DRLND-project-2 该存储库包含项目2的实现。 项目详情 到达者 该项目实现了PPO，用于解决Unity环境中的连续控制问题-使机械臂跟随旋转的航点-在具有20个代理的变体版本上。 最终执行记录： 当手臂末端位于目标球体内/目标航路点的固定范围内时，每个代理随时间累积的奖励。 代理的目标是遵循路标。 对于每个代理，状态空间具有33个维度，而动作空间具有4个连续维度。 该任务是情节性的，当特工在100个连续情节中获得+30的平均分数时，该任务被认为已解决。 履带式 该项目的可选/额外/挑战部分是控制爬虫。 在面对正确方向和该方向的速度时，每个四脚实体尝试遵循目标目标时，每个代理随时间累积的奖励。 该环境具有12个代理，每个代理以129维观察状态，并以20维控制动作。 该环境基于。 入门 依存关系 可以根据依赖关系来设置此项目的依赖关系。 以下说明将引导您逐步设置该

LaneNet车道检测 使用tensorflow主要基于IEEE IV会议论文“走向端到端的车道检测：实例分割方法”，实现用于实时车道检测的深度神经网络。有关详细信息，请参阅他们的论文 。 该模型由编码器-解码器阶段，二进制语义分割阶段和使用判别损失函数的实例语义分割组成，用于实时车道检测任务。 主要的网络架构如下： Network Architecture 安装 该软件仅在带有GTX-1070 GPU的ubuntu 16.04（x64），python3.5，cuda-9.0，cudnn-7.0上进行了测试。 要安装此软件，您需要tensorflow 1.12.0，并且尚未测试其他版本的tensorflow，但我认为它可以在版本1.12以上的tensorflow中正常工作。 其他必需的软件包，您可以通过以下方式安装它们 pip3 install -r requirements.txt

Gensim数据有什么用？ 研究数据集经常消失，随时间变化，变得过时或没有理智的实现来处理数据格式的读取和处理。 因此，Gensim推出了自己的d Gensim数据的用途是什么？ 研究数据集经常消失，随时间变化，变得过时或没有理智的实现来处理数据格式的读取和处理。 因此，Gensim推出了自己的数据集存储，致力于提供长期支持，合理的标准化用法API，并专注于非结构化文本处理（无图像或音频）的数据集。 该Gensim数据存储库用作该存储。 您无需直接使用此存储库。 因斯泰

Deep-Learning-with-PyTorch 辛苦下载下来赚点积分下其他东西，分享给有需要的，感谢大家！

ldpc matlab代码用于深空通信的 LDPC 码 该数值模拟器实现了一个编码器和三个不同的解码器，用于对 . 特别是，该软件实现了《CCSDS TM 同步和信道编码推荐标准》第 7 章中描述的 (8176,7154) 代码。 代码详情 该代码专为任何空间通信链接而设计，尽管它最初是针对航天器与地面元素之间的通信链接的。 空间合格现场可编程门阵列 (FPGA) 技术的当前进步也可能导致空间到空间通信链路的实现。 因此，此代码可应用于任何需要带宽高效通信的空间链路。 一个应用程序示例，此代码由（发布时间：2013 年 2 月）使用。 特别是用于X波段的下行数据传输。 这种 384 Mbps 数据速率通信链路是 NASA 首次使用 LDPC，并且是首次将 LDPC 代码用于任何机构或公司的天地链路。 解码器 解码是使用消息传递算法完成的。 这是一种迭代解码技术，因为消息在位节点和校验节点之间迭代地来回传递，直到获得结果（或过程停止）。 发送的消息是概率，表示对码字比特值的置信度。 将概率值表示为对数似然比 (LLR)很方便。 这种解码称为和积解码，因为使用 LLR 允许使用和和乘积运算

使用神经混合形状学习骨骼关节 这个存储库提供了一个端到端的库，用于自动角色绑定、蒙皮和混合形状生成，以及一个可视化工具。 它基于我们在 SIGGRAPH 2021 上发表的研究。 先决条件 我们的代码已经在 Ubuntu 18.04 上测试过。 在开始之前，请通过以下方式配置您的 Anaconda 环境 conda env create -f environment.yaml conda activate neural-blend-shapes 或者您可以手动安装以下软件包（及其依赖项）： 火炬 1.8 张量板 tqdm 矮胖的 opencv-python 快速开始 我们提供了一个专用于 Biped 角色的预训练模型。 从或（9ras）下载并解压预训练模型，并将pre_trained文件夹放在项目目录下。 跑步 python demo.py --pose_file=./eval_

深度学习课程 我在研究生深度学习课程中所做的实际作业和项目。 课程连结： :

PyTorch 官方教程 Every other day we hear about new ways to put deep learning to good use: improved medical imaging, accurate credit card fraud detection, long range weather forecasting, and more. PyTorch puts these superpowers in your hands, providing a comfortable Python experience that gets you started quickly and then grows with you as you—and your deep learning skills—become more sophisticated. Deep Learning with PyTorch will make that journey engaging and fun.

Adrian Rosebrock 的Deep Learning for Computer Vision with Python 1,2,3都在里面了。我自己没看过，但是我在看他opencv教程，倒是蛮不错的。

令人敬畏的图像着色 基于深度学习的图像着色论文和相应的源代码/演示程序的集合，包括自动和用户指导（即与用户交互）的着色，以及视频的着色。 随意创建PR或问题。 （首选“拉式请求”） 大纲 1.自动图像着色 纸 来源 代码/项目链接 ICCV 2015 深着色 ICCV 2015 学习表示形式以实现自动着色 ECCV 2016 [项目] [代码] 彩色图像着色 ECCV 2016 [项目] [代码] 让有颜色！：全局和局部图像先验的端到端联合学习，以实现同时分类的自动图像着色 SIGGRAPH 2016 [项目] [代码] 通过生成对抗网络进行无监督的多样化着色 ECML-PKDD 2017 [代码] 学习多样的图像着色 CVPR 2017 [代码] 多种着色的结构一致性和可控性 ECCV 2018 使用有限的数据进行着色：通过内存增强网络进行少量着色 CVP