TriDNR 三方深度网络表示形式，发布于IJCAI 2016：1895-1901。 这些代码实现了TriDNR算法，该算法学习网络中每个节点的连续表示。 TriDNR从三个角度使用信息，包括节点结构，节点内容和节点标签（如果有），以共同学习最佳节点表示形式 该代码是使用gensim和DeepWalk软件包在Python中开发的。 所有必需的软件包都在requirements.txt中定义。 要安装所有要求，只需使用以下命令： pip install -r requirements.txt “ demo.py”中提供了一个演示，该演示运行并比较了几种算法 关于数据集：本文中有两个网络数据集，即DBLP和Citeseer-M10。 每个数据集包含3个文件： 1. docs.txt : title information of each node in a network, each

Gluon CV工具包 | | | | GluonCV提供了计算机视觉中最先进的（SOTA）深度学习模型的实现。 它是为工程师，研究人员和学生设计的，用于基于这些模型快速制作原型产品和研究思路。 该工具包提供四个主要功能： 训练脚本以重现研究论文中报告的SOTA结果 同时支持PyTorch和MXNet 大量的预训练模型 精心设计的API，可大大降低实施复杂性 社区支持 演示版 在或检查高清视频。 支持的应用 应用 插图 可用型号 识别图像中的物体。 50多个模型，包括 ， ， ， ，... 用它们的检测多个对象图像中的边界框。 ， ， 关联图像的每个像素带有分类标签。 ， ， ， ， ， ， 检测物体并关联对象区域内的每个像素都有一个实例标签。 检测人体姿势从图像。 认识人类的行为在视频中。 MXNet： ， ， ， ， ， ， ，， PyTorch： ， ， ， ，， ， ， 预测深度图从图像。 生成视觉欺骗性图像 ， ， 重新识别场景中的行人 安装 GluonCV构建在MXNe

In matlab, the optimization process based on BP neural network combined with genetic algorithm includes the problem description of text documents.

出版社：Springer 作者：Raymond W. Yeung 书名：Information Theory and Network Coding

大学生社会网络与健康知识调查数据

MSDN的使用技巧，MSDN（Microsoft Developer Network）,是使用微软开发工具进行开发所必备的参考资料，它是十分全面的联机帮助文档，包含了微软最新的软件编程技术，有MFC的全部内容，并对每个函数、类都做了充分详细的解释。

神经网络实现mppt控制

IPV6 在LINUX中开发介绍.包括:IPV6 历史,包格式, 配置,各种有关协议及开发要点

D2D网络毫米波频段 此MATLAB代码在毫米波波段（@ 28 GHz）的信号干扰加噪声比（SINR）覆盖概率上模拟了PPP无线通信，概率为prob [SINR> T]。 网络元素是基于Poisson点过程（PPP）分布进行分布的。 网络元素是： 1- D2D发射机（干扰）2-障碍物（障碍物的长度，宽度和方向基于均匀分布生成）3-参考接收机位于原点o（0,0） 衡量参考用户的表现， 基于Slyvniak定理，它可以测量整个网络的性能。 为了使噪声平均，重复进行3000次迭代模拟。 网络的分析公式和详细信息可以在[1]毫米波波段的设备到设备通信中找到： ：

Heterogeneous Information Network 传统的同构图（Homogeneous Graph）中只存在一种类型的节点和边，当图中的节点和边存在多种类型和各种复杂的关系时，再采用Homo的处理方式就不太可行了。这个时候不同类型的节点具有不同的特征，其特征可能落在不同的特征空间中，如果仍然共享网络参数、同样维度的特征空间，又或者尝试将异构图映射到同构图中，根本无法学习到“异构”的关键，即无法探索到不同节点之间，监督标签之间的联系，而这又是十分重要的。 如上图著名的异构例子，学术网络图，它包含“论文”paper、“作者”author、“会议”venue和“机构”org等节点类