用于代码折叠 Github 代码的 Chrome 扩展 仅适用于使用 2 个空格缩进的代码。 扩展可以在这里找到： :

tayo_repo 这是为了练习和管理我的代码

半监督文本分类的对抗训练方法 规范 此代码重现用 。 设置环境 请安装和 。 您可以使用此轻松设置环境。 下载预训练模型 请下载预先训练的模型。 $ wget http://sato-motoki.com/research/vat/imdb_pretrained_lm.model 结果 模型 错误率 基线 7.39 基准（我们的代码） 6.62 对抗性 6.21 对抗训练（我们的代码） 6.35 虚拟对抗训练 6.40 虚拟对抗训练 5.91 虚拟对抗训练（我们的代码） 5.82 跑 预训练 $ python -u pretrain.py -g 0 --layer

我们已经更改了存储库，现在可以在找到PackNet-SfM

MEAN.JS 是一个全栈 JavaScript 开源解决方案，它为基于 、 、 和的应用程序提供了一个坚实的起点。 这个想法是通过连接这些框架来解决常见问题，构建一个强大的框架来支持日常开发需求，并帮助开发人员在使用流行的 JavaScript 组件时使用更好的实践。 在你开始之前 在开始之前，我们建议您阅读有关组装 MEAN.JS 应用程序的基本构建块的信息： MongoDB - 浏览并继续阅读他们的，这应该可以帮助您更好地了解 NoSQL 和 MongoDB。 Express - 了解 express 的最佳方式是通过其，该有指南，以及一般 Express 主题的指南。 您还可以通过此获取更多资源。 AngularJS - Angular 的是一个很好的起点。 您还可以使用Thinkster 流行指南和Egghead 视频。 Node.js - 首先浏览Node.js 官方

心电图分类 该代码包含一种基于多个支持向量机（SVM）的自动分类心电图（ECG）方法的实现。 该方法依赖于随后的搏动及其形态之间的时间间隔来进行ECG表征。 使用基于小波，局部二进制模式（LBP），高阶统计量（HOS）和几个幅度值的不同描述符。 有关详细说明，请参见以下文章： : 如果您在出版物中使用此代码，请引用为： @article{MONDEJARGUERRA201941, author = {Mond{\'{e}}jar-Guerra, V and Novo, J and Rouco, J and Penedo, M G and Ortega, M}, doi = {https://doi.org/10.1016/j.bspc.2018.08.007}, issn = {1746-8094}, journal = {Biomedical Signal Processing and Control}, pages = {41--48}, title = {{Heartbeat classification fusing temporal and morphologica

工作坊及讲座 DSC McMaster主持的技术研讨会和讲座的资源和代码。 如果您正在寻找研讨会/谈话录音，请在我们的上找到它们。 目的 为了为研讨会和讲座创建不断增长的资源和文档。 拥护开源文化并允许团队参与帮助开发研讨会的内容和课程。 允许人们为研讨会和讲座做出贡献，而无需主持人。 习惯GitHub并做出贡献，帮助教学生行业软件开发工作流程 贡献 Workshop＆Talks团队成员将是此存储库的主要贡献者。 一旦您成为正在特定研讨会上的团队的一员，研讨会的主持人将与他们的团队合作，为研讨会/讲座开发内容。 成员将处理GitHub问题，并根据分配的内容提交拉取请求。 指导方针 每个研讨会/讲座都应该有一个单独的文件夹，并在其中创建README文件，以作为该主题的指南。 请参阅文件文件夹作为示例 如果有意义的话，或者如果讲习班是系列的一部分，则可以将指南分成子文件夹中的独立REA

分形网络的盒子覆盖算法 该存储库包含几种盒覆盖算法，这些算法旨在估计复杂网络的分形维数。 它们在包装盒中体现。 实施算法 类型 算法 亚伯 年 参考 经典 随机顺序 RS 2007年 经典 贪婪的着色 GC 2007年 燃烧着 紧凑盒燃烧 CBB 2007年 燃烧着 最大排除的大规模燃烧 记忆卡 2007年 燃烧着 排除质量与紧密度中心的比率 REMCC 2016年 燃烧着 MCWR算法 压水堆 2019年 经典 合并算法 嘛 2010年 元启发式 模拟退火算法 南非 2010年 其他 重叠盒覆盖算法 欧巴 2014年 元启发式 差异进化 德 2014年 其他 模糊盒盖 模糊 2014年 元启发式 粒子群优化盒覆盖算法 粒子群算法 2015年 该存储库由布达佩斯技术与经济大学（BME）随机经济系的Marcell Nagy和PéterKovács开发。 我们感

ds招聘 包含有关DataSift招聘任务的支持代码 stream_generator 生成用于“持久缓冲区-第1部分”采访挑战的多部分zeromq消息的工具 流浪文件 Vagrant配置文件可用于构建新的VM以用于面试挑战，可从以下位置获取Vagrant本身： :

用于图像动画的一阶运动模型 该存储库包含Aliaksandr Siarohin， ， ， 和的论文的源代码。 动画示例 左侧的视频显示了驾驶视频。 每个数据集右侧的第一行显示了源视频。 最下面的行包含动画序列，这些动画具有从驾驶视频传输的运动和从源图像获取的对象。 我们为每个任务训练了一个单独的网络。 VoxCeleb数据集 时尚数据集 MGIF数据集 安装 我们支持python3 。 要安装依赖项，请运行： pip install -r requirements.txt YAML配置 每个dataset都有几个配置文件（ config/dataset_name.yaml ）。 请参阅c