1、 训练数据准备 所有数据均放置于Sample\Build\下，其中Build为数据类型，根据自己需要进行修改，本示例数据为512*512大小GF2建筑，训练数据按照: Sample\Build\train\ IMG_T1 -----------------------\ IMG_LABEL -----------------\val\ IMG_T1 -----------------------\IMG_LABEL 2、 训练参数设置 参数和运行皆在dp0_train.py中，主要参数包括： （1） num_epochs，训练批次 （2） learning_rate，学习率 （3） dataset，步骤一自己构建的数据集名称 （4） band，输入数据通道数（波段数） （5） n_class, 模型输出通道数（类别） 设置好后点击run即可 3、 训练模型位置 模型结构放与net文件中，生成模型文件pt位于Checkpointspath\ 4、 预测使用 填写参数 Checkpointspath，模型位置名称 Dataset，待预测数据文件夹 Outputpath，输出数据文件夹

SpaCy官方中文模型已经上线（ ），本项目『推动SpaCy中文模型开发』的任务已经完成，本项目将进入维护状态，后续更新将只进行bug修复，感谢各位用户长期的关注和支持。 SpaCy中文模型 为SpaCy提供的中文数据模型。模型目前还处于beta公开测试的状态。 在线演示 基于Jupyter notebook的在线演示在 。 特性 部分王小明在北京的清华大学读书这个Doc对象的属性信息： NER（新！ ） 部分王小明在北京的清华大学读书这个Doc对象的NER信息： 开始使用 SpaCy（版本> 2）的基础知识。 系统要求 Python 3（也许支持python2，但未通过良好测试） 安装 下载模型 从页面下载模型（ New！为中国地区的用户提供了加速下载的链接）。假设所下载的模型称为zh_core_web_sm-2.xxtar.gz 。 安装模型 pip install zh_core_web_sm-2.x.x.tar.gz 为了方便后续在Rasa NLU等框架中使用，需要再为这个模型建立一个链接，通过执行以下命令： spacy link zh_core_web_sm zh 运行完

DFT工具 DFT工具是一个帮助python软件包，用于解析，操作和显示与密度泛函理论（DFT）代码有关的文本数据。 更多信息和文档： :

Ruby代码分析器 ••••••• 关于 该存储库包含用于Ruby源代码的静态代码分析器工具。 它检查代码中的样式和复杂性错误。 该工具旨在帮助实施适当的编程实践。 先决条件 要使用该程序，必须在本地计算机上安装Parser和Colorize gems。 要安装解析器gem，请在终端仿真器中运行以下命令。 gem install parser 要安装Colorize gem，请在终端仿真器中运行以下命令。 gem install colorize 可用检查 请参阅以了解所有检查功能。 入门 步骤1 首先，您必须在本地计算机上克隆存储库。 要克隆仓库，请在终端仿真器中运行以下命令： g

Self-Correction-Human-Parsing SCHP models exp_schp_multi_cihp_local.pth

编译原理教学课件：Chapter 4 - Top-Down Parsing

编译原理教学课件：Chapter 5 - Bottom-Up Parsing

聊天室 Rasa NLU的数据生成器 • • •• Chatette是一个Python程序，为给定模板文件的生成训练数据集。 如果您想为自然语言理解任务制作示例数据的大型数据集，而又不费吹灰之力，那么Chatette是适合您的项目。 具体来说， Chatelet实现了一种特定于域的语言（ DSL ），该语言允许您定义模板以生成大量的句子，然后将其保存为Rasa NLU的输入格式。 使用的DSL几乎是Rodrigo Pimentel创建的优秀项目的超集。 （注意：DSL实际上是Rasa NLU的Chatito v2.1.x的超集，而不是所有可能的适配器。 ） 交互式模式也可用： 安装 要运行Chatette ，您将需要安装 。 Chatette可与Python 2.7和3.x（> = 3.4）一起使用。 Chatette在上可用，因此可以使用pip安装： pip install chatette 或者，您可以克隆并安装要求： pip install -r requirements/common.txt 然后，您可以通过在目录Chatette/chatette/执行以下

Self-Correction-Human-Parsing SCHP models exp-schp-201908301523-atr.pth

Self-Correction-Human-Parsing SCHP models exp-schp-201908261155-lip.pth