- yolov4,yolo,目标检测,物体检测,windows,win10,visual大小:13MB课程演示环境:Windows10;?cuda 10.2; cudnn7.6.5; Python3.7; VisualStudio2019; OpenCV3.4 需要学习ubuntu系统上YOLOv4的同学请前往:《YOLOv4目标检测实战:训练自己的数据集》 课程链接:https://edu.csdn.net/course/detail/28745 YOLOv4来了!速度和精度双提升! 与?YOLOv3?相比,新版本的?AP (精度)和?FPS?(每秒帧率)分别提高了?10%?和?12%。 YOLO系列是基于深度学习的端到端实时目标检测方法。本课程将手把手地教大家使用labelImg标注和使用YOLOv4训练自己的数据集。课程实战分为两个项目:单目标检测(足球目标检测)和多目标检测(足球和梅西同时检测)。 本课程的YOLOv4使用AlexyAB/darknet,在Windows系统上做项目演示。包括:安装软件环境、安装YOLOv4、标注自己的数据集、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算)和先验框聚类分析。还将介绍改善YOL课程演示环境:Windows10;?cuda 10.2; cudnn7.6.5; Python3.7; VisualStudio2019; OpenCV3.4 需要学习ubuntu系统上YOLOv4的同学请前往:《YOLOv4目标检测实战:训练自己的数据集》 课程链接:https://edu.csdn.net/course/detail/28745 YOLOv4来了!速度和精度双提升! 与?YOLOv3?相比,新版本的?AP (精度)和?FPS?(每秒帧率)分别提高了?10%?和?12%。 YOLO系列是基于深度学习的端到端实时目标检测方法。本课程将手把手地教大家使用labelImg标注和使用YOLOv4训练自己的数据集。课程实战分为两个项目:单目标检测(足球目标检测)和多目标检测(足球和梅西同时检测)。 本课程的YOLOv4使用AlexyAB/darknet,在Windows系统上做项目演示。包括:安装软件环境、安装YOLOv4、标注自己的数据集、整理自己的数据集、修改配置文件、训练自己的数据集、测试训练出的网络模型、性能统计(mAP计算)和先验框聚类分析。还将介绍改善YOL0 1621浏览会员免费
- 想象⼀下,你刚刚醒来,发现万众期待的 GPT-4 终于来了! OpenAI CEO Sam Altman 开门⻅⼭地介绍了这款新模型: 这是我们迄今为⽌最强⼤的模型! OpenAI 官⽅介绍,GPT-4 是⼀个超⼤的多模态模型,⽀持⽂字输⼊(25000个字 符)和图⽚输⼊。 ⼿套掉下去的问题,⼿套会掉落在⽊板上,球则会被弹⻜。 GPT-4 的性能⾮常强⼤,据 OpenAI 官⽅称,在各种专业和学术基准上和⼈类相当。 GPT-4 还可以理解图表中数据的含义,并做进⼀步计算。输⼊⻓度上限扩展到了3.2万 个token(约2.4万单词)。 GPT-4 还可以按像素处理截图中的⽂字和图⽚,并给出对整篇论⽂的总结摘要。 此外,GPT-4 还可以帮忙修复代码,只需把1万字的程序⽂档扔给 GPT-4,即可解决 问题。 在性能⽅⾯,OpenAI给出了以下表述: 在各种专业和学术基准上与⼈类相当! OpenAI并不仅仅只发布了GPT-4,⽽是⼀次性进⾏了以下“⼤动作”: ChatGPT Plus:GPT-4集成的升级版ChatGPT GPT-4的API发布 技术论⽂公开 * System Card公开0 4622浏览会员免费
