阿斯泰格 基于注意力的时空图卷积网络的交通流量预测（ASTGCN） 参考 数据集 我们在来自加利福尼亚的两个高速公路交通数据集PeMSD4和PeMSD8上验证了我们的模型。 这些数据集由Caltrans绩效评估系统（ ）（ ）每30秒实时收集一次。 交通数据会从原始数据每隔5分钟汇总一次。 该系统在加州主要都会区的高速公路上部署了39,000多台探测器。 有关传感器测站的地理信息记录在数据集中。 我们的实验中考虑了三种流量度量，包括总流量，平均速度和平均占用率。 我们提供两个数据集：PEMS-04，PEMS-08 PEMS-04： 307个探测器2018年1月至2月3个特点：流动，占据，速度。 PEMS-08： 170个检测器2016年7月至8月3个特点：流动，占据，速度。 要求 python> = 3.5 mxnet> = 1.3.0 mxboard 科学的 张

BERT模型从训练到部署全流程 Tag: BERT 训练 部署 缘起 在群里看到许多朋友在使用BERT模型，网上多数文章只提到了模型的训练方法，后面的生产部署及调用并没有说明。 这段时间使用BERT模型完成了从数据准备到生产部署的全流程，在这里整理出来，方便大家参考。 在下面我将以一个“手机评论的情感分类”为例子，简要说明从训练到部署的全部流程。最终完成后可以使用一个网页进行交互，实时地对输入的评论语句进行分类判断。 基本架构 基本架构为： graph LR A(BERT模型服务端) --> B(API服务端) B-->A B --> C(应用端) C-->B +-------------------+ | 应用端(HTML) | +-------------------+ ^^ || VV +---------------

Youth My Youth 主要使用Vue+Element-UI

Easiest-SRGAN-demo 最简单的基于SRGAN网络的实现， 附带已训练好的模型及GIF生成代码， 更适合作为Demo展示。 Demo效果 上图就是训练了2000次后的模型的效果，只需要输入一张左边的低精度的图片， 就可以生成右边的高精度的图片。肉眼看上去效果还是非常不错的！ (由于GIF较大可能加载不出来) 这张GIF则展示了整个训练过程的变化， 左边的图是由神经网络生成的， 中间的是原始的高精度的图片， 右边的是输入到神经网络的低分辨率图片， ==神经网络在整个生成过程中是没有得到高精度图片信息的，这里给出高精度图片只是为了对比体现生成的效果==。可以看到在100次epoch迭代之后，性能已经非常不错了。 环境要求 训练模型 tensorflow or tensorflow-gpu > 1.10.0 keras = 2.2.4 生成自己的GIF图片 imageio pip

教程 nlp-tutorial是针对谁正在使用Pytorch学习NLP（自然语言处理）的教程。 NLP中的大多数模型都是用不到100行的代码实现的（注释或空白行除外）。 依存关系 Python 3.6+ Pytorch 1.2.0+ 课程-（示例用途） 1.基本嵌入模型 1-1。 -预测下一个单词 论文- Colab- bilibili- //www.bilibili.com/video/BV1AT4y1J7bv/ 1-2。 -嵌入单词和显示图 论文- Colab- bilibili- //www.bilibili.com/video/BV14z4y19777/ 1-3。 -句子分类 论文- Colab- 2. CNN（卷积神经网络） 2-1。 二进制情感分类 论文- Colab- bilibili- //www.bilibili.com/video

Face-Recognition：人脸识别算法在Keras当中的实现 目录 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 文件下载 进行预测所需的facenet_keras.h5可以在Release里面下载。 也可以去百度网盘下载 链接: 提取码: tkhg 使用方法 1、先将整个仓库download下来。 2、下载完之后解压，同时下载facenet_keras.h5文件。 3、将facenet_keras.h5放入model_data中。 4、将自己想要识别的人脸放入到face_dataset中。 5、运行face_recognize.py即可。 6、align.py可以查看人脸对齐的效果。 效果 face_recognize.py的运行结果： )

POIKit POIKit 目的是提供一套简单易用且稳定的 POI 获取与处理工具套件，方便 GIS 相关从业者。目前软件处于初步构建状态，希望各位多多尝试，多多提问题（The More Questions，The Better）。 目录 Preview 功能演示 POI 搜索功能 以行政区为例。POI 类型：餐饮服务；行政区：371723；初始网格数：4；阈值：850；线程数目：2；输出格式：csv，POI 搜索功能如下所示： 功能配置参数如下表： 参数 说明 注意 高德 key 软件支持多个 key，不同 key 之间需要用逗号分割 注意，只能使用英文逗号，且不能包含换行符、空格等 开发者类型 个人开发者或个人认证开发者或企业开发者 用于设置 QPS 值，当用户设置线程数大于最大线程数，将强制设为最大线程，防止过高并发 POI 关键字 搜索关键字，如KFC，不同关键字之间使用逗号分割

TensorFlow-Slim TF-Slim是一个轻量级的库，用于在TensorFlow中定义，训练和评估复杂的模型。 tf-slim的组件可以与本机张量流以及其他框架自由混合。 注意：最新版本的TF-Slim 1.1.0已通过TF 1.15.2 py2，TF 2.0.1，TF 2.1和TF 2.2进行了测试。 安装 pip install --upgrade tf_slim 用法 import tf_slim as slim 为什么选择TF-Slim？ TF-Slim是一个使神经网络的定义，训练和评估变得简单的库： 允许用户通过消除样板代码来紧凑地定义模型。 这是通过使用和许多高级和。 这些工具提高了可读性和可维护性，减少了复制和粘贴超参数值产生错误的可能性，并简化了超参数调整。 通过提供常用的函数使开发模型变得简单。 苗条地开发了几种广泛使用的计算机视觉模型（例如VGG，

实施不是原始文件。 该项目的目的是开始语义分割并掌握基本过程。 发布FCN32 / 8，SegNet，U-Net谢谢您的支持。 环境 物品 价值 物品 价值 凯拉斯 2.2.4 作业系统 赢10 张量流gpu 1.10 / 1.12 Python 3.6.7 参考 数据： 数据或： 项目计划书 python visualizeDataset.py ：可视示例 python train.py ：执行火车python predict.py预测python predict.py ：执行预测 您可以在项目切换模型中修改参数或克隆历史版本。 关于 FCN32 可视化结果： FCN8 可视化结果： 隔离网 网络

一，项目介绍 佐仓短视频是一个以java为后台编写的短视频类的微信小程序项目 用户可以实现登录，注册，视频查看，视频上传，个人信息查看，头像上传等功能 二，技术选型和效果预览 本项目后端采用spring boot +spring data jpa的技术实现 采用Ffmpeg技术对音频和视频进行处理 使用redis数据库实现单点登录和权限验证功能 使用swagger2技术使接口开发更加简洁清楚 使用postman对接口进行测试 数据库采用mysql数据库 使用内网穿透技术提供测试环境