UCINET软件是由加州大学欧文（Irvine）分校的一群网络分析者编写的。现在对该软件进行扩展的团队是由斯蒂芬·博加提（Stephen Borgatti）、马丁·埃弗里特（Martin·Everett）和林顿·弗里曼（Linton Freeman）组成的。
UCINET网络分析集成软件包括一维与二维数据分析的NetDraw，还有正在发展应用的三维展示分析软件Mage等，同时集成了Pajek用于大型网络分析的Free应用软件程序。利用UCINET软件可以读取文本文件、KrackPlot、Pajek、Negopy、VNA等格式的文件。它能处理32 767个网络节点。当然, 从实际操作来看，当节点数在5000～10000之间时，一些程序的运行就会很慢。
社会网络分析法包括中心性分析、子群分析、角色分析和基于置换的统计分析等。
另外，该软件包有很强的矩阵分析功能，如矩阵代数和多元统计分析。它是目前最流行的，也是最容易上手、最适合新手的社会网络分析软件。
2022-06-05 17:07:07
17.4MB
1
安全技术-网络信息-肿瘤Biomarker的计算系统学研究及生物网络可视化软件的开发.pdf
2022-05-02 20:00:10
7.4MB
神经网络很多时候就像是个黑盒子，里面到底是什么样，是什么样的结构，是怎么训练的，可能很难搞清楚。而本代码就是可以把复杂的神经网络训练过程给可视化，可以更好地理解，调试并优化程序。可以看到每层网络的学习结果.
2022-03-29 16:38:32
5.83MB
1
Net2Vis
:check_mark_button: 自动网络可视化
:check_mark_button: 抽象级别
:check_mark_button: 统一设计
由 ， 和。
可访问。
这是什么？
Net2Vis从Keras代码自动为卷积神经网络生成抽象可视化。
这对我有什么帮助？
当查看使用神经网络技术的出版物时，仍然很明显它们之间的区别。 它们大多数是手工制作的，因此缺乏统一的视觉语法。 手工制作这种可视化效果还会造成歧义和误解。
有了Net2Vis，这些问题就解决了。 它旨在提供抽象的网络可视化效果，同时仍提供有关各个层的常规信息。 我们在字形设计中反映了特征的数量以及张量的空间分辨率。 可以通过颜色识别图层类型。 由于这些网络可能变得相当复杂，因此我们增加了对层进行分组的可能性，从而通过替换公共层序列来压缩网络。
最好的是：一旦应用程序运行，您只需要将Keras代码粘贴到浏览器中，并根据该代码自动生成可视化。 您仍然可以调整可视化效果并创建抽象，然后再将其下载
2022-03-22 19:32:44
435KB
1
【超实用课程内容】
深度学习在图像处理领域的发展过程； 解析经典的卷积神经网络； 垃圾分类实战。本课程将使用Pytorch深度学习框架进行实战，并在ubuntu系统上进行演示，包括：不同标注文件下的数据集读取、编写卷积神经网络、训练垃圾分类数据集、测试训练网络模型、网络可视化、性能评估等。 【课程如何观看？】
PC端：https://edu.csdn.net/course/detail/26295
移动端：CSDN 学院APP（注意不是CSDN APP哦）
【学员专享增值服务】
源码开放
课件、课程案例代码完全开放给你，你可以根据所学知识，自行修改、优化
下载方式：电脑登录https://edu.csdn.net/course/detail/26295，点击右下方课程资料、代码等打包下载
2022-03-01 17:57:26
2GB
1
CNN可视化工具：用于深度卷积神经网络中的单元可视化的工具包
介绍
该存储库包含用于可视化深CNN内的单元（或称为神经元或卷积过滤器）的代码和结果。 一些代码已用于深度场景CNN中出现的物体检测器》。 您可以将此工具包与天真的一起使用，并可以将其编译为matcaffe和pycaffe或 。 该工具包包含以下功能：
（新！）PyTorch脚本：
pytorch_extract_feature.py ：用于为任何给定图像在CNN模型的选定层提取CNN特征的代码。
pytorch_generate_unitsegments.py ：用于生成所选层上所有单元的可视化的代码。
Matlab脚本：
extract_features.m ：用于为任何给定图像提取所选层上的CNN激活的代码。
generate_unitsegments.m ：用于生成选定层中所有单元的可视化的代码。
unit
2021-12-30 15:51:53
11.67MB
1
计算机视觉技术大量应用于自动驾驶系统，主要解决物体识别与物体分类问题，本文根据任务提出了一种轻量化的神经网络结构.为解决训练数据规模不足的问题，采用了改进型数据增强算法，使训练数据成倍增加.同时为解决使用数据生成器作为验证集，无法使用tensorboard的问题，提出了解决方案，通过卷积网络可视化方法详细研究了神经网络处理图像信息的原理并提出了优化方法.训练后的模型在验证集上准确率达到了97.5%，满足了自动驾驶系统对分类任务准确率的要求.
2021-12-11 15:07:48
1.51MB
1