- 最少拍大小:1MB纹波分析和无纹波设计实现过程与仿真代码 设计单位阶跃输入信号或单位速度输入信号下的无纹波最少拍控制器;求出U(Z),计算三步控制量u(0), u(1), u(2),并绘制出u(k)的输出波形;绘制出系统输出y(k)的输出波形;提供相应的MATLAB仿真程序和MATLAB波形 最终在plant7和plant8实现了plant3和plant6的重新设计和无纹波仿真,跟踪输入比有纹波牺牲多一拍的时间(积分环节的缘故)。最后为了完善还实现了不同采样时间Ts下的系统设计仿真。另外,所有的代码均在附件Dz.m和Dz.slx,其中所有代码注释均在代码里,为了报告美观就没在本报告对代码进行讲解。 报告格式布局均已设置 原文链接:https://blog.csdn.net/mengshenglo/article/details/123519381纹波分析和无纹波设计实现过程与仿真代码 设计单位阶跃输入信号或单位速度输入信号下的无纹波最少拍控制器;求出U(Z),计算三步控制量u(0), u(1), u(2),并绘制出u(k)的输出波形;绘制出系统输出y(k)的输出波形;提供相应的MATLAB仿真程序和MATLAB波形 最终在plant7和plant8实现了plant3和plant6的重新设计和无纹波仿真,跟踪输入比有纹波牺牲多一拍的时间(积分环节的缘故)。最后为了完善还实现了不同采样时间Ts下的系统设计仿真。另外,所有的代码均在附件Dz.m和Dz.slx,其中所有代码注释均在代码里,为了报告美观就没在本报告对代码进行讲解。 报告格式布局均已设置 原文链接:https://blog.csdn.net/mengshenglo/article/details/1235193810 631浏览免费
- MATLAB大小:39KBHRV分析 一组用于分析心电图数据集以提取心率变异性及其功率谱分析的程序。 对于功率谱,使用了四种不同的方法:a) 傅立叶 b) 韦尔奇周期图(基于傅立叶) c) Burg 自回归 d) Yulear 自回归。 如果您要使用或修改和使用上述程序,请访问以下文件: (1) ML Stavrinou、GC Sakellaropoulos、E. Trachani、V. Sirrou、P. Polychronopoulos、G. Nikiforidis、E. Chroni,心率变异性光谱分析中的方法论问题:在癫痫患者中的应用,生物医学信号处理和控制,卷。 13,第 1-7 页,2014 年。 论文中还使用了这些程序: (2) 不受深部脑刺激影响的帕金森病心率变异性,Trachani E,Constantoyannis C,Sakellaropoulos GC,Stavrinou ML,NHRV分析 一组用于分析心电图数据集以提取心率变异性及其功率谱分析的程序。 对于功率谱,使用了四种不同的方法:a) 傅立叶 b) 韦尔奇周期图(基于傅立叶) c) Burg 自回归 d) Yulear 自回归。 如果您要使用或修改和使用上述程序,请访问以下文件: (1) ML Stavrinou、GC Sakellaropoulos、E. Trachani、V. Sirrou、P. Polychronopoulos、G. Nikiforidis、E. Chroni,心率变异性光谱分析中的方法论问题:在癫痫患者中的应用,生物医学信号处理和控制,卷。 13,第 1-7 页,2014 年。 论文中还使用了这些程序: (2) 不受深部脑刺激影响的帕金森病心率变异性,Trachani E,Constantoyannis C,Sakellaropoulos GC,Stavrinou ML,N2 1547浏览会员免费
- deepsort大小:12MBYolov4-deepsort头盔检测 使用DarknetYOLOv4模型训练的头盔(安全帽)检测器。 测试环境 Windows 10 x64 2020 (build 19041.388) NVIDIA RTX 2070 Super CUDA 10.1 / CuDNN 7.6.5 Python 3.7.7 x64 tensorflow 2.2.0 GPU 训练体重 将重量文件放在./configs 要使用自己的数据集进行训练,您应该使用 。 