基于python实现的CNN卷积神经网络手写数字识别实验源码+数据集（高分毕业设计）.zip该项目是个人高分毕业设计项目源码，已获导师指导认可通过，都经过严格调试，确保可以运行！放心下载使用。 基于python实现的CNN卷积神经网络手写数字识别实验源码+数据集（高分毕业设计）.zip该项目是个人高分毕业设计项目源码，已获导师指导认可通过，都经过严格调试，确保可以运行！放心下载使用。 基于python实现的CNN卷积神经网络手写数字识别实验源码+数据集（高分毕业设计）.zip该项目是个人高分毕业设计项目源码，已获导师指导认可通过，都经过严格调试，确保可以运行！放心下载使用。 基于python实现的CNN卷积神经网络手写数字识别实验源码+数据集（高分毕业设计）.zip该项目是个人高分毕业设计项目源码，已获导师指导认可通过，都经过严格调试，确保可以运行！放心下载使用。 基于python实现的CNN卷积神经网络手写数字识别实验源码+数据集（高分毕业设计）.zip该项目是个人高分毕业设计项目源码，已获导师指导认可通过，都经过严格调试，确保可以运行！放心下载使用。 基于python实现的CN

PyTorch中的MeshCNN SIGGRAPH 2019 MeshCNN是用于3D三角形网格的通用深度神经网络，可用于诸如3D形状分类或分割之类的任务。 该框架包括直接应用于网格边缘的卷积，池化和解池层。 该代码由和在支持下编写。 入门 安装 克隆此仓库： git clone https://github.com/ranahanocka/MeshCNN.git cd MeshCNN 安装依赖项： 1.2版。 可选： 用于训练图。 通过新的conda环境conda env create -f environment.yml （创建一个名为meshcnn的环境） SHREC上的3D形状分类 下载数据集 bash ./scripts/shrec/get_data.sh 运行训练（如果使用conda env首先激活env，例如source activate meshcnn ） bash ./scripts/shrec/train.sh 要查看训练损失图，请在另一个终端中运行tensorboard --logdir runs并单击 。 运行测试并导出中间池网格： bas

