react-native-gradient-card-view:适用于React Native的完全可定制的Gradient Card视图-源码

安装 添加依赖项： 纯React Native： npm i react-native-gradient-card-view 世博版： " react-native-gradient-card-view " : " WrathChaos/react-native-gradient-card-view#expo " 对等依赖 重要的！ 您需要安装它们。 " react-native-linear-gradient " : " >= 2.x.x " #Expo版本对等依赖项： " react-native-expo-image-cache " : " >= 3.x.x " 基本用法 < GradientCard> 高级用法 您可以查看示例以了解高级用法 &lt; GradientCard style = { { marginTop : 16 } } title = { ite

Grad-CAM：Visual Explanations from Deep Networks via Gradient-based Localization

Grad-CAM：Visual Explanations from Deep Networks via Gradient-based Localization论文原文加翻译

Hands-On Machine Learning with Scikit-Learn and TensorFlow 原版PDF

原版PDF Hands-On Machine Learning with Scikit-Learn and TensorFlow 不是早期预览版（EAP），而是正式版

Gradient-Based Learning Applied to Document Recognition

Gradient-Based Learning Applied to Document Recognition 极好的文！尤其是p5-p9，一定要细看，反复琢磨。把LeNet-5的来龙去脉讲得清清楚楚

Adaptive-Gradient-Clipping：TensorFlow 2中最小化自适应梯度剪切（https：arxiv.orgabs2102.06171）-源码

自适应梯度剪切 该存储库提供了一个最小的实施自适应限幅梯度（AGC）的在TensorFlow 2（如在高性能大规模图像识别提出不进行归1）纸为了训练，而不批次深神经网络属性AGC作为关键成分归一化2 。 鼓励读者查阅该论文，以了解为什么鉴于其最重要的成功，为什么可能希望在不进行批量标准化的情况下训练网络。 我使用此存储库的目标是能够快速训练带有或不带有AGC的浅层网络。 因此，我提供了两个我在下面讨论的Colab笔记本。 关于笔记本 AGC.ipynb ：演示使用AGC训练浅层网络（仅0.0021.17百万个参数）。 BatchNorm.ipynb ：演示了使用批处理归一化训练浅层网络（仅0.0023.09百万个参数）。 这两个笔记本都是Google Colab上的端到端可执行文件。 此外，他们还利用Google Colab提供的免费TPU（TPUv2-8），使读者可以非常快速地进行

Gradient-Based Learning Applied to Document Recognition.pdf

deep learning 三位大神Yann Lecun 、Y. Bengio 、Patrick Haffner联合发表的论文

Gradient-Based Learning

Gradient-Based Learning， Gradient Descent，Stochastic Gradient Descent， Minibatch Stochastic Gradient Descent， Choosing the Learning Rate

Gradient-Centralization:深度神经网络的一种新的优化技术-源码

渐变集中 介绍 梯度集中（GC）是用于深度神经网络（DNN）的一种简单有效的优化技术，该技术通过将梯度向量集中为零均值来直接对梯度进行操作。它既可以加速训练过程，又可以提高DNN的最终泛化性能。 GC非常易于实现，并且只需几行代码就可以轻松地将其嵌入到现有的基于梯度的DNN优化器中。它也可以直接用于微调预训练的DNN。请参考以获取更多高级优化程序的代码。 GC可以看作是具有受限损失函数的投影梯度下降法。约束损失函数的Lipschitzness及其梯度更好，因此训练过程变得更加有效和稳定。我们在各种应用程序上的实验，包括general image classification ， fine-grained image classification ， detection and segmentation以及Person ReID证明了GC可以持续改善DNN学习的性能。 文件中提供了优化程序

论文笔记—Gradient-Based Meta-Learning with Learned Layerwise Metric and Subspace

论文摘要：基于梯度的元学习已被证明具有足够的表现力，可以近似任何学习算法。 尽管先前的此类方法已在元学习任务中取得成功，但它们诉诸于简单的gradientdescentduringmeta测试。 我们的主要贡献是MT-net，它使元学习者能够了解每个子层的激活空间，该子空间的任务指定清除器在其上执行梯度下降。 另外，MT-net的任务特定学习者相对于元学习距离度量执行梯度下降，这会使激活空间对任务身份更加敏感。 我们证明了这个学习的子空间的维度反映了任务特定学习者的适应任务的复杂性，并且我们的模型对初始学习速率的选择不如以前的基于梯度的元学习方法敏感。 我们的方法在几次快照分类和回归任务上都达到了最新或相当的性能。