并需要更改一些参数 使用的数据集 +约100张图片 依存关系 Python opencv-python,numpy,scikit图像在图像上画框和文字 张量流2.2.0 使用DeepSORT模型跟踪对象 matplotlib 创建颜色图 CUDA 10.1 / CuDNN 7.6.5 暗网 用于yolov4对象检测 dark.dll,Yolov4-deepsort头盔检测 使用DarknetYOLOv4模型训练的头盔(安全帽)检测器。 测试环境 Windows 10 x64 2020 (build 19041.388) NVIDIA RTX 2070 Super CUDA 10.1 / CuDNN 7.6.5 Python 3.7.7 x64 tensorflow 2.2.0 GPU 训练体重 将重量文件放在./configs 要使用自己的数据集进行训练,您应该使用 。 并需要更改一些参数 使用的数据集 +约100张图片 依存关系 Python opencv-python,numpy,scikit图像在图像上画框和文字 张量流2.2.0 使用DeepSORT模型跟踪对象 matplotlib 创建颜色图 CUDA 10.1 / CuDNN 7.6.5 暗网 用于yolov4对象检测 dark.dll,5 1232浏览会员免费
- Keysight的802.11be (WiFi7)介绍0 315浏览会员免费
- DLT 698.45-2017 扩展协议0 834浏览会员免费
- 信贷业务从业务流转来看,分为贷前、贷中、贷后。不同的环节,继续拆分贷前又分为贷款申请、贷款审查、贷款审批、贷款开户、贷款发放。贷中细分为贷款计息、贷款利率调整、贷款还款、贷款展期、贷款形态转移。贷后细分为催收/委外、贷款核销、结清销户0 1342浏览免费
- pytorch大小:32MBpytorch-pix2pix pix2pix [1]的各种数据集的Pytorch实现。 您可以下载数据集: : 您可以在查看有关网络体系结构和培训详细信息的更多信息。 资料集 城市风光2,975个训练图像,200个训练纪元,1批大小,反序:真 外墙400个训练图像,200个训练纪元,1个批处理大小,反顺序:真 地图1,096个训练图像,200个训练纪元,1个批处理大小,反序:真 edge2shoes 50k训练图像,15个训练时期,4个批处理大小,反序:False edge2手袋 137k训练图像,15个训练纪元,4个批处理大小,反序:False 结果 城市风光 200个时代后的城市风光第一列:输入,第二列:输出,第三列:基本事实 生成固定输入的动画 学习时间 城市景观pix2pix-平均每个纪元:332.08秒; 总共200个时期:66,846.58秒 外墙 200个时代pytorch-pix2pix pix2pix [1]的各种数据集的Pytorch实现。 您可以下载数据集: : 您可以在查看有关网络体系结构和培训详细信息的更多信息。 资料集 城市风光2,975个训练图像,200个训练纪元,1批大小,反序:真 外墙400个训练图像,200个训练纪元,1个批处理大小,反顺序:真 地图1,096个训练图像,200个训练纪元,1个批处理大小,反序:真 edge2shoes 50k训练图像,15个训练时期,4个批处理大小,反序:False edge2手袋 137k训练图像,15个训练纪元,4个批处理大小,反序:False 结果 城市风光 200个时代后的城市风光第一列:输入,第二列:输出,第三列:基本事实 生成固定输入的动画 学习时间 城市景观pix2pix-平均每个纪元:332.08秒; 总共200个时期:66,846.58秒 外墙 200个时代0 2240浏览会员免费
- it名人大小:14MBit史记1,2部it史记1,2部it史记1,2部it史记1,2部it史记1,2部it史记1,2部it史记1,2部it史记1,2部3 77浏览会员免费
