半监督单图像去雾 半监督单图像去雾代码。 依赖 pytorch >= 1.0 visdom 数据集制作 通过以下方式使您成为数据集： 合成图像：将两张图像（朦胧（HxWxC），清洁（HxWxC））对齐为一张图像（Hx2WxC）。 要注意的是，H和W应该是8的倍数。将它们（ ./datasets/dehazing/train张图像）放在./datasets/dehazing/train 。 真实的模糊图像：将它们（ ./datasets/dehazing/unlabeled张图像）放在./datasets/dehazing/unlabeled 测试图像：与1.对齐，然后将它们放在./datasets/dehazing/test 火车 您可以通过以下方式训练模型： python train.py --dataroot ./datasets/dehazing --name run_

半导体设备标准 ,基于SEMI标准

SEMI SECS E4,E5,E30,E37协议的实现库及详细的二次开发说明，包含 DLL, LIB, H，不依赖任何三方库，还提供有Demo详细代码，示例代码可以直接复制使用。同时还提供了一个模拟器供测试。

SECS E5.PDF,专门用于MES开发的协议文档。主要是定义了几百个Sn,Fn通讯固定格式。对于MES系统开发者来说，是编码过程中参照和核对格式的必备手册。

SEMI EQUIPMENT COMMUNICATIONS STANDARD 2 MESSAGE CONTENT

SEIM E4 E5 半导体数据采集资料 通讯协议资料 设备联网 智能制造基础资料

SEMI E37-0298 (HSMS spec) High-speed SECS Message services(HSMS) generic services

scNym-用于单细胞分类的半监督对抗神经网络 scNym是一个神经网络模型，用于根据单细胞分析数据（例如scRNA-seq）预测细胞类型，并从这些模型中得出细胞类型表示形式。 尽管细胞类型分类是主要的用例，但是这些模型可以将单个细胞概况映射到任意输出类别（例如实验条件）。 我们已经在Genome Research的最新论文中详细描述了scNym 。 如果您发现此工具有用，请引用我们的工作。 我们也有一个研究网站，介绍scNym简报- 用于单细胞分类的半监督对抗神经网络。 雅各布·金梅尔（Jacob C.Kimmel）和大卫·凯利（David R.Kelley）。 基因组研究。 2021. doi： ： BibTeX @article{kimmel_scnym_2021, title = {Semi-supervised adversarial neural networ

Semi-supervised Anomaly Detection using AutoEncoders PDF全文翻译，属于缺陷检测的文档，适合于研究目标检测方面的研究者

Semi-supervised Anomaly Detection using AutoEncoders全文英文注解，适合于英文较好的研究者，看英文的文档更有味道一些