PyTextGCN 对TextGCN的重新实现。 此实现使用Cython进行文本到图形的转换，因此速度相当快。 图形和GCN基于库。 要求 该项目的构建具有： 的Python 3.8.5 Cython 0.29.21 CUDA 10.2（GPU支持可选） scikit学习0.23.2 pytorch 1.7.0 火炬几何1.6.3 海湾合作委员会9.3.0 nltk 3.5 scipy 1.5.2 至少Text2Graph模块也应该与这些库的其他版本一起使用。 安装 cython编译可以从项目的根目录执行： cd textgcn/lib/clib && python setup.py build_ext --inplace 用法 要从称为X的字符串列表（每个字符串包含一个文档的文本）中计算出图形，请创建名为y的标签列表以及测试索引test_idx的列表，只需运行：

mininet-wifi 作者著书，完整版，235页 花了60大洋买amazon电子书，的没有书签

网络安全书籍,很不错的。国外最新的电子版，英文，pdf格式。

神经元 并行神经网络微框架。 在阅读论文。 特征 任意形状和大小的密集、完全连接的神经网络 具有均方误差成本函数的反向传播 基于数据的并行性 几个激活函数 支持 32、64 和 128 位浮点数 入门 获取代码： git clone https://github.com/modern-fortran/neural-fortran cd neural-fortran 依赖项： Fortran 2018 兼容编译器 OpenCoarrays（可选，用于并行执行，仅限 GFortran） BLAS、MKL（可选） 使用 fpm 构建 以串行模式构建 fpm build --flag "-cpp -O3 -ffast-math fcoarray=single" 以并行模式构建 如果您使用 GFortran 并希望并行运行神经 fortran，则必须首先安装OpenCoarray

PyTorch + Catalyst实现的“ 。 该存储库处理培训过程。 为了进行推断，请检出GUI包装器：PyQT中的 。 该储存库已与合并为。 目录 要求 计算方式 我们在1050 Mobile和Tesla V100的两个GPU上运行了该程序。 我们没有进行任何基准测试，但是V100的速度大约提高了400倍。 它还取决于您下载的数据量。 因此，任何服务器级GPU都是可行的。 贮存 该程序确实会生成很多文件（下载和其他方式）。 每个音频文件的大小为96kiB。 对于7k独特的音频剪辑，并以70/30的比例进行火车和验证拆分，它占用了约120GiB的存储空间。 因此，如果您下载更多音频片段，则至少为1TB 。 记忆 至少需要4GB VRAM 。 它可以处理2个批处理大小。在20个批处理大小下，在两个GPU上，每个GPU占用16GiB VRAM。 设置 如果您使用的是Docker，则

yolo配置cfg文件和权重weights

OmniNet：用于多模式多任务学习的统一架构 OmniNet是用于多模式多任务学习的Transformer体系结构的统一和扩展版本。 单个OmniNet体系结构可以对几乎任何现实领域（文本，图像，视频）的多个输入进行编码，并能够跨多种任务进行异步多任务学习。 OmniNet体系结构包含多个称为神经外围设备的子网，用于将特定于域的输入编码为时空表示形式，并连接到称为中央神经处理器（CNP）的通用中央神经网络。 CNP实现了基于变压器的通用时空编码器和多任务解码器。 该存储库包含用于的官方Pytorch实施（Pramanik等）。 本文演示了OmniNet的一个实例，该实例经过联合训练以执行

版本 ： 73.0.0 Unity 要求 ：2021.3.17或更高 文件大小：5.6 MB 修改： 1. Writer/Reader 支持 DataTime 2. NetworkRoomManager.ReadyStatusChange为虚方法 3. 可以为 pos/rot/scale 禁用NetworkTransform插值 4.NetworkBehaviour SyncVar 使用 netId 查找 解决： 1. 禁用或重新加载时，NetworkLoop不再添加两次 2. network 消息使用静态遍历 NetworkMessageId 和 ushort Id 3. Weaver 为 RPC 预计算哈希函数 4. NetworkWriter.MaxStringLength 更改为 ushort.MaxValue 5. 在 ExponentialMovingAverage 中使用 NetworkTime.PingWindowSize，从10改为6

PyRecognizer 一个简单的人脸识别引擎 火车/预测视频指南 模型为一些名人调整 以下列表包含名人的姓名和用于训练的照片数，按照片数排序 名人名单George_W_Bush 530 Colin_Powell 236 Tony_Blair 144 Donald_Rumsfeld 121 Gerhard_Schroeder 109 Ariel_Sharon 77 Hugo_Chavez 71 Junichiro_Koizumi 60 Jean_Chretien 55 John_Ashcroft 53 Serena_Williams 52 Jacques_Chira

角膜外科医生 一个用于在经过训练的Keras模型上进行网络手术的库。 对于深度神经网络修剪很有用。 Keras外科医生提供了简单的方法来修改训练有素的模型。 当前实现了以下功能： 从图层中删除神经元/通道 删除图层 插入图层 替换图层 Keras-Surgeon与任何模型架构兼容。 一次遍历网络可以修改任意数量的层。 这些修改有时被称为网络手术，这激发了该软件包的名称。 背景 这个项目的动机是我对深度学习的兴趣以及对尝试使用研究文献中已经了解的一些修剪方法进行试验的愿望。 我创建此程序包是因为找不到从Keras模型中修剪神经元的简单方法。 希望对其他人有用。 安装 使用pip从安装Keras-Surgeon。 pip install kerassurgeon 如果您要安装示例的依赖项，请执行以下操作： pip install kerassurgeon[examples] 它