- mri大小:61MB脑MRI序列的预处理 这是对ADNI数据集的大脑MR图像进行预处理的管道通过使用FMRIB软件库( FSL )和高级归一化工具( ANTs )。 1.安装FSL和ANT 按照说明下载并安装FSL 。 从或源代码编译ANT 。 2.安装Python软件包 所有必需的库如下所示: tqdm 麻木 科学的 py 尼巴贝 matplotlib sciKit-fuzzy(可选) scikit-learn(可选) 3.下载数据集 此仓库中使用的数据集是ADNI1和ADNI2的AD和NC筛选图像。 见。 这是原始图像的一个样本。 4.重新组织文件 将工作目录切换到src 。 运行reorgnize.py,它将ADNI1和ADNI2合并到一个文件夹中。 python reorgnize.py 5.注册 运行registraion.py通过FSL FLIRT将图像转换为模板的坐标系。脑MRI序列的预处理 这是对ADNI数据集的大脑MR图像进行预处理的管道通过使用FMRIB软件库( FSL )和高级归一化工具( ANTs )。 1.安装FSL和ANT 按照说明下载并安装FSL 。 从或源代码编译ANT 。 2.安装Python软件包 所有必需的库如下所示: tqdm 麻木 科学的 py 尼巴贝 matplotlib sciKit-fuzzy(可选) scikit-learn(可选) 3.下载数据集 此仓库中使用的数据集是ADNI1和ADNI2的AD和NC筛选图像。 见。 这是原始图像的一个样本。 4.重新组织文件 将工作目录切换到src 。 运行reorgnize.py,它将ADNI1和ADNI2合并到一个文件夹中。 python reorgnize.py 5.注册 运行registraion.py通过FSL FLIRT将图像转换为模板的坐标系。0 2215浏览会员免费
- 本次实验一共由四个部分组成,分别是词法设计、语法设计(包括递归下降和LL1)、语义设计以及窗口界面设计。0 625浏览会员免费
- logistic大小:12KB文件包括逻辑回归的实现,还有相关的数据,以及数据集合,比较全面,适合新手学习或开发,所有语言是python文件包括逻辑回归的实现,还有相关的数据,以及数据集合,比较全面,适合新手学习或开发,所有语言是python0 240浏览会员免费
- 计算信息熵的公式:n是类别数,p(xi)是第i类的概率 假设数据集有m行,即m个样本,每一行最后一列为该样本的标签,计算数据集信息熵的代码如下: from math import log def calcShannonEnt(dataSet): numEntries = len(dataSet) # 样本数 labelCounts = {} # 该数据集每个类别的频数 for featVec in dataSet: # 对每一行样本 currentLabel = featVec[-1] # 该样本的标签 if currentLabel not in labelC0 3835浏览会员免费
- 数据集大小:19MB具体使用请参考:c++ 主成分分析pca代码实现 https://blog.csdn.net/qq_45269116/article/details/106353433具体使用请参考:c++ 主成分分析pca代码实现 https://blog.csdn.net/qq_45269116/article/details/1063534330 542浏览会员免费
- 毕业设计大小:98KB带负载转矩前馈补偿的永磁同步电机FOC 1.采用滑模负载转矩观测器,可快速准确观测到负载转矩。 赠送龙伯格负载转矩观测器用于对比分析。 2.将观测到的负载转矩用作前馈补偿,可提高系统抗负载扰动能力; 提供算法对应的参考文献和仿真模型,支持技术解答。 拿后赠送PMSM控制相关电子文档。 仿真模型纯手工搭建,不是从网络上复制得到。带负载转矩前馈补偿的永磁同步电机FOC 1.采用滑模负载转矩观测器,可快速准确观测到负载转矩。 赠送龙伯格负载转矩观测器用于对比分析。 2.将观测到的负载转矩用作前馈补偿,可提高系统抗负载扰动能力; 提供算法对应的参考文献和仿真模型,支持技术解答。 拿后赠送PMSM控制相关电子文档。 仿真模型纯手工搭建,不是从网络上复制得到。0 301浏览免费
