vue-3d模型 vue.js基于threejs的3D模型查看器组件，受启发 一个展示三维模型的Vue组件，支持模型操作和模型点击事件，能自动缩放模型到合适的大小并校正偏移，支持多种格式的模型。 例 安装 使用npm npm install vue-3d-model --save 或使用脚本标签供全球使用 < script src =" https://unpkg.com/vue-3d-model/dist/vue-3d-model.umd.js " > </ script > 或下载并将其包含在您的html中 用法 < model-obj src = "

主题模型教程 此存储库包含简短教程“使用 Scikit-learn 进行主题建模”的笔记本、幻灯片和数据，该教程于 2017 年 9 月在发布。 内容 涵盖摘要教程。 有三个关联的 IPython 笔记本： ：提供使用scitkit-learn预处理文档的基本介绍。 ：涵盖了通过scitkit-learn提供的 NMF 实现对主题模型的应用和解释。 ：关于使用主题一致性为 NMF 选择主题数量的更高级材料。 为了演示主题建模技术，一个示例数据集。 这包括 2016 年从收集的 4,551 篇新闻文章，存储在单个文本文件 (25MB) 中，每行一篇文章。 依赖关系 此代码已使用 Python 3.6-3.8 进行了测试。 核心包要求是： scikit 学习 麻木的 matplotlib 模型选择代码也依赖gensim包构建Word2Vec模型（用v4.0.1测试）。 示例数据集的

This volume presents selected and peer-reviewed contributions from the 14th Workshop on Stochastic Models, Statistics and Their Applications, held in Dresden, Germany, on March 6-8, 2019. Addressing the needs of theoretical and applied researchers alike, the contributions provide an overview of the latest advances and trends in the areas of mathematical statistics and applied probability, and their applications to high-dimensional statistics, econometrics and time series analysis, statistics for stochastic processes, statistical machine learning, big data and data science, random matrix theory, quality control, change-point analysis and detection, finance, copulas, survival analysis and reliability, sequential experiments, empirical processes, and microsimulations. As the book demonstrates, stochastic models and related statistical procedures and algorithms are essential to more comprehensively understanding and solving present-day problems arising in e.g. the natural sciences, machine learning, data science, engineering, image analysis, genetics, econometrics and finance.

obj2voxel obj2voxel是用于Wavefront OBJ文件的命令行体素器。 它使用加载OBJ文件，并使用编写体素模型。 安装 下载可执行文件。 有适用于Windows和Linux的预编译二进制文件。 或者，如果要从源代码构建，请按照以下步骤操作（在Linux上）： mkdir build cd build cmake .. make # optionally with -j option for multithreaded compile 安装后，可执行文件将位于您的build目录中。 用法 # Usage ./obj2voxel input_file output_file -r # ... # Example ./obj2voxel in.obj out.qef -t textu

VoVNet骨干网的pytorch实现 这是VoVNet骨干网络的pytorch实现，如论文。 这是通过样式实现的。 此回购协议提供什么？ 此仓库提供了在ImageNet分类数据集中训练的VoVNet-39 / 57模型，其训练协议与（例如128个批处理大小，90个时代，数据扩充，lr_policy等），并与ResNet和DenseNet进行了比较。 ImageNet结果 笔记： 为了公平起见，将相同的培训协议用作 90纪 分步学习进度表（学习率每30个周期下降一次） 256批次大小 默认增强（例如，裁剪，翻转，相同的均值/标准差归一化） @ 224x224训练/验证 推断时间是在TITAN X PASCAL GPU上测量的CUDA v9.2，cuDNN v7.3，pytorch 1.0 模型 前1名 前5 推断时间 ResNet-50 23.85％ 7.13％ 12毫

海森堡 用于一维海森堡模型的精确对角化的Julia模块 精确的时间演化

i2c_slave_model.v

时间序列主题跟踪器 使用LDA的时间序列主题跟踪 输入：文件和日期 输出：主题和该主题中文档的时间序列

ESL Models and their Application：Electronic System Level Design and Verification in Practice 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2 IP Meta-Models for SoC Assembly and HW/SW Interfaces . . . . 33 3 Functional Models . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 4 Testbench Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143 5 Virtual Prototypes and Mixed Abstraction Modeling . . . . . . . . 173 6 Processor-Centric Design: Processors, Multi-Processors, and Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225 7 Codesign Experiences Based on a Virtual Platform . . . . . . . . . 273 8 Transaction-Level Platform Creation . . . . . . . . . . . . . . . . . 309 9 C/C++ Hardware Design for the Real World . . . . . . . . . . . . . 361

Variational Dirichlet Process　Gaussian Mixture Model的Matlab源码