Nyc-Taxi-Kaggle-挑战 目标 Kaggle竞赛预测纽约出租车的行驶时间。 该项目的报告在capstone.pdf。 （在这个项目中，我提供了许多链接，如果您是初学者，可以通过这些链接来弄清楚您的概念，如果不理解的话，可以通过project和readme中提供的链接和pdf来了解。） 问题陈述 在本报告中，我们使用来自纽约市出租车和高级轿车委员会的数据来考察Kaggle竞赛，该竞赛要求竞争对手预测纽约市出租车旅行的总行驶时间（trip_duration）。 Kaggle提供的数据是作为CSV文件提供的结构化数据。 CSV文件中的数据包括多种格式：时间戳，文本和数字数据。 这是回归分析，因为输出（总行驶时间）是数字。 我将使用几种机器学习方法来完成预测任务，这些方法是线性回归，k最近邻回归，随机森林和XGBoost。 将使用均方根对数误差对模型进行评估。 总览 我使用Jupyter_Notebook在dekstop上执行此项目，并且在使用python的远程服务器上也无需使用Jupyter_notebook来执行。 软件和库 Python 3 Scikit-learn：Pyt

在Google Colab上运行CARLA模拟器 是用于自动驾驶研究的开源模拟器。 由于对硬件的要求很高，因此对于学生在colab上运行它可能很有用。 该存储库中的笔记本显示了如何在colab上运行和可视化CARLA。

google_colab_tutorial

Stylegan2-Ada-Google-Colab-Starter-Notebook 一款用于培训Stylegan2-ada的colab笔记本，不容小rill。 将学习转移到您自己的数据集上从未如此简单:)

Mecab-ko-for-GoogleColab Shell脚本，可轻松在Colab中安装Mecab-ko-dic。 它不是永久安装。 每当您使用新笔记（新的运行时）时，都需要重新安装。 Eunjeon Hanniot项目： ：//bitbucket.org/eunjeon/mecab-ko-dic/src/master/ :books: 如何在Colab中添加Mecab-ko-dic用户词典： ://bit.ly/3k0ZH53 :books: :clapping_hands: 2021年1月19日，Dogdriip添加了一个简化版本，不包括不必要的更新和安装过程。 :thumbs_up: 1.安装了Mecab-ko-dic版本 mecab-0.996-en-0.9.2 mecab-ko-dic-2.1.1-20180720 2.用法 单击绿色的克隆或下载按钮以复制地址。 ！ 通过git clone 命令复制存储库。 cd Mecab-k

colab简介 Google Colaboratory是谷歌开放的一款研究工具，主要用于机器学习的开发和研究。 工具优势：Google Colab最大的好处是给广大的AI开发者提供了免费的GPU使用。你可以在上面轻松地跑例如：Keras、Tensorflow、Pytorch等框架；其次是入门相对简单，语法和cmd语句以及linux语句相似。目前colab平台GPU的状态信息如下图： 原创文章 3获赞 2访问量 186 关注

多对象跟踪| Google-Colab 收集文件，代码，数据集和其他资源以进行多对象跟踪| 谷歌合作 联合检测 CenterTrack-跟踪对象为点[ax2004] [pytorch] DEFT：用于跟踪的检测嵌入[ax2102] [pdf] [notes] [pytorch] 身份嵌入 MOTS多对象跟踪和细分[cvpr19] [pdf] [注释] [代码] [项目/数据] 迈向实时多对象跟踪[ax1909] [arxiv] [pdf] [notes] [code] 迈向实时多目标跟踪-车辆跟踪[修改版] 用于多对象跟踪的简单基准[ax2004] [pdf] [notes] [code] 集成的对象检测和跟踪以及具有Tracklet条件的检测[ax1811] [pdf] [notes] 协会 用于多对象跟踪的深度相似性网络[ax1810 / tpami19

对于入门深度学习的同学开说，笔记本GPU性能太弱是一件非常让人头疼的事，而租用的gpu服务器又太贵，最近刚发现google提供的免费云平台，可供我们做训练网络服务器用，GPU型号为Tesla T4 ，性能也是不俗。 首先，登陆Google Driver 然后，在空白处右击，查看是否有Google Colaboratory，没有的话，点击关联更多应用，搜索安装即可 新建一个文件夹，这里是yolo_v1 将你的工程文件导入 接下来新建一个Colaboratory，并且命名为yolo_train 很熟悉的jupyter notebook界面，操作很相似… 然后点击左上角“修改”–>>”笔

RIFE-Colab + GUI 用于Google Colab的RIFE插值脚本，以及用于Windows和Linux下本地执行的GUI。 特征 灵活的输入选项，使用FFmpeg进行解码 使用x264或NVENC进行输出以实​​现快速编码性能 多种GPU处理支持（不需要SLI，可以使用不同的GPU组合） 不同的帧处理模式-包括重复帧删除以及维护输出FPS 能够为GIF和循环视频创建循环友好输出 最大插值因子无限制 场景变化检测 批处理视频 本地安装 初始步骤： 确保可以从系统路径（Linux / Windows）访问7-zip或将其安装在C：\ Program Files \ 7-Zip中 Git已安装并且可以从系统路径访问 已安装Python 3.8，并可从系统路径访问它（在安装过程中，将Python 3.8添加到PATH中，打勾） 安装 在终端（Linux）或git bash（W

cs231n-解决方案 斯坦福大学在线CS231n课程的解决方案，采用Google Colab就绪的格式