计算机软件-编程源码-VC60中文版类库参考手册(下).zip

关于虚拟机创建双机实验文档

怎么这么费事 啊？整个东西这么费事，什么东西啊？不会这样的吧？一边呆着去，什么王章啊

关于单片机控制步进电机的中英文翻译__外文翻译、外文文献翻译

本工具用Netbeans基于JAVA实现了DES的文本及文件加解密，这个过程没有调用JAVA本身自带的DES类库，而是自己编写的，所以有兴趣的可以阅读其源源代码；还实现了Caesar的加解密功能，当然这个比较简单。本工具有完整的GUI，便于使用。

采用夏皮罗一威尔克 (Shapiro-Wilk test）检验法对评分一致性进行检验，并利用此 检验法对每个评委的公平性进行评价。为了验证其可行性，给出了具体的模拟数据进行 分析和运算，达到了较好的效果。 由于每个评委看待问题的角度不同，个人观念也有差异，所以不同评委对同一份答 卷评的分数有高有低，可能出现“不公平”及尺度偏差等问题。在处理这些数据时，充分 考虑了评委的差异，给评委打的分数乘上一个系数，构造出了最终的分数调整计算公式， 根据实际情况，利用回归方程和最小二乘法确定系数的大小。通过构造具体的例子说明 此方法确实可行。

关于“云计算”及其未来应用的展望.pdf

感觉这个题目跟我们切实的生活紧密联系。有待研究

相比于2018年，在ICLR2019提交论文中，提及不同框架的论文数量发生了极大变化，网友发现，提及tensorflow的论文数量从2018年的228篇略微提升到了266篇，keras从42提升到56，但是pytorch的数量从87篇提升到了252篇。 TensorFlow: 228—>266 Keras: 42—>56 Pytorch: 87—>252 在使用pytorch中，自己有一些思考，如下： 1. loss计算和反向传播 import torch.nn as nn criterion = nn.MSELoss().cuda() output = model(input) loss

情感文本转语音的深度学习 关于我们尝试使用深度学习方法进行情感文字转语音的摘要 内容 数据集 数据集 演讲人数 情绪化 话语数量 不重复提示数 期间 语言 评论 优点 缺点 24（12女，12男） 8（镇静，中立，快乐，悲伤，愤怒，恐惧，惊喜和恶心） 1440 2个 约1小时 英语 每个说话者都有4种表达中性情绪的声音，而8种说话则包含所有其他情绪的声音，因此每个说话者有60种言语 容易获得 包含的情绪很容易解释 话语非常有限 词汇不佳 用不同的声音说出相同的话 5（3男，2女） 5（中立，逗乐，生气困，厌恶） 6914（1568、1315、1293、1720、1018） 1150 约7小时 英文，法文（1名男性） 尝试大型语料库进行情感表达 逗乐的情绪包含非语言提示，例如咯咯笑等，这些提示不会显示在笔录中 同样，困倦也有打哈欠的声音。 我们免费提供的唯一大规模情感语料