说明 看完spring源码后，感触颇深。于是经过一番研究手动实现一个类似Spring的IOC和AOP功能的演示，本demo成功实现了容器的依赖注入和切面的功能，aop使用CGLIB实现。 说明 首先代码的测试运行demo见 应用程序 public static void main(String[] args) throws ClassNotFoundException { //初始化环境 init(); //模拟spring启动 Class.forName("com.mySpring.autowired.BeanFactory"); ClassesService classesService = (ClassesService) BeanFactory.getBean("classesService");

这个代码主要是介绍了python使用kmeans算法来对图像中的像素进行聚类。整个kmeans算法为手动实现，不调用sklearn库。一共使用了两种方法，其中方法a.py使用了三通道像素值rgb共三个特征，方法b.py使用了rgb+像素坐标xy共5个特征。

内容包含详细注释 代码中有数据集的下载程序: 人工构造简单二分类数据集，两个数据集大小为100，样本特征维度为2，且分别服从均值互为相反数且方差相同的正态分布。两个数据集的样本标签分别为0和1。 Fashion-MNIST数据集，该数据集为一个多类图像分类数据集，包含60000个训练图像样本，10000个测试图像样本。每个样本的数据格式为28*28*1。共10类：dress（连⾐裙）、coat（外套）、 代码内容包括： PyTorch基本操作实验； Torch.nn实现Logistic回归实验、softmax回归实验、实现前馈神经网络（多分类、二分类、回归）； 手动实现Logistic回归实验、softmax回归实验、实现前馈神经网络（多分类、二分类、回归）； 多分类实验torch.nn实现Dropout和多分类实验torch.optim实现L2范数正则化； 对多分类任务中的模型评估隐藏层层数和隐藏单元个数对实验结果的影响；

基于java语言手动实现的AVL树代码，该树形结构适用于查找，实现的逻辑可以查看博主的原创作品《用JAVA代码手动实现AVL树》

手动实现前馈神经网络解决回归、二分类、多分类任务，分析实验结果并绘制训练集和测试集的loss曲线； 利用torch.nn实现前馈神经网络解决上述回归、二分类、多分类任务，分析实验结果并绘制训练集和测试集的loss曲线； 在多分类实验的基础上使用至少三种不同的激活函数，对比使用不同激活函数的实验结果； 对多分类任务中的模型，评估隐藏层层数和隐藏单元个数对实验结果的影响使用不同的隐藏层层数和隐藏单元个数，进行对比实验并分析实验结果； 在多分类任务实验中分别手动实现和用torch.nn实现dropout，探究不同丢弃率对实验结果的影响（可用loss曲线进行展示）； 在多分类任务实验中分别手动实现和用torch.nn实现L2正则化，探究惩罚项的权重对实验结果的影响（可用loss曲线进行展示）； 对回归、二分类、多分类任务分别选择上述实验中效果最好的模型，采用10折交叉验证评估实验结果，要求除了最终结果外还需以表格的形式展示每折的实验结果；

图像质量评价方法代码matlab代码matlab-mylib 这个库是自己在做图像、视频质量评价（I/VQA）实验时需要经常用到的函数的汇总，函数部分为手动实现，部分为其他论文里的代码（均已表明出处）。 lib一直更新。 mscn.m 【论文[1]实现的方法】 一种归一化方法，在BRISQUE算法中被提出。 [1] Mittal, A., Moorthy, AK, & Bovik, AC (2012). No-reference image quality assessment in the spatial domain.IEEE Transactions on Image Processing, 21(12), 4695-4708. SDSP.m 【论文[2]实现的方法】 LinZhang的算法中使用的求图像显着性的方法。 [2] L. Zhang, L. Zhang, X. Mou, and D. Zhang, “FSIM: A feature similarity index for image quality assessment,” IEEE Trans. Image Pro

CNN-Numpy-实施 手动实现卷积神经网络，而无需使用诸如pytorch和tensorflow之类的现代库。 换句话说，我从头开始构建了一个神经网络，其中涉及实现正向和反向传播。 我手动编写了反向传播代码，并使用numpy手动实现了每一层的偏导数。 我在这里使用的方程式示例可以在这里找到。 E.Bendersky（2016年10月28日）。 Softmax函数及其导数。 取自 我最完善，最成功的网络是跟踪多个功能的多元回归CNN。 它可以正确确定两个图像之间的形状数量差异以及是否存在反射，但是在测量旋转度和形状之间的填充颜色差异方面存在困难。 为了训练该网络，我必须生成自己的数据集。 项目描述 AI研究人员已将Raven的渐进矩阵（RPM）视觉智商测试用作开发新策略，算法和认知代理的测试平台。 通过构建可以逐步解决更棘手问题的智能体，研究人员希望推动人工智能领域的发展。 下面显示了

无监督学习-kmeans聚类算法及手动实现jupyter代码.ipynb

通过python 一步一步实现决策树，里面教程清晰

参考链接：https://blog.csdn.net/qq_37534947/article/details/110442147，包含手动是实现RNN、pytorch实现RNN、LSTM、GRU。