本书作者给的代码实现中包含了很多类，所以理解起来有点困难。并且因为作者给的代码不能直接运行（编译会报错），我重新按照作者的结构实现了一下，不过去掉了Point3D这个类，所有三维的点都用Vector3D表示。输出的图像为PPM格式，代码运行环境为Archlinux，没在windows环境下测试过。

肺实例分割工作流程 （使用Keras和Ray Tune的U-Net / Mask R-CNN工作流程进行实例细分） 肺部实例分割工作流程使用通过模型从图像中预测肺罩。 运行工作流程 使用命令git clone cd进入lung-instance-segmentation-workflow目录 [可选]如果要添加自己的Docker映像，请转至workflow.py文件并在以下位置更改映像 unet_wf_cont = Container ( "unet_wf" , Container . DOCKER , image = "docker://vedularaghu/unet_wf:latest" ) 部分，指向您的docker映像的链接 使用命令python3 w

WebGL2光线跟踪-浏览器中的“实时”光线跟踪 这是用opengl片段着色器编写的相当基本的（当前是概念证明）射线追踪器。 Shader由使用javascript（或原型目录中的C ++）编写的渲染器托管。 实时版本应该可以 在查看页面之前，我建议： 您拥有一块不错的图形卡-NVidia GTX 950以上的任何部件都足够 使用chrome或其他快速浏览器（至少需要WebGL2支持，firefox可以运行，但是速度较慢） 保存您的工作，并关闭所有已经打开的视频/游戏 现状/下一步 我认为这可能有用，但主要是我学习这些概念的副作用。 如果愿意，请观看此空间，但我不希望对此有快速的发展。 一般TODO清单： 代码有点混乱，需要整体整理 需要实现折射（在当前“透明度”计算中改变射线的方向） 需要重新构建着色器界面，当前每个图元浪费了约12个float，并且在编译着色器之前不检查着

本文论述了编码孔径成像的基本原理.讨论了孔径编码的方法和相机的制作,侧重于均匀冗余阵列(URA)的编码技术.介绍了编码孔径图像的光学处理和数字处理的研究成果.给出了实验和实际应用的结果.

类激活图 通过可视化对于这些模型的预测（或视觉解释）“重要”的输入区域，可以使基于卷积神经网络（CNN）的模型更加透明的技术。 使用VinBigData图像和Inception架构的示例

ray 系统 with j 1.4.1

Concentrating on the "nuts and bolts" of writing ray tracing programs, this new and revised edition emphasizes practical and implementation issues and takes the reader through all the details needed to write a modern rendering system. Most importantly, Realistic Ray Tracing adds many C++ code segments, and adds new details to provide the reader with a better intuitive understanding of ray tracing algorithms.

书中所有示例代码的文件，涵盖摄像机，光源，阴影，BRDF等实现

V ray for sketchup渲染参数

用于Apache Spark / Flink和Ray上的分布式TensorFlow，Keras和PyTorch的统一数据分析和AI平台 什么是Analytics Zoo？ Analytics Zoo无缝地将TensorFlow，Keras和PyTorch扩展到分布式大数据（使用Spark，Flink和Ray）。 用于将AI模型（TensorFlow，PyTorch，OpenVINO等）应用于分布式大数据的端到端管道 使用Spark代码内联编写或以进行分布式训练和推理。 管道中的本机深度学习（TensorFlow / Keras / PyTorch / BigDL）支持。 通过RayOn