Simple_GAN：GAN：通过简单生成对抗网络生成高斯分布的示例

焦点频率损失 该存储库将提供以下论文的正式代码： 图像重建和合成的焦点频率损失，，和arXiv预印本，2020年。 摘要：由于生成模型的发展，图像重建和合成取得了显着进展。 但是，实际图像和生成的图像之间仍然存在间隙，尤其是在频域中。 在这项研究中，我们表明，在频域中缩小间隙可以进一步改善图像重建和合成质量。 我们提出了一种新颖的焦点频率损耗，它可以使模型自适应地关注那些难以通过对简单频率分量进行加权来合成的频率分量。 这个目标函数是对现有空间损耗的补充，由于神经网络的固有偏差，对重要频率信息的丢失提供了很大的阻抗。 我们展示了聚焦频率损失在感知质量和定量性能方面的多功能性和有效性，以改善诸如VAE，pix2pix和SPADE等流行模型。 我们还将在StyleGAN2上展示其潜力。 更新 [12/2020]焦点频率损失在arXiv上发布。 代码 该代码将公开提供。 敬请期待。 结果

西北工业大学网络与分布式复习提纲，自己总结并修改。

火车卷积神经网络-YOLO算法 在这个项目中，我将讨论YoloV3体系结构以及如何在自定义数据集上进行训练，我将逐步解释如何使用Darknet框架来实现它。 介绍 什么是物体检测？ 对象检测如何工作？ YOLO-您只看一次 YOLO v3。 网络架构 特征提取器 功能检测器 完整的网络架构 如何在自定义数据集上训练YOLOv3 资料准备 贴标 准备好文件进行培训 训练模型（Darknet框架） 使用自定义权重进行对象检测 介绍 什么是物体检测？ 对象检测是一种包含对象分类和对象本地化两个任务的技术。 它是经过训练可检测多种类别的对象的存在和位置的模型。 它可以用于静态图像，甚至可以实时用于视频。 来自图片 对象检测如何工作？ 对象检测找到对象并在其周围绘制一个边界框。 这是一种与计算机视觉和图像处理有关的计算机技术，用于自动驾驶汽车，面部识别，行人检测等。...最新的算法

《Network programming with Go 中英文双语对照》 Contents 目录 1. Architecture 架构 2. Overview of the Go language Go 语言概括 3. Socket-level Programming Socket 编程 4. Data serialisation 数据序列化 5. Application-Level Protocols 应用层协议 6. Managing character sets and encodings 管理字符编码 7. Security 安全 8. HTTP 9. Templates 模板 10. A Complete Web Server 一个完整的Web 服务 11. HTML 12. XML 13. Remote Procedure Call 远程过程调用 14. Network Channels 网络Channels 15. Web Sockets

SolarWinds Engineer ToolSet v9.1 . SolarWinds 工具集，网络监控工具，带keygen part2 (共有3部分，这是第二个压缩包，第一第三个请移步本人的资源目录)

iNet Network Scanner是一款Mac上的网络设备监视器，能够自动扫描和发现网络中的设备，显示出设备的 IP 地址、生产厂商、MAC 地址等，支持网络设备、Bonjour服务、Airport等 iNet Network Scanner为您提供有关您Mac网络和您的Mac连接到设备的所有信息，易于使用和完美贴心的设计甚至可以让没有经验的用户得到一个网络的深刻理解和概述，对正在运行的服务和无线网络连接的质量做出报告。

R-Studio Network是一款数据回复软件，功能非常全面，具体功能老殁就不说了，反正就是NTFS、NTFS5、ReFS、FAT12/16/32、exFAT、HFS/HFS+（Macintosh）、UFS1/UFS2等等的事，说多了你也不一定懂，总之就一句话，数据恢复用R-Studio Network是可以的。亲测绝对可以使用！

计算机网络 第5版 原版课后答案 ([美]特南鲍姆 [美]韦瑟罗尔)

在Tensorflow上使用神经网络（SSD）进行实时手检测。 此仓库记录了用于使用Tensorflow（Object Detection API）训练手持探测器的步骤和脚本。 与任何基于DNN的任务一样，过程中最昂贵（也是最危险）的部分与查找或创建正确的（带注释）数据集有关。 我主要对检测桌子上的手感兴趣（以自我为中心的观点）。 我首先用了实验（结果不好）。 然后，我尝试了，该非常适合我的要求。 此回购/发布的目的是演示如何将神经网络应用于跟踪手（以自我为中心的视图和其他视图）的（困难）问题。 更好的是，提供可以适应其他用例的代码。 如果您在研究或项目中使用本教程或模型，请引用 。