VesselSeg-Pytorch ：基于pytorch的视网膜血管分割工具包 介绍 该项目是基于python和pytorch框架的视网膜血管分割代码，包括数据预处理，模型训练和测试，可视化等。该项目适合研究视网膜血管分割的研究人员。 要求 python环境的主要包和版本如下 # Name Version python 3.7.9 pytorch 1.7.0 torchvision 0.8.0 cudatoolkit 10.2.89 cudnn 7.6.5

Keras_bearing_fault_diagnosis 基于CNN的轴承故障识别 1.简介 本科毕设，基于凯斯西储大学公开轴承数据集建立的CNN轴承故障识别模型。 记录相关过程的博客： 数据集： 2.环境 Windows+anaconda 3.框架 Keras 4.依赖 tensorflow;keras;numpy;scipy;os;sklearn;matplotlib 5.说明 cnn_1D.py 构建基础的CNN模型 lstm_diagnosis.py 构建基础的LSTM模型 cnn_diagnosis 论文代码 cnn_valid.py 测试不同全连接层数、卷积层数选择最优模型 preprocess.py 数据预处理（预处理代码来自 ） images文件夹 保存模型流程图； data文件夹 保存数据集； logs文件夹 保存日志

ModelViewer OSG读取模型的顶点、法向量、纹理坐标并用随机颜色绘制出来 简介 此程序是在使用OSG的过程中，需要获取模型的顶点、法向、纹理坐标等信息，然后使用不同的颜色绘制出来，以区别不同模型。为了知道模型的名称，在模型的周围增加了模型的名称显示。效果如下： 有关OSG中，怎么读取模型的坐标、纹理、法向量等信息，在我的博客中有详细的介绍，有兴趣的可以看看：

Facenet：人脸识别模型在Keras当中的实现 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 accuracy CASIA-WebFace LFW 160x160 97.86% CASIA-WebFace LFW 160x160 99.02% 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 文件下载 已经训练好的facenet_mobilenet.h5和facenet_inception_resnetv1.h5可以在百度网盘下载。 链接: 提取码: tj5r 训练用的CASIA-WebFaces数据集以及评估用的LFW数据集可以在百度网盘下载。 链接: 提取码: gkch 预测步骤 a、使用预训练权重 下载完库后解压，在model_data文件夹里已经有了facenet_mobilenet.h5，可直接运行predict.py

StudentsSys javaweb学生信息管理系统 总的来说整个项目通过Maven来管理jar包，实现了学生信息管理系统的登录，增删改查等基本操作，然后不喜写css样式，页面有点丑，但是代码中的逻辑基本正确。博客地址：

Facial-Expression-Recognition Facial-Expression-Recognition 深度学习构建人脸面部表情识别系统

该存储库包含tensorflow的自定义构建。 要在您的系统上安装其中之一，请根据您的python和gcc版本下载正确的文件，然后运行以下命令。 pip install --ignore-installed --upgrade /path/to/binary.whl --user 您也可以使用以下方法直接从github安装 pip install --ignore-installed --upgrade "Download URL" --user 通过将--config=opt传递给bazel并设置-O2 -Wno-sign-compare来编译所有二进制文件，以及配置脚本中的功能标志。 最新版本 TF 硬件 作业系统 海湾合作委员会 Python 技术支持 2.4.1 中央处理器 Ubuntu的20.04 9.3.0 3.8.5 FMA，AVX，AVX2，SSE4.1，S

论文题目：基于卷积神经网络的轴承故障诊断算法研究_张伟 main为wdcnn卷积神经网络主文件，运行它就可以得出结果 preprocess为预处理文件，主要实现制作数据集的功能 日志文件保存在logs里面，通过启动tensorboard查看 wdcnn.png为卷积神经网络的结构图像 我只实现了第三章的内容，剩下的没有做

word-export SpringBoot项目实现导出word的两种方式： 1.SpringBoot + poi-tl 根据word模板动态生成word（文本、动态行表格、循环列表下的动态行表格、合并单元格） 2.SpringBoot + easypoi 根据word模板动态生成word（文本、表格、图片）

BayesSpam python实现基于贝叶斯的简单垃圾邮件分类 在400封邮件（正常邮件与垃圾邮件各一半）的测试集中测试结果为分类准确率95.15%，在仅仅统计词频计算概率的情况下，分类结果还是相当不错的。 1、准备工作 python3.4开发环境； 结巴分词工具： 2、贝叶斯公式 我们要做的是计算在已知词向量$w=(w_1,w_2,...,w_n)$的条件下求包含该词向量邮件是否为垃圾邮件的概率，即求： $P(s|w),w=(w_1,w_2,...,w_n)$ 其中，$s$表示分类为垃圾邮件 根据贝叶斯公式和全概率公式， $P(s|w_1,w_2,...,w_n)$ $=\frac {P(s,w_1,w_2,...,w_n)}{P(w_1,w_2,...,w_n)}$ $=\frac {P(w_1,w_2,...,w_n|s)P(s)}{P(w_1,w_2,...,w_n)}$ $=\