此脚本计算 Legendre-Gauss-Radau 正交的节点和权重以及光谱搭配方法的 LGR-vandermonde 矩阵。 节点是 P_N(x)+P_{N+1}(x) 的零点，其中包括 x=-1 处的固定横坐标。 另请参阅我使用 Legendre 多项式的 Gauss 和 Lobatto 正交脚本。

weights.zip yolo v5 weights

著名的 yolov5 预训练权重，因为作者将文件放在谷歌云盘上，下载不便，因此将其放在这里，供大家学习使用

meta_focal_loss 使用焦点损失的自适应权重所需的环境如下：Linux Python 3.8 PyTorch 1.7.1 Torchvision 0.8.2

此脚本计算高斯节点和权重，以对任意三角形域上的函数进行数值积分。 注意：此方法使用折叠的正方形而不是一般的体积情况。

一个例子： print("Loading vgg19 weights...") vgg_model = VGG19(include_top=False, weights='imagenet') from_vgg = dict() # 因为模型定义中的layer的名字与原始vgg名字不同，所以需要调整 from_vgg['conv1_1'] = 'block1_conv1' from_vgg['conv1_2'] = 'block1_conv2' from_vgg['conv2_1'] = 'block2_conv1' from_vgg

在特定点插值，可以修改权重及搜索点数等参数

从 -Inf 到 Inf 形式的被积函数的数值积分 f(x)*exp(-x^2) f(x) 必须是一个缓慢变化的函数 fn_val = GaussHermite(func, npt, varargin) func 是 f(x) 的句柄 npt 是要评估 f(x) 的点数。 使用了横坐标和权重的查找表，因此 npt 必须是 2、4、6、8、10、12、16 或 20。 varargin 包含 f 的任何额外参数 TestGaussHermite(k,b) 测试 f(x) = 1, x^2, cos(bx) 的积分， 分别选择 k = 0、1、2。

首先输入边和边的权重，随后画出节点位置，根据权重大小划分实边和虚边 #coding:utf-8 #!/usr/bin/env python An example using Graph as a weighted network. __author__ = Aric Hagberg (hagberg@lanl.gov) try: import matplotlib.pyplot as plt except: raise import networkx as nx G=nx.Graph() #添加带权边 G.add_edge('a','b',weight=

darknet是一个较为轻型的完全基于C与CUDA的开源深度学习框架，其主要特点就是容易安装，没有任何依赖项（OpenCV都可以不用），移植性非常好，支持CPU与GPU两种计算方式。Darknet的优势： darknet完全由C语言实现，没有任何依赖项，当然可以使用OpenCV，但只是用其来显示图片、为了更好的可视化； darknet支持CPU（所以没有GPU也不用紧的）与GPU（CUDA/cuDNN，使用GPU当然更块更好了）； 正是因为其较为轻型，没有像TensorFlow那般强大的API，所以给我的感觉就是有另一种味道的灵活性，适合用来研究底层，可以更为方便的从底层对其进行改进与扩展