PyTorch中的MAML和爬行动物 PyTorch中“用于快速适应深度网络的与模型无关的元学习”的代码。 我重新调制了@AdrienLE IPython Notebook，使其从main.py运行，请查阅参考资料以更好地解释算法。 免责声明 我只是为了学习目的而使用它 参考

STM32F103_LINBUS 使用LINBUS的示例代码 当在LINBUS上检测到LIN中断时，将调用void USART3_IRQHandler（void）。 之后，我们读取了两个标志，一个将被同步，另一个是标识符。 如果标识符正确，我们将发送消息并计算数据的CRC。 因此，我们发送DATA [8] + CRC。 LIN使用TPIC1021AQDRQ1收发器IC以19200Bps的速度运行。

多视图光谱聚类算法 该存储库包含用于7种多视图光谱聚类算法（和单视图光谱聚类算法）的MATLAB代码，用于在我们的ICDM论文“”中进行比较。 一些算法的代码是从原始论文作者的网站上收集的，后来由我们修复和优化。 有关这些算法的详细信息，请参阅我们的论文（文件夹名称对应于本文中算法的缩写，即AASC，AWP，CoReg，MCGC，MVGL，RMSC和WMSC ）。 在这些文件夹中的每个文件夹中，都有一个用于算法的主文件xxx_main.m ，其中xxx是算法名称。 有关7种多视图光谱聚类算法和单视图光谱聚类（SC）算法的原始论文为： Huang等人，2012年。光谱聚类的亲和力聚合 Nie等人，2018年。通过自适应加权Procrustes进行多视图聚类 Kumar等人，2011年。共规化多视图光谱聚类 Zhan等人，2018年。多视图共识图聚类 Zhan等人，2017年。图学习用于多

实现智能反射面的被动波束成形和基站主动波束成形的交替优化算法

iot_python 物联网大赛的python源代码 2015- 03-19日上传 这是视频链接 由Rayuu

Telegram-AI：Aikin 这是AIKIN的Telegram机器人的代码 该机器人是称为AIKIN的长期记忆AI（人工智能）。 AIKIN名称代表AI Artificial Intelligence Knowlege Input Notation 。 机器人的用户名是aikin_bot 您可以立即与其聊天！ 只需发送消息@aikin_bot或单击此链接： Aikin背后的技术是什么？ Aikin是一种深度机器学习人工智能，它基于RNN（递归神经网络），带有LSTM（长短期记忆）的聊天功能和ConvNet（卷积神经网络）的图像处理功能。 也： 该机器人具有内置的图像识别功能

Retinex深度自调整低光图像增强的切换视图 论文“ Retinex的切换视图：深度自规则微光图像增强”的代码。 该实现仅用于非商业用途。 要求 python 3.6.12 火炬1.6.0 火炬视觉0.7.0 CUDA 10.1 科尔尼亚0.4.1 测试 python test.py 您应该指定测试图像路径和输出路径。 火车 在下载训练数据集（SICE） python main.py 接触 如有任何疑问，请通过与天联系。

ssm_paimai Java基于SSM拍卖社交网站原始代码 用户：用户名，登录密码，姓名，性别，生日，用户照片，联系电话，所在城市，家庭地址，邮箱，paypal账户名，注册时间 商品类别：商品分类编号，商品类别名称，类别描述 商品：商品编号，商品分类，商品标题，商品图片，商品描述，发布人，起拍价，起拍时间，结束时间 竞拍订单：订单编号，竞拍商品，竞拍用户，竞拍时间，竞拍排名 帖子：帖子id，帖子标题，帖子内容，发帖人，发帖时间，浏览量 回复：回复id，被回帖子，回复内容，回复人，回复时间 用户关注：记录id，被关注人，关注人，关注时间

NDQ：通过交流最小化学习几乎可分解的价值函数 笔记 该代码库基于和代码库，这些论文基于“ 。 在此代码库中还可以找到以下方法的实现，这些实现由的作者完成： 使用以下命令构建Dockerfile cd docker bash build.sh 设置《星际争霸II》和SMAC： bash install_sc2.sh 这会将SC2下载到3rdparty文件夹中，并复制运行所需的地图。 requirements.txt文件可用于将必要的软件包安装到虚拟环境中（不推荐）。 进行实验 以下指令在教学任务hallway上训练NDQ。 python3 src/main.py --config=categorical_qmix --env-config=join1 with env_args.n_agents=2 env_args.state_numbers=[6,6] obs_last_a

MPE-多主体强化学习算法 MPE 这是使用OpenAI Multi-Agent RL的简单验证实验代码。 该环境总结了许多基准，并最初为算法做准备。 由于环境设置简单， MPE似乎是验证我们新的Multi-Agent RL算法并与其他基准进行比较的良好玩具实验环境。 我为您编写了一些著名的多主体RL算法，以便您可以更改较少的代码来实现自己的算法并验证实验结果。 笔记： 如果要成功运行此MPE环境，则必须确保已下载 。 但是，我已经将基准的文件推送到项目中，如果您发现从OpenAI下载的基准有任何问题，则可以使用我的文件。 要求 Python> = 3.6.0 PyTorch == 1.2.0 OpenAI体育馆== 0.10.5 演算法 待办事项清单 评估和渲染 数字与比较 上传训练模型.pt 致谢 我一直以硕士生的身份学习。 我的代码和对算法的理解可能存在一些问