大连理工大学软件学院数据结构算法可视化演示平台 项目主页如下图： 项目链接如下： 演示功能算法 线性表 顺序表 单链表 栈 阴离子 阶乘 链式平均值 树 二叉树 堆 霍夫曼树 AVL树 二叉树转森林 先锋树 图 DFS广度遍历 BFD深度遍历 Prim最小生成树 Kruskal最小生成树 Dijkstra最短路径 排序 比较排序 基数排序 堆排序 弦乐 模式匹配 发现

统计各类型专辑的滚石网站的平均评分

卷积神经网络可视化 这是我们对 CNN 特征可视化的实现（加上一个演示）（Zeiler & Fergus，2013）。 只看 ipython notebook 的方法。 使用链接： : 可视化结果并不像论文中显示的那么清晰。 我们假设这是因为他们使用不同的架构，并且我们有一个用于可视化的小数据集。 但是，这可能是由于未检测到的错误（但我们希望不是……）如果您发现此代码中有任何错误，请告诉我们！ 参考 Zeiler, MD and Fergus, R. (2013) Visualizing and Understanding Convolutional Networks. 跑步 这个笔记本应该从guru2.ucsd.edu服务器运行。 caffe 的安装可能非常具有挑战性，并且此笔记本依赖于仅存在于该服务器上的特定urban_tribes模型。 跑步， ssh -X [user

AQI可视化 空气污染可视化系统 相关链接 后台： ： Docker部署方案： : Docker仓库： 邮递区号： ：//store.docker.com/community/images/cstao/aqi-postgis django： ： nginx： ： 生成步骤 # 安装依赖 yarn # 以开发模式运行在 2018 端口 yarn dev # 生成应用程序 yarn build # 单元测试和端到端测试 yarn test # 对 src 文件夹下的 Vue/Js 文件进行语法检查 yarn lint 贡献者

WindchillVisualizationServicesAdminGuide中文版.pdf

房间出租 用Python爬取安居房间源信息，并用高德地图进行可视化 脚本介绍 crawl_renting_info.py利用从相应租房网站上爬取租房信息，解析后存储到数据库中，同时同时将过程中的信息以日志的形式写入crawl_logger.log analyse_renting_info.py使用从数据库中读取出爬取的租房信息的地址，通过调用高德地址编码API转换为经纬度，替换转换错误以及地址本身有问题的数据，最后将有效的经纬度更新到内部的数据集合中，同时同时将过程中的信息以日志的形式写入analyse_logger.log export_renting_info.py用于将数据库中包含有

world-cup-2018：2018年世界杯的探索性数据分析和数据可视化项目

核子 数学模型 Unity官方教程： ： Taras Leskiv： ：//unity3d-shader-programming.zeef.com/taras.leskiv 敬二郎： : 以及更多： :

贝特维兹 BertViz是用于可视化Transformer模型中注意力的工具，支持库中的所有模型（BERT，GPT-2，XLNet，RoBERTa，XLM，CTRL等）。 它扩展了的以及的库。 资源资源 :joystick_selector: :writing_hand_selector: :open_book: 总览 正面图 头部视图可视化给定转换器层中一个或多个注意头产生的注意模式。 它基于出色的。 尝试此 其中已预加载了头部视图。 头部视图支持Transformers库中的所有模型，包括： BERT： GPT-2： XLNet： RoBERTa： XLM： 阿尔伯特： DistilBERT： （和别的） 模型视图 模型视图提供了对模型所有层和头部的关注的鸟瞰图。 试用此 其中已预加载了模型视图。 模型视图支持Transformers库中的所有模型，包括： BERT： GPT2： XLNet： RoBERTa： XLM： 阿尔伯特： DistilBERT： （和别的） 神经元视图 神经元视图将查询和键向量中的单个神经元可视化，并

基于FFT加速插值的t-SNE（FIt-SNE） 介绍 t随机邻域嵌入（ ）是一种成功的用于降维和可视化高维数据集的方法。 t-SNE的一种流行是使用Barnes-Hut算法在每次梯度下降迭代时近似梯度。 我们加快了实现过程，如下所示： N体模拟的计算：我们不是使用Barnes-Hut逼近N体模拟，而是插值到等距网格上并使用FFT进行卷积，从而显着减少了每次梯度下降迭代时计算梯度的时间。 有关其工作原理的一些直观信息，请参见。 输入相似度的计算：我们不是使用优势点树来计算最近的邻居，而是使用库来近似最近的邻居。 邻居查找是多线程的，以利用具有多个内核的计算机。 与严格的``最近''邻居相比，使用``近''邻居更快，但也具有平滑效果，这对于嵌入某些数据集很有用（请参阅 ）。 如果需要细微的细节（例如，在识别小型集群中），请使用有利点树（在此实现中也是多线程的）。 查看我们的或以获取更