自定义博客皮肤VIP专享

*博客头图：

点击选择上传的图片

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

点击选择上传的图片

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

点击选择上传的图片

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览取消提交

自定义博客皮肤

-+

上一步保存

七把叉

coding

12月 10月 07月 03月

原创流形学习——MDS & ISOMAP

流形学习流形学习1.矩阵内积2.特征值，特征向量，特征分解2.1 特征值和特征向量2.2 特征分解3. 数据降维3.1 MDS（Multiple Dimensional Scaling）3.1.1 实现流程3.1.2 pseudocode3.1.3 code(python)3.2 isomap（等度量映射）3.2.1核心3.2.2过程3.2.3pesud...

2018-07-20 11:03:57 2866 1

Introduction to Modern Cryptography

Introduction to Modern Cryptography,2010,任伟,中文版.pdf

2018-03-24

图灵机实现

设计一个图灵机M,用于判定接收符合如下条件的字符串 C={aibjckdx}subject to i× j×k = x&i, j,k,x ≥1

2018-03-24

CFG TO CNF

编写程序将CFG转换为对应的Chomsky normal form java

2018-03-24

Introduction to the Theory of Computation solution

Introduction to the Theory of Computation 计算理论导引答案

2018-03-24

复杂网络理论及其应用

复杂网络理论及其应用（2006）汪小帆、李翔、陈关荣中文版

2017-11-03

Data Mining Concepts and Techniques 3rd Edition

Data Mining Concepts and Techniques 3rd Edition(数据挖掘概念与技术第三版) 英文版有目录

2017-11-03

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

Vk_ch CSDN认证博客专家 CSDN认证企业博客

码龄10年

IP 属地：浙江省

IP属地以运营商信息为准，境内显示到省（区、市），境外显示到国家（地区）

9: 原创

34万+: 周排名

123万+: 总排名

3万+: 访问

: 等级

438: 积分

6: 粉丝

9: 获赞

8: 评论

57: 收藏

私信

关注

热门文章

分类专栏

树莓派 3篇
stm32 1篇
keil 1篇
迹
python 1篇
vae
anomaly detection 3篇
mac 1篇

最新评论

mac spotlight闪退问题重建搜索完美解决
蓝色螺丝钉: 该方法（删除外部词典）对Mac Sonoma 系统仍然有效，感谢！
【论文】Skip-GANomaly: Skip Connected and Adversarially Trained Encoder-Decoder Anomaly Detection
weixin_52646177: 你好，请问官方代码在哪里可以看到这个
mac+python3+pip安装tensorflow
Tisfy: 正如大音希声扫阴翳
【论文】Skip-GANomaly: Skip Connected and Adversarially Trained Encoder-Decoder Anomaly Detection
好吧不好吧: 你好，为什么有的时候训练生不成图片和迭代曲线，但是在命令行显示在训练啊？
【论文】Skip-GANomaly: Skip Connected and Adversarially Trained Encoder-Decoder Anomaly Detection
zzhanggongzii: 详细看论文官方代码，输出图像和输入图像是比较接近，但是能分辨出来。 [code=python] # Forward - Pass self.set_input(data) self.fake = self.netg(self.input) _, self.feat_real = self.netd(self.input) _, self.feat_fake = self.netd(self.fake) # Calculate the anomaly score. si = self.input.size() sz = self.feat_real.size() rec = (self.input - self.fake).view(si[0], si[1] * si[2] * si[3]) lat = (self.feat_real - self.feat_fake).view(sz[0], sz[1] * sz[2] * sz[3]) rec = torch.mean(torch.pow(rec, 2), dim=1) lat = torch.mean(torch.pow(lat, 2), dim=1) error = 0.9*rec + 0.1*lat [/code]

最新文章

提示

确定要删除当前文章？

取消删除