- stm32大小:1MB想要使用正点原子阿波罗的W25Q256 这个32MB的SPI flash作为代码存储和运行闪存,需要BootLoader +APP +下载算法三部分。 先把下载算法复制到D:\MDK\ARM\Flash 打开你的APP,把MDK工程0x8000 0000改成0x9000 0000编译,添加FLM算法到该APP工程。 本算法内给W25Q256设定的映射地址是固定的0x9000 0000 把APP下载到0x9000 0000,这时MDK会根据地址自动下载到地址对应的存储器W25Q256里面了。 BootLoader 工程设置跳转到0x9000 0000,编译下载到0x8000 0000的stm32内部flash,复位。就可以从BootLoader跳转到APP所在的W25Q256即0x9000 0000运行了。 BootLoader在另一个链接里面哦。测试APP在第三个链接里面哦。想要使用正点原子阿波罗的W25Q256 这个32MB的SPI flash作为代码存储和运行闪存,需要BootLoader +APP +下载算法三部分。 先把下载算法复制到D:\MDK\ARM\Flash 打开你的APP,把MDK工程0x8000 0000改成0x9000 0000编译,添加FLM算法到该APP工程。 本算法内给W25Q256设定的映射地址是固定的0x9000 0000 把APP下载到0x9000 0000,这时MDK会根据地址自动下载到地址对应的存储器W25Q256里面了。 BootLoader 工程设置跳转到0x9000 0000,编译下载到0x8000 0000的stm32内部flash,复位。就可以从BootLoader跳转到APP所在的W25Q256即0x9000 0000运行了。 BootLoader在另一个链接里面哦。测试APP在第三个链接里面哦。0 483浏览免费
- 让您更好的了解RINEX文件的格式,方便您处理数据以及阅读源代码,对于学习GNSS的人群以及想着了解相应文件格式的人有较大帮助,全英文版本的,另外最重要的是不收费,可以免费下载。1 1038浏览免费
- 网络安全风险 评估报告 XXXXX有限公司 20XX年X月X日 公司网络安全风险评估报告全文共11页,当前为第1页。 公司网络安全风险评估报告全文共11页,当前为第1页。 目 录 一、概述 4 1.1工作方法 4 1.2评估依据 4 1.3评估范围 4 1.4评估方法 4 1.5基本信息 5 二、资产分析 5 2.1 信息资产识别概述 5 2.2 信息资产识别 5 三、评估说明 6 3.1无线网络安全检查项目评估 6 3.2无线网络与系统安全评估 6 3.3 ip管理与补丁管理 6 3.4防火墙 7 四、威胁细类分析 7 4.1威胁分析概述 7 4.2威胁分类 8 4.3威胁主体 8 五、安全加固与优化 9 5.1加固流程 9 5.2加固措施对照表 10 六、评估结论 11 公司网络安全风险评估报告全文共11页,当前为第2页。 公司网络安全风险评估报告全文共11页,当前为第2页。 一、概述 XXXXX有限公司通过自评估的方式对网络安全进行检查,发现系统当前面临的主要安全问题,边检查边整改,确保信息网络和重要信息系统的安全。 1.1工作方法 在本次网络安全风险评测中将主要采用的评测方法包括:人工评测、工具评测。 1.2评估依据 根据国务院信息化工作办公室《关于对国家基础信息网络和重要信息系统开展安全检查的通知》(信安通[2006]15号)、国家电力监管委员会《关于对电力行业有关单位重要信息系统开展安全检查的通知》(办信息[2006]48号)以及公司文件、检查方案要求, 开展XXXXX有限公司网络安全评估。 1.3评估范围 此次系统测评的范围主要针对该业务系统所涉及的服务器、应用、数据库、网络设备、安全设备、终端等资产。 主要涉及以下方面: 业务系统的应用环境; 网络及其主要基础设施,例如路由器、交换机等; 安全保护措施和设备,例如防火墙、IDS等; 信息安全管理体系。 1.4评估方法 公司网络安全风险评估报告全文共11页,当前为第3页。采用自评估方法。 