rdt实验:包含SW和GBN算法
在仿真环境下编写传输层可靠数据传输代码,实现单向传输的stop-and-wait和go-back-n两种协议
2022天池商品标志目标检测
采用的一些处理
global context feature : #5
scale_score : #17
训练推理命令 : #21
基于json划分本地train val : #10
LogDetMini数据集
下载地址: https://pan.baidu.com/s/1fg9IaPh061iD7w5aiIX3qg?pwd=m3gm
简单介绍: 从openbrand数据模拟复赛分布,随机选取了50类,每类20张作为train, 20张作为val,train和val之间数据不重复
正式赛开始后,感觉和构建的 mini 数据集有一定区别。
转载:https://github.com/CarryHJR/LogDet
天池比赛,kaggle等等(Keras/PyTorch实战)
资源条目
百度点石-第二届高分杯
kaggle-猫狗分类
kaggle-植物幼苗
天池-铝型材表面瑕疵识别初赛
天池-零样本图像识别初赛
天池-2019年县域农业大脑AI挑战赛
DataFountain-“观云识天”-机器图像算法赛道/天气识别(PyTorch)
AI研习社-英文验证码识别(PyTorch)
AI研习社-中文验证码识别(PyTorch)
MatConvNet: CNNs for MATLAB
转载:https://github.com/vlfeat/matconvnet
利用pytorch实现图像分类的一个完整的代码,训练,预测,TTA,模型融合,模型部署,cnn提取特征,svm或者随机森林等进行
利用pytorch实现图像分类的一个完整的代码,训练,预测,TTA,模型融合,模型部署,cnn提取特征,svm或者随机森林等进行分类,模型蒸馏,一个完整的代码。
实现功能:
基础功能利用pytorch实现图像分类
包含带有warmup的cosine学习率调整
warmup的step学习率优调整
多模型融合预测,加权与投票融合
利用flask + redis实现模型云端api部署(tag v1)
c++ libtorch的模型部署
使用tta测试时增强进行预测(tag v1)
添加label smooth的pytorch实现(标签平滑)(tag v1)
添加使用cnn提取特征,并使用SVM,RF,MLP,KNN等分类器进行分类(tag v1)。
可视化特征层。
转载:https://github.com/lxztju/pytorch_classification
深度学习相关的模型训练、评估和预测相关代码
常用的深度学习模型训练、评估和预测相关代码,基于Tensorflow高阶API(Estimator)实现;尽量做到可读性和通用性较好。
部分模型子目录下有较详细的文档介绍!
关于其中某些模型的介绍,请参考文章《主流CTR预估模型的演化及对比》!《深度CTR预估模型中的特征自动组合机制演化简史》
除非特殊说明,本项目的代码都是基于tensorflow 1.6.0开发。
推荐阅读:
基于Tensorflow高阶API构建大规模分布式深度学习模型系列: 开篇
基于Tensorflow高阶API构建大规模分布式深度学习模型系列:基于Dataset API处理Input pipeline
基于Tensorflow高阶API构建大规模分布式深度学习模型系列: 自定义Estimator(以文本分类CNN模型为例)
基于Tensorflow高阶API构建大规模分布式深度学习模型系列:特征工程 Feature Column
基于Tensorflow高阶API构建大规模分布式深度学习模型系列:CVR预估案例之ESMM模型
转载:https://github.com/yangxudong/deep
微信小程序-基于wepy 商城(微店)微信小程序
开发使用说明(重要)
1、使用微信开发者工具-->添加项目,项目目录请选择dist目录。
2、微信开发者工具-->项目-->关闭ES6转ES5。 重要:漏掉此项会运行报错。
3、微信开发者工具-->项目-->关闭上传代码时样式自动补全。 重要:某些情况下漏掉此项也会运行报错。
4、微信开发者工具-->项目-->关闭代码压缩上传。 重要:开启后,会导致真机computed, props.sync 等等属性失效。
wepy开发文档地址:
https://tencent.github.io/wepy/
小程序开发文档:
http://mp.weixin.qq.com/debug/wxadoc/dev/
此小程序借助于wepy进行高度的组件封装。
转载:https://github.com/dyq086/wepy-mall
一份超级详细的Java面试题【大厂面试真题+Java学习指南+工作总结】
整理一份超级详细的Java面试题+后端基础+日常工作总结,希望大家找到理想offer。
转载:https://github.com/whx123/JavaHome
JavaScript + CSS/CSS3 + HTML 网页登陆 + 注册界面设计
登陆界面设计
