双螺旋分类问题的算法实例,可以帮助理解多层感知机的实施过程,希望能有用
2022-03-27 18:16:53 1.92MB 双螺旋分类 双螺旋 python
一个用python制作的xxtea对称加密解密的批处理图片资源工具,带源码。用于网页,页游资源图片资源加密处理
1
作业题目:基于UDP的聊天室程序设计起止日期:2020-12-08 08:00:00 ~ 2021-01-15 23:59:59作业满分:100作业说明:实现一个网络聊天室程序,具体要求:(1)Windows平台上,基于UDP协议,图形用户界面,编程语言不限;(2)服务器保存用户信息(账号与IP地址)及日志信息,客户端之间直接交互(带时间的聊天信息), 可选不同聊天模式(一对一与一对多), 可选对聊天信息加密传输(加密方法自选,可用某种库函数);(3)撰写说明文档,包括编程环境、关键问题、程序流程、测试截图等;(4)提交全部程序,包括源代码、可执行程序、说明文档等。
2022-03-24 20:32:48 18.99MB 基于UDP的聊天室程序设计 python
waifu2x - 利用卷积神经网络放大图片 waifu2x 使用深度卷积神经网络的动漫风格艺术图像超分辨率。 它支持照片。 可以在 http://waifu2x.udp.jp/ 找到演示应用程序。 请注意,我仅提供此网站和此存储库。 其他声称“waifu2x”的软件或网站与我无关。 摘要 单击以查看幻灯片。 参考 waifu2x 的灵感来自 SRCNN [1]。 2D 角色图片 (HatsuneMiku) 由 piapro [2] 根据 CC BY-NC 授权。 [1] Chao Dong, Chen Change Loy, Kaiming He, Xiaoou Tang, "Image Super-Resolution Using Deep Convolutional Networks", http://arxiv.org/abs/1501.00092 [2] "For Creators", http:// piapro.net/en_for_creators.html 公共 AMI TODO 第三方软件 第三方 如果您是 windows 用户,我建议您使用 wai
2022-03-18 15:11:09 439.28MB 机器学习
1
LSTM 作为预测模型,使用贝叶斯优化算法来实现股票预测的功能
2022-03-16 13:01:14 36KB bayesianlstm python 贝叶斯预测 LSTM优化
基于python语言,tensorflow框架,通过rnn循环神经网络实现对茅台酒开盘价的预测
2022-03-16 12:55:44 708KB stockprediction RNN tensorflow 股票预测
python LSTM进行时间序列预测,股票每日的数据
The code for 2019 Tencent College Algorithm Contest, and the online result ranks 1st in the finals
2022-03-14 16:43:47 1.7MB 机器学习
1
PyMatting: 一个用于Alpha遮罩的Python库 PyMatting:用于 Alpha 抠图的 Python 库我们介绍了 Python 的 PyMatting 包,它实现了解决 alpha 抠图问题的各种方法。 网站和文档:https://pymatting.github.io/ 基准测试:https://pymatting.github.io/benchmark.html 给定输入图像和手绘trimap(顶行),alpha matting 估计 alpha 通道前景对象,然后可以组合到不同的背景(底行)。 PyMatting 提供: Alpha matting 实现,用于: Closed Form Alpha Matting [1] Large Kernel Matting [2] KNN Matting [3] 基于学习的数字 Matting [4] Random Walk Matting [5] 前景估计实现:Closed Form Foreground Estimation [1] ] Multilevel Foreground Estimation (CPU
2022-03-10 21:08:42 6.29MB 图片处理
1
Dense Passage Retriever - 是一套用于开放领域问答任务的工具和模型Q&A Dense Passage Retriever Dense Passage Retriever - 是一组用于开放域问答任务的工具和模型。 它基于这项研究工作,并为多个问答数据集提供了最先进的结果。 特征密集检索器模型基于双编码器架构。 受本文启发的抽取式问答读者和排名者联合模型。 相关数据预处理和后处理工具。 推理时间逻辑的密集检索器组件基于 FAISS 索引。 安装 从源头安装。 推荐使用 Python 的虚拟或 Conda 环境。 git clone git@github.com:fairinternal/DPR.git cd DPR pip install 。 DPR 在 Python 3.6+ 和 PyTorch 1.2.0+ 上进行了测试。 DPR 依赖第三方库来实现编码器代码。 目前支持 Huggingface BERT、Pytext BERT 和 Fairseq RoBERTa 编码器模型。 由于标记化过程的普遍性,DPR 目前使用 Hugging
2022-03-10 10:49:05 95KB 自然语言处理
1