公司网络安全风险评估报告全文共11页,当前为第3页。 1.5基本信息 被评估系统名称 业务系统负责人 评估工作配合人员 二、资产分析 2.1 信息资产识别概述 资产被定义为对组织具有价值的信息或资源,资产识别的目标就是识别出资产的价值,风险评估中资产的价值不是以资产的经济价值来衡量,而是由资产在其安全属性——机密性、完整性和可用性上的达成程度或者其安全属性未达成时所造成的影响程度来决定的。 风险评估是对本司范围内的重要系统、重要网络设备、重要服务器及其安全属性受破坏后的影响进行识别,将一旦停止运行影响面大的系统、关键网络节点设备和安全设备、承载敏感数据和业务的服务器进行登记汇总。 公司网络安全风险评估报告全文共11页,当前为第4页。2.2 信息资产识别 公司网络安全风险评估报告全文共11页,当前为第4页。 资产分类 资产组 IP地址/名称 资产估价等级 资产型号 具体资产 硬件资产 服务器 网络设备 软件资产 操作系统、数据库和应用软件 三、评估说明 3.1无线网络安全检查项目评估 无线网络信息安全组织机构包括领导机构、工作机构。岗位要求应包括:专职网络管理人员、专职应用系统管理人员和专职系统管理人员;专责的工作职责与工作范围应有制度明确进行界定;岗位实行主、副岗备用制度。病毒管理包括计算机病毒防治管理制度、定期升级的安全策略、病毒预警和报告机制、病毒扫描策略(1周内至少进行一次扫描)。 3.2无线网络与系统安全评估 无线局域网核心交换设备、城域网核心路由设备应采取设备冗余或准备备用设备,不允许外联链路绕过防火墙,具有当前准确的网络拓扑结构图。无线网络设备配置有备份,网络关键点设备采用双电源,关闭网络设备HTTP、FTP、TFTP等服务,SNMP社区串、本地用户口令强健(>8字符,数字、字母混杂)。 3.3 ip管理与补丁管理 公司网络安全风险评估报告全文共11页,当前为第5页。有无线IP地址管理系统,无线IP地址管理有规划方案和分配策略,无线IP地址分配有记录。有补丁管理的手段或补丁管理制度,Windows系统主机补丁安装齐全,有补丁安装的测试记录。 公司网络安全风险评估报告全文共11页,当前为第5页。 3.4防火墙 无线网络中的防火墙位置部署合理,防火墙规则配置符合安全要求,防火墙规则配置的建立、更改有规范申请、审核、审批流程,对防火墙日志进行存储、备份。 四、威胁细类分析 4.1威胁分析概述 4.1.1外部威胁 来自不可控网络的外部攻击,主要指移动的CMNET、其它电信运营商的Internet互联网,以及第三方的攻击,其中互联网的威胁主要是黑客攻击、蠕虫病毒等,而第三方的威胁主要是越权或滥用、泄密、篡改、恶意代码或病毒等。 4.1.2内部威胁 主要来自内部人员的恶意攻击、5 394浏览会员免费
- 2021美赛F奖论文中文版-C题0 809浏览会员免费
- 文档资料大小:218MB由于数据量比较大,为此我分成了几份上传,这个是第8-10届的数据。由于数据量比较大,为此我分成了几份上传,这个是第8-10届的数据。5 5479浏览会员免费
- CAD插件大小:86B批量插入多个 dwg 文件,可设置行距、列距、每行图纸数量及插入点。 (可应用于排版批量插入分户图、宗地图等,如遇错解决方法:复制插图里的一个 dwg 文件作为底图)批量插入多个 dwg 文件,可设置行距、列距、每行图纸数量及插入点。 (可应用于排版批量插入分户图、宗地图等,如遇错解决方法:复制插图里的一个 dwg 文件作为底图)0 532浏览免费
- SOC+安全运营白皮书.pdf0 195浏览免费
- 模电实验大小:2MB使用于西南交通大学所有选择模拟电子技术实验这门课的同学!! 包括: 1、二极管限幅电路 2、算数运算放大器 3、负反馈放大电路 4、电压比较器 5、波形产生电路 6、积分与微分电路 !! 内容详尽,欢迎有需求的同学下载使用于西南交通大学所有选择模拟电子技术实验这门课的同学!! 包括: 1、二极管限幅电路 2、算数运算放大器 3、负反馈放大电路 4、电压比较器 5、波形产生电路 6、积分与微分电路 !! 内容详尽,欢迎有需求的同学下载5 1035浏览会员免费