由于上传限制，分为两个分卷上传. 《移动通信(第二版 中文版)》 作　 者: JOCHEN SCHILLER 出 版 社: 高等教育出版社 目 录: 第一章 绪论 1.1应用 1.1.1车辆 1.1.2应急通信 1.1.3商用通信 1.1.4替代有线网络 1.1.5信息娱乐及其他 1.1.6与位置相关的业务 1.1.7移动与无线设备 1.2无线通信简史 1.3移动通信市场 1.4一些公开的研究课题 1.5一个简化的参考模型 1.6综述 1.7复习题 1.8参考文献 第二章 无线传输 2.1无线传输频率 2.1.1规划 2.2信号 2.3天线 2.4信号传播 2.4.1无线信号的路径损耗 2.4.2其他信号传播效应 2.4.3多径传播 2.5多路复用 2.5.1空分多路复用 2.5.2频分多路复用 2.5.3时分多路复用 2.5.4码分多路复用 2.6调制 2.6.1幅移键控 2.6.2频移键控 2.6.3相移键控 2.6.4一级频移键控 2.6.5一级相移键控 2.6.6多载波调制 2.7扩频 2.7.1直接序列扩频 2.7.2跳频扩频 2.8蜂窝系统 2.9小结 2.10复习题 2.11参考文献 第三章 媒质接入控制 3.1专用MAC：机制的由来 3.1.1隐藏的终端和暴露的终端 3.1.2近的终端和远的终端 3.2 SDMA 3.3 FDMA 3.4 TDMA 3.4.1固定TDM 3.4.2传统A1oha 3.4.3分隙A1oha 3.4.4载波侦听多址接入 3.4.5按需分配多址接入 3.4.6 PRMA分组预留多址接入 3.4.7预留TDMA 3.4.8带冲突避免的多址接入 3.4.9轮询 3.4.10禁音侦听多址接入 3.5 CDMA 3.5.1扩展A1oha多址接入 3.6 Sf17F／CDMA的比较 3.7复习题 3.8参考文献 第四章 通信系统 4.1 GSM 4.1.1移动业务 4.1.2系统体系结构 4.1.3无线接口 4.1.4协议 4.1.5定位与呼叫 4.1.6越区切换 4.1.7安全性 4.1.8新型数据业务 4.2 DECT 4.2.1系统体系结构 4.2.2协议体系结构 4.3 TETRA 4.4 UMTS与IMT.2000 4.4.1 UMTS的版本和标准化 4.4.2 uMTs系统体系结构 4.4.4 UTRAN 4.4.5核心网 4.4.6越区切换 4.5小结 4.6复习题 4.7参考文献 第五章 卫星系统 5.1历史 5.2应用 5.3基础知识 5.3.1 GEO 5.3.2 1Eo 5.3.3 MEO 5.4路由选择 5.5定位 5.6越区切换 5.7示例 5.8小结 5.9复习题 5.10参考文献 第六章 广播系统 6.1概述 6.2数据的循环重发 6.3数字音频广播 6.3.1多媒体目标传输协议 6.4数字视频广播 6.4.1 DVB数字广播 6.4.2用于高速因特网接入的DVB 6.5广播与移动通信的融合 6.6小结 6.7复习题 6.8参考文献 第七章 无线局域网 7.1红外线与无线传输 7.2基础架构网和自组网 7.3 IEEE 802.1 1 7.3.1系统体系结构 7.3.2协议体系结构 7.3.3物理层 7.3.4媒质访问控制层 7.3.5 MAC管理 7.3.6 802.11b 7.3.7 802.1 1a 7.4 HIPER1AN 7.4.1历史上的HIPER1AN 7.4.2 WATM 7.4.3 BRAN 7.4.4 Hiper1AN2 7.5 蓝牙 7.5.1用户环境 7.5.2体系结构 7.5.3射频层 7.5.4基带层 7.5.5链路管理器协议 7.5.6 12CAP 7.5.7安全性 7.5.8 SDP 7.5.9应用规范 7.5.10 IEEE 802.15 7.6小结 7.7复习题 7.8参考文献 第八章 移动网络层 8.1移动IP 8.1.1目标、设想和要求 8.1.2实体和术语 8.1.3 IP分组传递 8.1.4代理发现 8.1.5注册 8.1.6隧道化和封装 8.1.7优化 8.1.8反向隧道化 8.1.9 IPv6 8.1.10 IP微移动性支持 8.2动态主机配置协议 8.3移动自组网 8.3.1路由选择 8.3.2目标序列距离向量 8.3.3动态源路由选择 8.3.4另一种度量 8.3.5自组路由选择协议概述 8.4小结 8.5复习题 8.6参考文献 第九章 移动传输层 9.1传统TCP 9.1.1拥塞控制 9.1.2慢启动 9.1.3快速重传／快速恢复 9.1.4移动性的含义 9.2传统的TCP改进方法 9.2.1间接TCP 9.2.2窥探TCP 9.2.3移动TCP 9.2.4快速重传／快速恢复 9.2.5传输／超时冻结 9.2.6选择性重传 9.2.7面向事务处理的TCP 9.3 2.5G／3G无线网络上的TCP 9.4性能增强Proxy代理 9.5小结 9.6复习题 9.7参考文献 第十章 移动性支撑 10.1文件系统 10.1.1一致性 10.1.2 Coda 10.1.3 1itt1e Work 10.1.4 Ficus 10.1.5 MIo-NFS 10.1.6 Rover 10.2万维网 10.2.1超文本传输协议 10.2.2超文本标记语言 10.2.3有助于无线接入的一些方法 10.2.4系统体系结构 10.3无线应用协议(版本1.X) 10.3.1体系结构 10.3.2无线数据报协议 10.3.3无线传输层安全 10.3.4无线事务处理协议 10.3.5无线会话协议 10.3.6无线应用环境 10.3.7无线标记语言 10.3.8 WM1Script 10.3.9无线电话应用 10.3.10推送体系结构 10.3.1 1推送／提取业务 10.3.12 WAP 1.X的协议栈举例 10.4 i-mode 10.5 SyncM1 10.6 WAP 2.0 10.7小结 10.8复习题 10.9参考文献 第十一章 展望 11.1未来网络的架构 11.2参考文献 附录1 缩略语 附录2 名词解释 英汉对照表

使用DNN进行语音分离的卷积NMF联合优化激活系数

微积分学教程.全3卷.菲赫金哥尔茨.rar

这段代码中，Conv1D是用于Attention层中的一维卷积操作。在Transformer中的Attention层中，输入序列和输出序列都是一维的。在自注意力机制中，为了计算每个位置和其他位置之间的相似度，需要将输入序列和输出序列进行一维卷积操作。

PHP开发实例大全（提高卷）（基础篇）已经全部提供 高清pdf 《PHP开发实例大全（提高卷）》以开发人员在项目开发中经常遇到的问题和必须掌握的技术为中心，介绍了应用PHP进行Web开发的各个方面的知识和技巧，主要包括PHP与Ming扩展库，PHP与ImageMagick图片处理，AJAX无刷新技术，jQuery框架技术，PHP与在线编辑工具，PHP与多媒体技术，PHP与FPDF类库应用，报表与打印技术，网络、服务与服务器，邮件处理技术，XML操作技术，Web服务器与远程过程调用，LDAP（轻量级目录访问协议），PHP与WAP技术，PHP与FTP，PostgreSQL数据库，SQLite数据库，PDO数据库抽象层，PHPLib数据库抽象层，网站策略与安全，PHP调试、升级与优化，ThinkPHP框架，Zend Framework框架，明日导航网（ThinkPHP），明日搜索引擎（Zend Framework）等内容。

蜂群算法优化CNN 卷积神经网络 Matlab

本文使用的数据集是MNIST，主要使用两个卷积层加一个全连接层构建的卷积神经网络。 先载入MNIST数据集（手写数字识别集），并创建默认的Interactive Session（在没有指定回话对象的情况下运行变量） from tensorflow.examples.tutorials.mnist import input_data import tensorflow as tf mnist = input_data.read_data_sets(MNIST_data/, one_hot=True) sess = tf.InteractiveSession(） 在定义一个初始化函数，因为卷

基于python神经卷积网络的人脸识别