学习 eo-learn使从卫星图像中提取有价值的信息变得容易。 通过哥白尼和Landsat计划获得的开放地球观测（EO）数据对于许多EO应用来说都是空前的资源，包括海洋和土地使用，土地覆盖监测，灾难控制，紧急服务和人道主义救济。 考虑到在高重访频率下的大量高空间分辨率数据，需要能够自动提取此类时空数据中复杂模式的技术。 eo-learn是开源Python软件包的集合，这些软件包已经开发出来，可以及时，自动地无缝访问和处理任何卫星机队获取的时空图像序列。 eo-learn易于使用，模块化设计并鼓励协作-在典型的EO值提取工作流程中共享和重用特定任务，例如云遮罩，图像共注册，特征提取，分类等。

视觉推理的自然语言 该存储库包含 （Suhr等人2017）和 （Suhr和Zhou等人2018）的数据。 视觉推理自然语言语料库的任务是确定关于视觉输入（如图像）的句子是否正确。 该任务的重点是关于对象集，比较和空间关系的推理。 这包括两个数据集：具有合成生成图像的NLVR和包括自然照片的NLVR2。 有关示例和页首横幅，请参见网页： ： 如有疑问，请使用“问题”页面，或直接给我们发送电子邮件： 发牌 NLVR（包含合成图像的原始数据集; Suhr等人2017） 继Microsoft COCO（ ）之后，我们根据CC-BY-4.0（ ）许可了NLVR数据集（合成生成的图像，结构化表示和注释） ）。 NLVR2（具有真实图像的数据集，Suhr和Zhou等人，2018年） 我们已在CC-BY-4.0（ ）下许可了NLVR2图像的注释（句子和二进制标签）。 我们不授权NL

[BOOK] Optimization for Machine Learning 本书主要介绍机器学习中的优化问题，是不可多得的机器学习进阶算法，受到百度首席科学家余凯和Andrew的大力推荐。

深度强化学习课程 探索神经网络和强化学习的结合。 Python和PyTorch中的算法和示例 您是否听说过和的取得了惊人的结果？ 这都是关于深度神经网络和强化学习的。 您是否想了解更多？ 这是您最终学习Deep RL并将其用于新的令人兴奋的项目和应用程序的正确机会。 在这里，您将找到这些算法的深入介绍。 您将学习q学习，q学习，PPO，演员评论家，并使用Python和PyTorch实施它们。 最终目的是使用这些通用技术并将其应用于各种重要的现实世界问题。 德米斯·哈萨比斯（Demis Hassabis） 该存储库包含： 主要来自DeepMind和Berkley Youtube的频道的讲

Machine Learning（英文电子版Machine Learning（英文电子版Machine Learning（英文电子版Machine Learning（英文电子版

快速人工神经网络库FANN快速人工神经网络（FANN）库是一个免费的开源神经网络库，它在C中实现了多层人工神经网络，同时支持快速人工神经网络库FANN。一个免费的开源神经网络库，该库在C语言中实现了多层人工神经网络，同时支持完全连接和稀疏连接的网络。 支持定点和浮点的跨平台执行。 它包括一个易于处理培训数据集的框架。 它易于使用，用途广泛，有据可查且快速。 绑定到超过15个程序分钟

模仿学习 该存储库提供了论文的Tensorflow实现。 您可以找到经过预训练的网络。 当前的存储库添加了Tensorflow培训代码。 本文中的设置只有几处更改： 我们训练的步数更少（我们执行190k步，本文执行450k步），但这是可配置的。 控制器的分支遵循训练数据的顺序。 我们对输出采用不同的权重超参数（转向，汽油，刹车，速度），因为本文中建议的超参数对我们不起作用。 设置 该存储库使用docker映像。 为了使用它，请安装 。 要生成图像，请使用： docker build --build-arg base_image=tensorflow/tensorflow:1.12.0-gpu -t imit-learn . 如果仅需要CPU映像，请base_image=tensorflow/tensorflow:1.12.0-gpu 。 到目前为止，我们仅使用tensorf

Graph Representation Learning

The Compiler Design Handbook Optimizations and machine code generation

Proficy Machine Edition 是一个包含若干软件产品的环境。其中每个软件产品都是独立的。但 是，每个产品在相同的环境运行。这与 介绍了关于Proficy-Machine-Edition软件的使用说明的详细说明，提供PLC编程的技术资料的下载。