- EXE大小:411MB免机型验证 小米妙享 For Windows(V3.0.2.68).exe免机型验证 小米妙享 For Windows(V3.0.2.68).exe0 6009浏览会员免费
- 自然语言处理大小:3MB自然语言处理数据集-5 万多条中文命名实体识别标注数据-中文命名实体识别.rar自然语言处理数据集-5 万多条中文命名实体识别标注数据-中文命名实体识别.rar5 619浏览会员免费
- Chat GPT open Api 接口参考文档0 1464浏览免费
- 你要的FPGA&数字前端笔面试题来了 FPGA&ASIC基本开发流程 题目:简述ASIC设计流程,并列举出各部分用到的工具。 ASIC开发基本流程 题目:简述FPGA的开发流程。 FPGA开发基本流程 题目:名词解释: 数字电路基础 题目:数制转换 题目:逻辑函数及其化简 题目:什么是冒险和竞争,如何消除? 题目:用与非门等设计一个全加法器 题目:MOS逻辑门 题目:用D触发器带同步高置数和异步高复位端的二分频的电路,画出逻辑电路,Verilog描述。 题目:ASIC中低功耗的设计方法和思路(不适用于FPGA) 时序逻辑电路基础 题目:简述建立时间和保持时间,作图说明 题目:说明D触发器与Latch的区别。 题目:最小周期计算 题目:什么是Clock Jitter和Clock Skew,这两者有什么区别。 题目:什么是亚稳态,产生的原因,如何消除? 题目:同步和异步 题目:谈谈对Retiming技术的理解 数字集成电路 题目:反相器的速度与哪些因素有关?什么是转换时间(transition time)和传播延迟(propagation delay)? 题目:什么是高阻态 ...0 640浏览会员免费
- SAP S/4 FICO银行主数据创建操作手册(包括开户行,账户标识,银行账户的修改删除冻结等)0 1154浏览会员免费
- 语言模型大小:13KB以下都是ChatGPT自我生成 ChatGPT是一个基于GPT-3.5架构的大型语言模型。GPT-3是一个由OpenAI开发的自然语言处理模型,使用了神经网络技术来生成自然语言文本。ChatGPT的设计初衷是作为一个智能对话系统,可以进行人机对话,提供服务和娱乐。本文将从以下几个方面来解释ChatGPT的原理和工作原理: GPT-3.5模型架构 GPT-3.5模型是在GPT-3模型的基础上进一步优化和改进的。它采用了自回归语言模型的架构,即将文本序列作为输入,生成文本序列作为输出。这种模型的优点是可以生成自然流畅的文本,且可以自动学习语言规则和语言模式。GPT-3.5模型有1750亿个参数,是目前公开的最大规模的语言模型之一。它可以生成非常自然和连贯的文本,具有很高的语言模仿能力。 模型训练 ChatGPT的模型训练是一个非常复杂的过程,需要大量的数据和计算资源。模型的训练数据包括了大量的自然语言文本,如百科全书、维基百科、新闻、小说等。这些数据被用来训练模型的参数,使其可以预测下一个单词或句子。训练过程中采用了一种叫做“自回归”的技术,即在训练过程中,模型会根据前面生成的以下都是ChatGPT自我生成 ChatGPT是一个基于GPT-3.5架构的大型语言模型。GPT-3是一个由OpenAI开发的自然语言处理模型,使用了神经网络技术来生成自然语言文本。ChatGPT的设计初衷是作为一个智能对话系统,可以进行人机对话,提供服务和娱乐。本文将从以下几个方面来解释ChatGPT的原理和工作原理: GPT-3.5模型架构 GPT-3.5模型是在GPT-3模型的基础上进一步优化和改进的。它采用了自回归语言模型的架构,即将文本序列作为输入,生成文本序列作为输出。这种模型的优点是可以生成自然流畅的文本,且可以自动学习语言规则和语言模式。GPT-3.5模型有1750亿个参数,是目前公开的最大规模的语言模型之一。它可以生成非常自然和连贯的文本,具有很高的语言模仿能力。 模型训练 ChatGPT的模型训练是一个非常复杂的过程,需要大量的数据和计算资源。模型的训练数据包括了大量的自然语言文本,如百科全书、维基百科、新闻、小说等。这些数据被用来训练模型的参数,使其可以预测下一个单词或句子。训练过程中采用了一种叫做“自回归”的技术,即在训练过程中,模型会根据前面生成的0 2778浏览免费