论文笔记—Recasting gradient-based meta-learning as hierarchical bayes

论文摘要：元学习允许智能代理利用先前的学习情节作为快速提高新任务性能的基础。贝叶斯分层建模提供了一个理论框架，用于形式化元学习，作为对跨任务共享的一组参数的推断。在这里，我们重新定义了Finn等人的模型不可知元学习算法（MAML）。 （2017）作为分层贝叶斯模型中概率推断的方法。与通过分层贝叶斯进行元学习的现有方法相比，MAML通过使用可扩展的梯度下降过程进行后验推理，自然适用于复杂函数逼近器。此外，将MAML识别为分层贝叶斯提供了一种将算法作为元学习过程进行理解的方法，并提供了利用计算策略进行有效推理的机会。我们利用这次机会提出了对MAML算法的改进，该算法利用了来自近似推断和曲率估计的技术。

Gradient-Domain Path Tracing

Gradient-Domain Path TracingGradient-Domain Path TracingGradient-Domain Path TracingGradient-Domain Path TracingGradient-Domain Path TracingGradient-Domain Path TracingGradient-Domain Path Tracing

react-gradient-progress:简单的圆形进度条与渐变React-源码

React渐变进度 启用了简单轻量级渐变的圆形进度条，用于reactjs / nextjs 安装 使用npm npm i -s react-gradient-progress 基本用法 import { CircleProgress } from 'react-gradient-progress' < CircleProgress xss=removed xss=removed> 道具 姓名 描述 percentage 进度百分比。 必需的。 width 进度栏容器的宽度（以像素为单位）。 默认值： 200 strokeWidth 进度条的笔触宽度。 默认值： 5 。 strokeLinecap 描边线帽类型。 默认值： 'round' 。 接受的值：“对接”，“圆形”，“正方形” fontSize 百分比文本的大小。 默认值： '

光谱边缘图像融合 Spectral edge gradient-preserving spectral mapping for image fusion.pdf

文提出的Spectral Edge（以下简称SE）方法是一种像素级的图像融合算法，该算法在梯度域计算与实现。

postcss-blurry-gradient-workaround:PostCSS插件，为带有过多明确终点的模糊CSS渐变添加了解决方法-源码

PostCSS模糊渐变解决方法 插件，可将带有过多明确终点的渐变拆分为单独的渐变，以解决某些浏览器中模糊渐变的问题。 . foo { /* Input example */ /* apply-gradient-stops-workaround */ background : linear-gradient (to right , green 10 % , yellowgreen 10 % , yellowgreen 20 % , yellow 20 % , yellow 30 % , orange 30 % , orange 40 % , red 40 % , red 50 % , grey 50 % , gr

react-native-gradient-buttons：用于React Native的轻量级，可自定义和触觉的Gradient Button组件-源码

React本机渐变按钮 适用于React Native的轻巧，可自定义和触觉的Gradient按钮。 要求 需要React和React Native。 对于纯React Native项目，您必须安装作为。 安装 yarn add react-native-gradient-buttons # or npm install --save react-native-gradient-buttons 用法 # ES6 import import GradientButton from 'react-native-gradient-buttons'; 道具 style ： ViewStyle 没

react-native-bottom-bar：完全可定制的BottomBar，具有用于React Native的独特设计形状-源码

安装 添加依赖项： Pure React Native： npm i react - native - bottom - bar 博览会版本： "react-native-bottom-bar" : "WrathChaos/react-native-bottom-bar#expo" 对等依赖项： 您必须安装这些依赖项！ "@freakycoder/react-native-helpers" : ">= 1.0.0" , "react-native-androw" : ">= 0.0.31" , "react-native-vector-icons" : ">= 6.0.0" , "react-native-linear-gradient" : ">= 2.4.x" , "react-native-dynamic-vector-icons" : ">= x.x.x" 用法 &lt; BottomBar style = { style } shapeColor = { shapeColor } mainIcon = { mainIcon } mainIconColor =

Gradient-Informed Path Smoothing for Wheeled Mobile Robots.pdf

1.输入是path（来自于图搜索或采样式路径规划方法）和steer function，输出是path。分为2个步骤，a:使用梯度下降法，移动和插入顶点使得离障碍物更远、离障碍物近的地方路径点更密集；b:使用基于cost的short-cutting方法删除不必要的路径点。

react-native-svg-animated-linear-gradient：用于动画线性渐变的SVG环绕组件-源码

SVG动画线性渐变[iOS + Android] 此组件将所有SVG组件的动画线性渐变作为子道具。 您可以将此组件用作加载组件，例如Facebook或Instagram，用于任何svg组。 该组件正在使用 ，如果您不想使用expo，请随意分叉此repo并删除expo，然后使用代替，或者使用分叉的repo 演示版 用法 npm i react-native-svg-animated-linear-gradient --save npm i react-native-svg react-native link react-native-svg 在组件内部： import SvgAni