包括灰度图像和彩色图像的处理，只需要输入图像文件名就可以运行。

用于自然语言处理的神经网络模型入门。 在过去几年中，神经网络重新成为强大的机器学习模型，得到在诸如图像识别和语音状态的最先进的结果处理。最近，神经网络模型也开始应用于文本，自然语言信号，再次取得了非常有希望的结果。本教程调查神经从自然语言处理研究的角度出发，试图网机型带来自然语言的研究人员加快速度与神经技术。本教程涵盖自然语言任务的输入编码、前馈网络、卷积网络、循环网络和递归网络，以及的计算图用于自动梯度计算抽象。

matlab中的GM模型代码CTseg：脑部CT分割，标准化，颅骨剥离和总脑/颅内体积计算 概述 这是用于对计算机断层扫描（CT）脑部扫描进行分割和空间归一化的算法。 该模型是流行的统一分割例程（SPM12软件的一部分）的扩展，具有：改进的配准，高斯混合模型参数的先验知识，从MRI和CT（更多类）中学习的地图集。 这些改进导致了更强大的分割程序，该程序可以更好地处理具有大量噪声和/或较大形态变异性的图像（请参见上图）。 该算法可以产生以下的原始|经调制的空间分段： 灰质（GM） 白质（WM） 脑脊液（CSF） 骷髅头（骨） 软组织（ST） 背景（BG） 该实现是在MATLAB中完成的，并且取决于SPM12软件包（及其MB工具箱）。 如果您发现该代码很有用，请考虑引用“参考”部分中的出版物。 更多详细信息 CTseg的输入应作为NIfTI文件（ .nii ）提供。 所得组织分割的格式与SPM12分割例程的输出格式相同（ c* ， wc* ， mwc* ）。 归一化的分割（ wc* ， mwc* ）在MNI空间中。 默认情况下，将生成输入图像的不ss_骨的版本（将ss_前缀为原始文件名）。

用C语言写的旋转方阵，我的旋转方阵是逆时针的，用递归写的

计算相关勒让德多项式的精确导数可能很棘手。 即使在高级文本中，它们通常也被写成递归关系和/或包含阶乘的（归一化）因子。 因此，一个简单的软件实现将很快遇到 IEEE754 双精度的限制，导致 NaN/inf 或显着的精度损失，已经在非常低的 N 度。 LEGENDRE_DERIVATIVE 是导数计算的完全矢量化、数值稳定且经过稳健验证的实现。 它允许快速准确地计算任何 N 次的导数。 它的工作原理与 MATLAB 自己的 LEGENDRE 相同，不同之处在于它不计算多项式值，而是计算导数的值。

对于矩阵，向量的一个归一化小程序。很简单。能归到0~1的区间之内。 对于矩阵，向量的一个归一化小程序。很简单。能归到0~1的区间之内。

javascript递归形成树形结构

java递归形成树形结构

无规范化网络和SGD的Tensorflow实现-自适应梯度剪切 论文： : 原始代码： : 安装及使用 我建议使用Docker运行代码： docker build -t nfnets/imagenet:latest --build-arg USER_ID=$(id -u) --build-arg GROUP_ID=$(id -g) . 要在imagenet数据集上训练NFNet，请执行以下操作： docker run --rm -it --gpus all -v $(pwd):/tf -p 8889:8888 -p 6006:6006 nfnets/imagenet:latest python train.py --variant F0 --batch_size 4096 --num_epochs 360 请参阅train.py模块以获取更多参数。 预先训练的权重已转换为

基于知识图谱的医疗诊断知识问答系统 环境 python 3.7 tensorflow 1.14.0 keras 2.2.0 bert4keras 0.10.0 gensim 3.8.3 pyahocorasick 1.4.0 后期计划 系列视频持续更新中……，后期代码也将一并上传 本项目系列视频大纲如下，最后可能会有细微差别，影响不大