsychPortalAudio中填充所要播放的声音 是记录试次条件的，其中只有三个属性和构造函数，分别表示SOA，是否有tone，关键颜色变化在左/右 即老师给的用于随机生成试次条件的函数 是用于生成一个block中的所有试次条件 是用于生成一个试次中21次颜色变化的持续时间 为程序结束时所还原设置（显示鼠标等） 是第三方写xls的JAVA包 是保存数据并包含数据分析的目录 是拟合分析的脚本（包括画拟合图） 是在SPSS中做了四个重复测量方差分析的SPSS代码

脑年龄预测 最后一年的项目-深度学习CNN预测大脑年龄

蛋白质终身计划 该python脚本允许用户遵循N端规则获得细胞中蛋白质的寿命，通过该规则，蛋白质半衰期是由蛋白质序列中的最后一个氨基酸计算出来的。 背景 90年代，亚历山大·瓦尔沙夫斯基（Alexander Varshavsky）和他的团队首先描述了N端规则。 它将蛋白质的体内半衰期与其N末端残基的身份联系起来。 他得出的结论是，N-末端规则的相似但截然不同的版本适用于所有生物，从哺乳动物到真菌再到细菌。 因此，据此，应该有可能从蛋白质序列计算蛋白质的半衰期，并使用生物信息学方法估算蛋白质在细胞中的寿命。 代码 该代码是使用Spyder版本4.2.3（是Python开发环境）使用Python3版本3.8开发的。 可以使用跨平台的Anaconda发行版下载Spyder。 Python模块 在使用此脚本之前，建议使用Anaconda Prompt安装以下Python模块： PySimpleG

Img2VecCosSim-Django-Pytorch 提取任何图像的特征向量，并找到余弦相似度以使用Pytorch进行比较。 我已经使用ResNet-18提取图像的特征向量。 最后，开发了一个Django应用程序来输入两个图像并找到余弦相似度。 包装方式： 火炬 Django 2.0 学分： 灵感来自 如何开始： 克隆存储库 git clone https://github.com/MexsonFernandes/Img2VecCosSim-Django-Pytorch 变更目录 cd Img2VecCosSim-Django-Pytorch 安装虚拟环境 pipenv install 安装所有依赖项 pipenv install -r requirements.txt或pip install -r requirements.txt 启动Django服务器 python

很基础的一维 数组操作，初学者可以看一下，毕竟也是我初学的时候编的

windows 操作系统的 php_memcached 扩展。包含适用于php7.0、php7.1、php7.2、php7.3、php7.4，NTS和TS，x86和x86_64各种版本。 重要说明： 1. 安装说明详见“install for windows.pdf”文档； 2. 该资源是“php_memcached”扩展（不是php_memcache扩展）！！！

B.技术疾病预测项目 通过机器学习和Python开发的疾病预测系统最后一年项目 最终疾病预测项目 通过机器学习和Python开发的疾病预测系统最后一年项目 机器学习-机器学习是一种使分析模型构建自动化的数据分析方法。 它是人工智能的一个分支，其基础是系统可以从数据中学习，识别模式并在最少的人工干预下做出决策。 Scikit-learn（Sklearn）是用于Python中机器学习的最有用和最强大的库。 它通过Python中的一致性接口为机器学习和统计建模提供了一系列有效的工具，包括分类，回归，聚类和降维。 该库主要用Python编写，基于NumPy，SciPy和Matplotlib构建。 该系统通过给定的症状预测不同类型的疾病。 数据集包含4000多种疾病。 您可以在大学和工作中使用此项目 你好呀， 如何运行此项目- 现在通过给我发送邮件，以获取项目报告，PPT，项目代码和简介。

用python拟合一元一次方程，可以输入非线性特别强的函数进行实验。第11行改函数，12行为中间层神经元数量，18行max_steps是迭代次数，21行为激发函数

GA_tsp TSP问题是指假设有一个旅行商人要拜访n个城市，他必须选择所要走的路径，路径的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。路径的选择目标是要求得的路径路程为所有路径之中的最小值。使用遗传算法解决att48问题，即48个城市的旅行商问题，该问题目前的最优解是10628，受个别参数影响，所设计的算法所得到的最优结果是10648，相对误差为0.18818216%。 att48.txt ----- 48个城市的坐标 CalDist.m ----- 计算个体的总路径 cro.m --------- 交叉函数 drawTSP.m ----- 根据坐标作图 GA.m ---------- 主函数 mut.m --------- 变异函数 objf.m -------- 适应度函数 pro.m --------- 判断是否需要变异、交叉 sel.m --------- 选择函数