链路概率模型 (LPM) 可用作指数随机图模型 (ERGM) 的替代方法来模拟网络数据。 LPM 根据基于历史频率的链接概率来表征网络。 在本文中，LPM 与 ERGM 进行了比较和对比。 通过将这两种方法应用于四个纵向数据集来检查这两种方法的相对效用。 描述了这两种方法在数据需求、可扩展性和假设方面的相对优势和劣势。

猫和狗 当我们的数据集不足时，最常用的方法之一是使用预先训练的模型。 在我们的案例中，我们将考虑在ImageNet数据集上训练的大型卷积网络（140万个带标签的图像和1000个不同的类）。 ImageNet包含许多动物类别，包括不同种类的猫和狗，因此我们可以期望在猫与狗的分类问题上表现出色。 我们可以使用的一些主干： •Xception•InceptionV3•ResNet50•VGG16•VGG19•MobileNet 我将使用由Karen Simonyan和Andrew Zisserman在2014年开发的VGG16架构，该架构是ImageNet的一种简单且广泛使用的convnet架构。 VGG16： from keras.applications import VGG16 conv_base=VGG16(weights=('imagenet'),

segmentation_models_pytorch是一款非常优秀的图像分割库，albumentations 是一款非常优秀的图像增强库，这篇文章将这两款优秀结合起来实现多类别的图像分割算法。数据集选用CamVid数据集，类别有：'sky', 'building', 'pole', 'road', 'pavement','tree', 'signsymbol', 'fence', 'car','pedestrian', 'bicyclist', 'unlabelled'等12个类别。数据量不大，下载地址：[mirrors / alexgkendall / segnet-tutorial · GitCode](https://gitcode.net/mirrors/alexgkendall/segnet-tutorial?utm_source=csdn_github_accelerator)。 通过这篇文章，你可以学习到： 1、如何在图像分割使用albumentations 增强算法？ 2、如何使用dice_loss和cross_entropy_loss？

mobilenet-v2：MobileNet-v2的回购

unity 3D云彩资源包3D Cloud Models（unity2017.4版本可能无法使用） Features: * 15 low polygon models: Duplicate, move, rotate, and scale the clouds in your scene to create epic skies and artistic direction. * 3 custom shaders: Hard-edged Alpha Blend, Soft-edged Alpha Blend, and Alpha Clip. These shaders use just the RGB channels of the texture and not the alpha channel, keeping memory footprints low. * A special Editor Script to make editing your clouds fast and easy. Dynamically change the ambient and sun color of the clouds. Also modify the contrast, density, thickness, and opacity. Easily orient them towards an object or the scene camera.

纽约联储DSGE模型（版本1002） DSGE.jl包实现了纽约联储动态随机一般均衡（DSGE）模型，并提供了通用代码来估算许多用户指定的DSGE模型。 该软件包在Liberty Street Economics博客文章。 （我们之前将模型称为“ FRBNY DSGE模型”。） 此Julia语言实现反映了Liberty Street Economics博客文章包含的MATLAB代码。 单击上面的docs|dev按钮可以访问代码的docs|dev 。 有关最新型号版本的文档，请阅读此 。 纽约联储DSGE团队目前正在扩展代码，以解决和估计异构代理模型。 过滤和平滑算法可在已注册的软件包。 可以在注册软件包找到用于估计DSGE模型的顺序蒙特卡洛（SMC）采样的。 的基础AbstractModel类型，从该AbstractDSGEModel类型导出，在已注册的包被定义 。 纽约联储可酌

Learning Probabilistic Graphical Models in R 英文版Learning Probabilistic Graphical Models in R 英文版Learning Probabilistic Graphical Models in R 英文版Learning Probabilistic Graphical Models in R 英文版

MobileNet V2的PyTorch实施 + Release of next generation of MobileNet in my repo *mobilenetv3.pytorch* + Release of advanced design of MobileNetV2 in my repo *HBONet* [ICCV 2019] + Release of better pre-trained model. See below for details. 如Mark Sandler，Andrew Howard，Menglong Zhu，Andrey Zhmoginov和Liang-Chieh Chen所讲的，使用框架对ILSVRC2012基准进行了。 此实现提供了一个示例过程，用于训练和验证任何流行的深度神经网络体系结构，并集成了模块化数据处理，训练，日志记录和可视化。

用来解决gazebo仿真丢失sun和ground plane问题。将其放到/home.gazebo/文件夹下即可。

这项研究报告了在11 GHz和14 GHz的室内传播测量活动和信道表征的结果，它们是未来通信系统的候选频段。 测量程序可以表征视距（LOS）和非LOS（NLOS）通道的大型和小型统计数据。 基于这些测量，提出了对数距离路径损耗模型，并讨论了均方根（RMS）延迟扩展。 通过使用Kolmogorov-Smirnov，卡方检验和Anderson-Darling检验，发现Nakagami分布很好地描述了小规模衰落的统计数据。 提出了一种与距离有关的线性模型来预测Nakagami m参数。 此外，根据测量结果分析了这些信道参数的互相关性，并且在LOS条件下可以清楚地观察到阴影衰落，RMS延迟扩展和m因子之间的互相关性，而NLOS的阻塞减少了互相关性。相关性。