素食主义者 一个库，可以轻松地在PyTorch中训练各种现有的GAN（生成对抗网络）。 该库主要针对GAN用户，他们希望将现有的GAN培训技术与自己的生成器/区分器一起使用。 但是，研究人员可能还会发现GAN基类对于更快地实施新的GAN训练技术很有用。 重点是简单性并提供合理的默认值。 如何安装 您需要python 3.5或更高版本。 然后： pip install vegans 如何使用 基本思想是用户提供区分器和生成器网络，而库则负责在选定的GAN设置中训练它们： from vegans.models.GAN import WassersteinGAN from vegans.utils import plot_losses, plot_images generator = ### Your generator (torch.nn.Module) adversariat = ##

matlab源码

A星算法的Python实现，在控制台直接执行脚本可以看到模拟图

本资源是SIFT的实现代码，都是利用opencv和C++写的， 其中一个项目，利用opencv接口实现 另外一个项目是利用opencv的源代码，自己写了一个接口，欢迎大家下载学习交流。

UWB到达时间差TDOA算法, 采用最小二乘矩阵求解标签定位点. .c语言. 需要矩阵库:Eigen支持

一种获取图像区域最小外接矩形的算法及实现

SVM法即支持向量机(Support Vector Machine)法，由Vapnik等人于1995年提出，具有相对优良的性能指标。该方法是建立在统计学习理论基础上的机器学习方法。通过学习算法，SVM可以自动寻找出那些对分类有较好区分能力的支持向量，由此构造出的分类器可以最大化类与类的间隔，因而有较好的适应能力和较高的分准率。该方法只需要由各类域的边界样本的类别来决定最后的分类结果。 支持向量机算法的目的在于寻找一个超平面H(d),该超平面可以将训练集中的数据分开，且与类域边界的沿垂直于该超平面方向的距离最大，故SVM法亦被称为最大边缘(maximum margin)算法。待分样本集中的大部分样本不是支持向量，移去或者减少这些样本对分类结果没有影响，SVM法对小样本情况下的自动分类有着较好的分类结果。

SFFT（稀疏傅立叶变换）算法的实现，在UBUNTU下编译通过，可直接执行，无需进行编译，对于没有装gnuplot和fftw的童鞋可以直接执行观察结果

最优化算法python实现篇（4）——无约束多维极值（梯度下降法）摘要算法简介注意事项算法适用性python实现实例运行结果算法过程可视化 摘要 本文介绍了多维无约束极值优化算法中的梯度下降法，通过python进行实现，并可视化展示了算法过程。 算法简介 给定初始点，沿着负梯度方向（函数值下降最快的方向）按一定步长（机器学习中也叫学习率）进行搜索，直到满足算法终止条件，则停止搜索。 注意事项 学习率不能太小，也不能太大，可以多尝试一些值。当然每次沿着负梯度方向搜索时，总会存在一个步长使得该次搜索的函数值最低，也就是一个一维无约束极值问题，可调用黄金分割法的一维无约束优化方法求取最佳步长（学习率

该资源实现了拍卖算法，竞标方式和拍卖。网站的形式