登陆界面由一个简单的表单(头像、用户名、密码、登陆按钮、记住我、取消、忘记密码),创建了一个CSS3的缩放效果构成。需要做浏览器(Firefox、Safari and Chrome、Opera)兼容处理和 @media 简单响应式设计。文本输入框做了 required 必须填写条件,运用在项目中可以通过 JavaScript 约束验证 DOM 方法checkValidity()、setCustomValidity()等做异常处理。
注册界面设计
注册界面由一个简单的表单(Email、用户名、密码、重复密码、注册按钮、记住我、取消),创建了一个CSS3的缩放效果构成。同样需要做浏览器(Firefox、Safari and Chrome、Opera)兼容处理和 @media 简单响应式设计。文本输入框做了 required 必须填写条件,运用在项目中可以通过 JavaScript 约束验证 DOM 方法checkValidity()、setCustomValidity()等做异常处理。
转载:https://blog.csdn.net/qq_38931949/article
新浪微博爬虫,用python爬取新浪微博数据
本程序可以连续爬取一个或多个新浪微博用户(如胡歌、迪丽热巴、郭碧婷)的数据,并将结果信息写入文件或数据库。写入信息几乎包括用户微博的所有数据,包括用户信息和微博信息两大类。因为内容太多,这里不再赘述,详细内容见获取到的字段。如果只需要用户信息,可以通过设置实现只爬取微博用户信息的功能。本程序需设置cookie来获取微博访问权限,后面会讲解如何获取cookie。如果不想设置cookie,可以使用免cookie版,二者功能类似。
爬取结果可写入文件和数据库,具体的写入文件类型如下:
txt文件(默认)
csv文件(默认)
json文件(可选)
MySQL数据库(可选)
MongoDB数据库(可选)
SQLite数据库(可选)
同时支持下载微博中的图片和视频,具体的可下载文件如下:
原创微博中的原始图片(可选)
转发微博中的原始图片(可选)
原创微博中的视频(可选)
转发微博中的视频(可选)
原创微博Live Photo中的视频(免cookie版特有)
转发微博Live Photo中的视频(免cookie版特有)
长尾分布下的情绪识别挑战,设计相应算法改进baseline模型并对结果进行可视化 内含完整代码以及实验报告分析(python)
互联网上收集到的人脸数据集包含着大量开心的表情图片,其中愤怒、悲伤等负面情绪的图片较少,因此使用这些数据集训练的模型在实际部署时对负面情绪的检测效果往往较差。 1.设计算法改进baseline 模型:(1)使用类的样本大小倒数来加权所有样本权重(2)使用重采样的方式达到均匀抽取训练数据的效果(3)改变数据集增扩情绪较少的负面情绪样本 2.数据集介绍:实验所使用的训练数据集来自 FER-2013 数据集,其中开心的表情占据了整个数据集的大部分,而其他情绪则相对较少。测试数据包括AB 两个部分,A 部分的数据分布和 FER2013 接近,同样大部分为开心的情绪,而测试数据 B 则是从其他数据集采样得到的负面情绪样本。 3.评价指标: Acc、F1-Score等等。 4.结果可视化利用折线图对结果进行可视化分析。
Interpolation(实验代码C++以及报告)
利用五种插值法进行图像孔填充或者损坏修复
利用不同RBF函数恢复损失的像素
1.任务一:图像孔填充或者损坏修复
对n>=3的图像进行两种类型的损坏:随机涂抹和覆盖整个图像空间的文字。本次实验使用了Nearest neighbor interpolation、 Bilinear interpolation、RBF linear、RBF gaussian、RBF inverse multi-quadratic五种方法对图像进行修复。
我们需要根据指定评价指标:MSE、PSNR、SSIM评估四种比较方法的修复性能。
2.任务二:
对n>=3的个人图像随机删除10%、20%、…、90% 的像素,
使用不同 RBF 函数对这些图像进行修复,并定量定性地对结果进行评估。
Edge Detection:使用Prewitt、Sobel 、Canny、DoG算法抽取灰度图像中的线条,并对算法性能进行对比
内含实验代码(C++)以及实验报告
使用Prewitt、Sobel 、Canny、DoG算法抽取灰度图像中的线条,并对算法性能进行对比
实验报告中有:
(1)这四种算法以及FDoG算法详细的优缺点分析。
(2)我们采用了四幅图像来分析,这四种算法对于不同类型图像的实验结果以及原因。
(3)“离散拉普拉斯算子的一般形式的数学推导;”高斯拉普拉斯算子”数学推导;
图像处理-Colorization:涂抹带有颜色的线条,对图像进行自动上色,C++
实验代码+实验报告
对于 n>3 个人图像,使用 YUV 颜色空间表示像素颜色,并使用 Y 分量作为输入的灰度图像。然后,使用两种类型的颜色(1. 用户指示像素的原始颜色;2. 可以与原始颜色不同,并由你自己指示)添加更多的用户指示的涂抹。
百度飞桨练习题
以实验报告形式呈现,内含具体代码改动、实验过程以及结果分析
百度飞桨练习题
以实验报告形式呈现,内含具体代码改动、实验过程以及结果分析
实验名称:
实验一:基于飞桨平台完成关于波士顿房价的预测
实验二:使用飞桨实现基于LSTM的情感分析模型
实验三:基于seq2seq实现英汉机器翻译
实验四:利用飞桨平台实现基于GRU-CRF快递单信息抽取