只使用了numpy，没有使用tensorflow或pytorch框架,使用的是单线程，具有详细的注释，如有不对请大家指正，非常感谢，多交流

FineGym is provided by the Chinese University of Hong Kong.本数据集由香港中文大学提供。 finegym_categories.zip finegym_v1.0.zip

层次分解的matlab代码 （H矩阵）库（按语言）和论文（按年）的精选列表。 受到清单的启发。 C Hatem Ltaief，Kadir Akbudak（阿卜杜拉国王科技大学） 开源的 分层格式： 拉尔斯·格拉塞迪克（Lars Grasedyck）和斯特芬·伯姆（SteffenBörm）（莱比锡，马克斯·普朗克研究所） 源代码可通过已签署的许可协议获得。 分层格式：和 Steffen Boerm，Knut Reimer，Dirk Boysen，Sven Christophersen，Nadine Albrecht和Jens Burmeister。 （基尔大学） 开源的 分层格式：和 C ++ 罗纳德·克里曼（马克斯·普朗克研究所莱比锡） 仅二进制文件，在MPI上的分布式内存实现，在基于TBB的共享内存上 分层格式：和 Mario Bebendorf和Sergej Rjasanow（波恩大学） 可通过在线许可协议获得源代码。 分层格式： W. Fong和E. Darve（斯坦福大学） 用于一般内核的黑盒快速多极方法。 FMM基于Chebyshev和Fourier插值方法。 W. Smig

分层注意网络 我对“ ”的实现（Yang等，2016） Yelp的数据可从下载（与Yang的论文中使用的数据集相同） 下载链接： : 将数据放在名为“ data / yelp_YEAR /”的目录中（其中“ YEAR”为年份） 运行“ yelp-preprocess.ipynb”以预处理数据。 格式变为“标签\ t \ t句子1 \ t句子2 ...”。 然后运行“ word2vec.ipynb”以从训练集中训练word2vec模型。 运行“ HAN.ipynb”以训练模型。 运行“ case_study.ipynb”以运行验证集中的一些示例的可视化，包括注意力向量（句子级别和单词级别）和预测结果。 现在，我们在yelp2013测试仪上获得了约65％的准确度。 对超参数进行微调后，它可能会更好。 我们使用的超参数 时代 批量大小 GRU单位 word2vec大小 优化器 学

分层集群java Java中的凝聚式分层聚类算法的实现。 支持不同的链接方法： 单联动 完整联动 你放什么 将距离矩阵和聚类名称数组以及链接策略传递给聚类算法： String[] names = new String[] { "O1", "O2", "O3", "O4", "O5", "O6" }; double[][] distances = new double[][] { { 0, 1, 9, 7, 11, 14 }, { 1, 0, 4, 3, 8, 10 }, { 9, 4, 0, 9, 2, 8 }, { 7, 3, 9, 0, 6, 13 }, { 11, 8, 2, 6, 0, 10 }, { 14, 10, 8, 13, 10, 0 }}; ClusteringAlgorithm alg = new Defaul

关于层次聚类(hierarchical clustering)的基本步骤： 1、假设每个样本为一类，计算每个类的距离，也就是相似度 2、把最近的两个合为一新类，这样类别数量就少了一个 3、重新新类与各个旧类(去了那两个合并的类)之间的相似度； 4、循环重复2和3直到所有样本点都归为一类 这个计算的过程，相当于重构一个二叉树，只是这个过程，是从树叶-->树枝-->树干的构建过程 本资源详细介绍层次聚类的算法

scikit-hts：使用熟悉的API进行分层时间序列预测

使用中央模式生成器和神经网络的双足运动的分层控制 （汉堡大学智能自适应系统科学论文硕士） 受生物学启发的，分层的两足机器人运动控制器。 在较低级别，具有反馈路径的CPG网络（基于）控制着各个关节。 CPG网络的参数通过遗传算法进行了优化。 在更高的层次上，神经网络对CPG网络的输出进行调制，以优化机器人相对于整体目标的运动。 在这种情况下，目的是使步行时由于滑移或不完善的机器人模型而产生的横向偏差最小。 使用（深度强化学习算法）训练神经网络。 这项工作是使用。 即使在存在系统性和非系统性错误的情况下，分级控制器也可以使横向偏差最小化。 路径为红色的机器人仅使用CPG网络。 对于蓝色路径，使用了分层控制器。 高亮显示的情况（从左起第4个）显示了性能最佳的超参数设置。 纸 在ICDL-Epirob 2019上展示的论文可以在或进行查看。 论文 我的硕士学位论文可以在查看或下载。 视频 在可

汤晓鸥团队关于深度学习人脸识别的经典论文，是人脸分析的新方法。

一篇关于卷积自编码的论文，写的非常好，此处上传仅仅是为了通过我博客想下载的朋友。