iChallenge-PM是百度大脑和中山大学中山眼科中心联合举办的iChallenge比赛中，提供的关于病理性近视（Pathologic Myopia，PM）的医疗类数据集，包括如下三个文件： training.zip：包含训练中的图片和标签 validation.zip：包含验证集的图片 valid_gt.zip：包含验证集的标签

使用NCCL进行多GPU深度学习训练，其中涉及多机多卡，单机多卡等技术。 Optimized inter-GPU communication for DL and HPC Optimized for all NVIDIA platforms, most OEMs and Cloud Scales to 100s of GPUs, targeting 10,000s in the near future. Aims at covering all communication needs for multi-GPU computing. Only relies on CUDA. No dependency on MPI or any parallel environment.

UCD3138开发例程，在CCS环境开发，配合TI官方视频教程，可快速上手UCD系列电源开发芯片，稀缺资源，帮助大家开发符合自己控制思路的电源设备

检索结果导出，方便使用 选择导出方式及格式 * Output 导出题录信息至参考文献管理软件 直接生成标准格式的参考文献列表，用于写作 可以批量处理、打印 通过邮件将文章推荐给其他人

VISSIM 7.0 培训材料，配套的例子比较大不方便上传，有需要的可以给我发站内信。 另外包括： VISSIM Specialized Applications Training Manual Vissim Signal Control & VAP Training Manual

Amazon SageMaker 自定义训练容器 此文件夹包含与 Amazon SageMaker 兼容的训练容器的骨架实现。 这些示例的目的是解释如何构建用于训练的自定义容器，相关重点是 Amazon SageMaker Training Toolkit，该工具包可促进 SageMaker 训练容器的开发，并支持从 Amazon S3 动态加载用户脚本，从而将执行环境（Docker 容器）与正在执行的脚本分开。 有关其他信息，请参阅： : 。 出于目的，在此上下文中没有应用特定的 ML 科学，并且代码正在模拟训练虚拟模型。 每个示例的结构如下： example └───docker # Dockerfile and dependencies └───notebook # Notebook with detailed walkthrough └───script

路面定义 变量名称 物理意义 X-Y Coordinates of Centerline 路面中心线X-Y坐标 Centerline elevation: Z vs. S 路面中心线Z坐标，Z和路程的关系曲线 Off-center elevation: dZ vs. S,L 路面横断面高度定义，在指定路程，指定侧向位置，相对中心线的高度 Friction:Mu vs. S,L 摩擦系数的定义，在指定路面、指定侧向位置的摩擦系数 Road: Roughness Profile 粗糙度轮廓，用于平顺性仿真各级路面定义 Rolling Resistance 滚动阻力系数，1.0：光滑的混凝土路面，1.5：泊油路 Animator Shapes 路面动画显示 Height of vehicle shadows 车辆影子高度 Other shapes 场景的定义：天空、树林、桩等

keysight的培训，对于入门systemvue建模雷达非常有用。内容包括简单雷达建模，线性调频雷达建模，杂波的影响，以及简单电子战场景。

协同训练是半监督的一个很好的范例，它要求用两个特征视图来描述数据集。 许多协同训练算法都有一个显着的特征：应以高置信度预测所选的未标记实例，因为高置信度得分通常表示相应的预测是正确的。 不幸的是，使用这些高置信度未标记实例并不总是能够提高分类性能。 本文提出了一种新的半监督学习算法，结合了联合训练和主动学习的优点。 该算法根据高置信度和最近邻两个准则应用协同训练来选择最可靠的实例，以提高分类器的性能，并利用具有人类注释能力的信息量最大的实例来提高分类性能。 在几个UCI数据集和自然语言处理任务上进行的实验表明，我们的方法在牺牲相同的人工量的情况下实现了更显着的改进。

MIT SVM 资料.里面有一个人脸识别的应用。