Optimizing Extreme Learning Machines with Kernel Functions.zip，这

Geometric loss functions for camera pose regression论文的报告ppt，纯个人制作，原创。

我已经将该项目从GitHub迁移到了GitLab。 从现在开始，请使用。

azure-functions-python-samples, Azure函数 python 示例代码 azure-functions-python-samplesAzure函数 python 示例代码 git clone https://github.com/yokawasa/azure-functions-python-s

matlab pam代码 容量功能 该项目包含一些简单的C函数，用于评估通信系统中的基本信息理论量。 这些功能是为光通信而设计的，但是它们可以应用于任何通信系统。 所有这些功能都包含在文件中，也可以在头文件的帮助下包含在其他程序中。 由于大多数人使用，所以此代码包含MEX函数以使用MATLAB调用C函数。 系统要求和编译说明 该代码是为64位Linux设计的。 特定于Windows的说明可用。 要在Linux下进行编译，它需要以下软件/库： MATLAB R2018a（或更高版本） OpenMP的 海湾合作委员会 制作 要编译它，只需运行make 。 附带功能 使用编写有关该功能的完整文档。 暂时包括的功能允许： 针对AWGN信道的AWGN互信息（MI）的蒙特卡洛评估，用于实数（PAM）和复杂（QAM）调制格式。 针对实数（PAM）和复数（QAM）调制格式的AWGN信道的按位对数似然比（LLR）的计算。 使用针对实际（PAM）和复杂（QAM）调制格式的高斯赫尔姆正交积分对AWGN和AWGN-BICM信道进行互信息（MI）的分析评估。 具有残留相位噪声的AWGN信道的按位对数似然比（LL

开关电源

PyTorch的影响功能 这是ICML2017最佳论文中对影响函数的PyTorch重新实现：Pang Wei Koh和Percy Liang。 参考实现可以在这里找到： 。 乐于助人 路线图 v0.2 v0.3 v0.4 为什么要使用影响函数？ 影响函数可帮助您根据数据集调试深度学习模型的结果。 当测试单个测试图像时，您可以然后计算哪些训练图像在分类结果上具有最大的结果。 因此，您可以轻松地在数据集中找到标签错误的图像，或将数据集稍微压缩为对您的单个测试数据集很重要的最具影响力的图像。 这样可以提高预测准确性，减少训练时间并减少内存需求。 有关更多详细信息，请参见此处链接的原始论文。 当然，只要您有监督学习的问题，影响力功能当然也可以用于图像以外的数据。 要求 Python 3.6或更高版本 PyTorch 1.0或更高版本 NumPy 1.12或更高版本 要运行测试，进一步

Theory of Functions of a Complex Variable（Caratheodory ） 复变函数的好书

讲解了ABAP SQL Functions for Strings的使用

三重态SemiHardLoss PyTorch半硬。基于可在找到的tensorflow插件版本。无需使用此实现来创建暹罗体系结构，就像创建main_train_triplet.py cnn创建过程一样简单！ 对于具有N_CLASSES >> N_SAMPLES_PER_CLASS的分类问题，三元组损失是一个不错的选择。例如，人脸识别问题。 在分类层之前，我们需要切断具有三重态损失的CNN架构。另外，必须添加L2归一化层。 MNIST上的结果 我在MNIST数据集上测试了三重态损失。我们无法直接与TF插件进行比较，因为我没有进行实验，但是从性能的角度来看这可能很有趣。如果您想比较结果，这是训练日志。准确性无关紧要，因为我们不训练分类模型，所以准确性不应该存在。 阶段1 首先，我们训练最后一层和批次归一化层，使验证损失接近0.079。 阶段2 最后，解冻所有层，经过足够的训练和超参数调整