张量板聚合器 该项目包含一个易于使用的方法来聚合多个张量板运行。 来自多次运行的标量的最大值，最小值，平均值，中位数，标准偏差和方差将另存为新的张量板摘要或.csv表。 有一个类似的工具使用pytorch输出张量板摘要： 功能概述 聚合多个张量板文件的标量 将聚合另存为新的Tensorboard摘要或另存为.csv 通过任何numpy函数进行汇总（默认值：最大值，最小值，平均值，中位数，标准差，变量） 允许任意数量的子路径结构 保持步骤编号 节省每一步的平均挂墙时间 设置和运行配置 将存储库文件下载或克隆到您的计算机 进入存储库文件夹 安装要求： pip3 install -r requirements.txt --upgrade 现在，您可以使用以下命令运行聚合： python aggregator.py 参数 范围 默认 描述 - 小路 可选的 当前工作目录 包含运行的文件

经典张量入门文章

hsi matlab代码

hsi matlab代码代码：用于高光谱图像去噪的低阶张量字典学习方法 《 TSP2020一种用于高光谱图像去噪的低秩张量字典学习方法》一文中的所有matlab代码。 数据集 从来自的ICVL。 我们通过msi=msi(1:2:size(msi,1),1:2:size(msi,2), :)下采样ICVL数据集。 来自的贾斯珀里奇（Jasper Ridge） 资料夹结构 Demo_DL_syn.m : Detect the object ' road ' on denoised jasperRidge HSIs via different methods (Fig. 7, 8). Please run it where we provide the pre‐computing denoising results and you can get the results in Fig. 7 and Fig. 8. Demo_denoise_ge.m : Denoise the CAVE- ' watercolors ' HSI with generated noise. It needs t

Java实现张量相乘（tensorflow）

已经提出了几种基于波段的总变化（TV）正规化低秩（LR）的模型，以消除高光谱图像（HSI）中的混合噪声。 这些方法基于LR矩阵分解将高维HSI数据转换为2D数据。 该策略引入了有用的多路结构信息的丢失。 而且，这些基于波段的基于电视的方法以单独的方式利用空间信息。 为了解决这些问题，我们提出了一种空间频谱电视正则化LR张量分解（SSTV-LRTF）方法，以消除HSI中的混合噪声。 一方面，假定高光谱数据位于LR张量中，该张量可以利用高光谱数据的固有张量结构。 基于LRTF的方法可以有效地将LR干净图像与稀疏噪声区分开。 从另一方面，假设HSI在空间域中是分段平滑的。 TV正则化在保留空间分段平滑度和消除高斯噪声方面有效。 这些事实激发了LRTF与电视正则化的集成。 为了解决带状电视的局限性，我们使用SSTV正则化同时考虑本地空间结构和相邻频带的频谱相关性。 模拟和真实数据实验均表明，与最新的电视规则化和基于LR的方法相比，所提出的SSTV-LRTF方法在HSI混合噪声去除方面具有出色的性能。

折叠凹惩罚法来完成张量

深度Q学习 在OpenAI Gym上测试了具有基本或双重q-learning训练算法的深度q-networn，对决q-network的实现。 先决条件 该项目是使用Python 3.5和Tensorflow（通过tensorflow-gpu 1.2.1测试）实现的。 可用的环境来自OpenAi Gym。 要安装健身房，请访问 。 要工作需要来自atari_wrappers.py 训练网络 使用train.py模块执行网络培训。 它要求将要学习的体育馆环境作为参数。 可选地，可以指定要使用的网络类型和学习算法。 可以使用--checkpoint参数提供网络权重，使用--training_info参数提供培训状态（例如，当前步骤，总步骤，体验重播缓冲区数据）从检查点重新开始培训。 通过使用--checkpoint_step，可以指定保存检查点的步骤数。 python train.py --

Jupyter文件，适用初学者，附带注释

86页最新视频监控解决方案.ppt