| | PyTorch几何态是时间（动态）扩展文库。 该库包含来自各种已发表研究论文的各种动态和时间几何深度学习，嵌入以及时空回归方法。此外，它还提供了易于使用的数据集加载器和迭代器，用于动态和时间图以及gpu支持。它还附带了许多带有时间和动态图的基准数据集（您也可以创建自己的数据集）。 引用 如果您发现PyTorch Geometric Temporal和新的数据集对您的研究有用，请考虑添加以下引用： @misc { pytorch_geometric_temporal , author = { Benedek, Rozemberczki and Paul, Scherer and Yixuan, He and Oliver, Kiss and Nicolas, Collignon } , title = { {PyTorch Geometric Tempor

劳拉网 内容 文件夹 描述 示例草图可测试T型梁的功能。 包括来源。 将格式随机数据有效载荷从LoRa节点（LN）发送到与套接字服务器和数据库连接的网关（GW）。 介绍 该存储库包含我尝试使用LoRa PHY协议提出网状路由算法时使用和测试的所有草图和文件。 该项目的目标是使用8个LILYGO TTGO T-Beams v0.7来实现类似于的路由算法。 其中一个T型梁将成为网关节点（GN） ，并连接到其余七个T型梁（通过LoRa）和一个套接字服务器（SS） （通过WiFi）。 然后，套接字服务器将通过对Express Server的POST请求将七个T型梁（或LoRa节点（LN））的有效载荷转发到数据库。 有效负载包含有关每个LN的以下信息： 节点ID （LoRa）跳数 纬度（GPS数据） 经度（GPS数据） 日期和时间 用例 这样的系统可用于跟踪某些资产，例如集装箱，

generative_adversarial_networks_101：生成对抗网络的Keras实现。 具有MNIST和CIFAR-10数据集的GAN，DCGAN，CGAN，CCGAN，WGAN和LSGAN模型

ESRGAN：增强的超分辨率生成对抗网络 用于图像超分辨率的Pipeine任务基于经常引用的论文（Wang Xintao等人），于2018年发布。 简而言之，图像超分辨率（SR）技术可从观察到的较低分辨率（LR）图像重建高分辨率（HR）图像或序列，例如将720p图像放大为1080p。 解决此任务的常用方法之一是使用能够从LR图像中恢复HR图像的深度卷积神经网络。 而ESRGAN（增强型SRGAN）就是其中之一。 ESRGAN的要点： 基于SRResNet的架构，带有残存残存块； 上下文，感性和对抗性损失的混合体。 使用上下文损失和感知损失来进行适当的图像放大，而对抗损失则使用鉴别器网络将神经网络推向自然图像流形，该鉴别器网络经过训练以区分超分辨图像和原始照片级逼真的图像。 技术领域 作为深度学习任务的管道运行者的Catalyst 。 这个新的，发展Swift的。 可以大大减少样板代

ERFNET-PyTorch 一个PyTorch实施 ，对于语义分割帕斯卡VOC。 目录： 项目结构： ├── agents | └── erfnet.py # the main training agent ├── graphs | └── models | | └── erfnet.py # model definition for semantic segmentation | | └── erfnet_imagenet.py # model definition for imagenet | └── losses | | └── loss.py # contains the cross entropy ├── datasets # contains all dataloaders for the project | └── voc2012.py #

Networks and Grids: Technology and Theory Thomas G. Robertazzi

根据无线传感器网络中硬件节点射频功率一定,减少通信次数就可降低节点能耗这一特点,提出一种基于最少跳数的路径寻优算法,该算法可自主找到从Sink节点到目标节点间跳数最少的通信路径,为网络查询或基于事件的消息快速响应提供最优路由。与经典的路由算法相比,消息传输的跳数最少,减少了节点通信次数,有效降低通信能耗。在由TelosB节点构建的实际网络中的运行结果表明,该算法实现方便、占用资源少、运行高效,能较好适应网络拓扑变化。

Agentpy-Python中基于代理的建模 Agentpy是一个开源库，用于在Python中开发和分析基于代理的模型。 该框架在单个环境中集成了模型设计，数值实验和数据分析的任务，并针对和交互式计算进行了优化。 如果您有任何问题或需要改进的想法，请访问或订阅。 安装： pip install agentpy 文档： : 教程和示例： : 与其他框架的比较： : 的屏幕快照，包含来自两个交互式教程：

网络科学的入门书籍，主要是网络的拓扑结构及其演变的过程理论分析

MiniSom 自组织图 MiniSom是自组织图（SOM）的一种基于Numpy的简约实现。 SOM是一种人工神经网络，能够将高维数据项之间的复杂，非线性统计关系转换为低维显示器上的简单几何关系。 Minisom旨在使研究人员可以轻松地在其之上进行构建，并使学生能够快速掌握其细节。 有关MiniSom的更新发布在。 安装 只需使用pip： pip install minisom 或将MiniSom下载到您选择的目录并使用安装脚本： git clone https://github.com/JustGlowing/minisom.git python setup.py install 如何使用它 为了使用MiniSom，您需要将数据组织成一个Numpy矩阵，其中每一行都对应一个观测值，或者组织成如下列表的列表： data = [[ 0.80 , 0.55 , 0.22 , 0.03 ], [ 0.82 , 0.50 , 0.23 , 0.03 ], [ 0.80 , 0.54 , 0.22 , 0.03 ], [