- 金融商贸大小:1MB2009-2023年上市公司华证ESG评级得分数据 1、时间:2009-2023年 2、来源:华证ESG评级 3、范围:A股上市公司 4、指标:股票代码、证券简称、年份、ESG得分-年均值、ESG得分-年中位数 5、方法说明:将华证ESG评级进行赋值,指标包含C、CC、CCC、B、BB、BBB、A、AA、AAA共9个等级,将上市公司ESG 等级从低到高分别赋值为1至9 6、参考文献:方先明,胡丁.企业ESG表现与创新——来自A股上市公司的证据[J].经济研究,2023,58(02):91-106.2009-2023年上市公司华证ESG评级得分数据 1、时间:2009-2023年 2、来源:华证ESG评级 3、范围:A股上市公司 4、指标:股票代码、证券简称、年份、ESG得分-年均值、ESG得分-年中位数 5、方法说明:将华证ESG评级进行赋值,指标包含C、CC、CCC、B、BB、BBB、A、AA、AAA共9个等级,将上市公司ESG 等级从低到高分别赋值为1至9 6、参考文献:方先明,胡丁.企业ESG表现与创新——来自A股上市公司的证据[J].经济研究,2023,58(02):91-106.5 401浏览¥ 14.90
- VDA 6.3_EN_2022 黄皮书.最新版 汽车质量VDA6.3-2022过程审核5 1548浏览¥ 11.90
- visio大小:323KBvisio 软件 绘图 42U机柜自带U数。要做个机柜内部设备图。网上找好久找到这个visio的绘图机柜带42u数字显示的机柜下面带轮子的。一比一高清原图visio 软件 绘图 42U机柜自带U数。要做个机柜内部设备图。网上找好久找到这个visio的绘图机柜带42u数字显示的机柜下面带轮子的。一比一高清原图5 968浏览会员免费
- matlab大小:2KB研究非侵入式事件检测(NILM)的双边滑动窗暂态检测算法,它能根据相关信号准确检测到负荷投切等引起的暂态过程、发生时刻等重要信息,matlab程序,完美复现文章的算例代码,仅供学习,欢迎下载!!!研究非侵入式事件检测(NILM)的双边滑动窗暂态检测算法,它能根据相关信号准确检测到负荷投切等引起的暂态过程、发生时刻等重要信息,matlab程序,完美复现文章的算例代码,仅供学习,欢迎下载!!!5 854浏览¥ 22.90
- 复杂网络大小:168KB欧洲邮件记录的复杂网络数据集,edges文件格式,可用Gephi打开,用于对复杂网络的特性的分析欧洲邮件记录的复杂网络数据集,edges文件格式,可用Gephi打开,用于对复杂网络的特性的分析5 838浏览会员免费
- 新能源汽车高压测试标准VW80300 2021版本5 686浏览会员免费
- 鸢尾花分类问题是机器学习领域一个非常经典的问题,本文将利用神经网络来实现鸢尾花分类 实验环境:Windows10、TensorFlow2.0、Spyder 参考资料:人工智能实践:TensorFlow笔记第一讲 1、鸢尾花分类问题描述 根据鸢尾花的花萼、花瓣的长度和宽度可以将鸢尾花分成三个品种 我们可以使用以下代码读取鸢尾花数据集 from sklearn.datasets import load_iris x_data = load_iris().data y_data = load_iris().target 该数据集含有150个样本,每个样本由四个特征和一个标签组成,四个特征分别为:0 2166浏览会员免费
- 卫计委大小:32MBWS/T 303-2009 卫生信息数据元标准化规则 WS/T 304-2009 卫生信息数据模式描述指南 WS/T 305-2009 卫生信息数据集元数据规范 WS/T 306-2009 卫生信息数据集分类与编码规则WS/T 303-2009 卫生信息数据元标准化规则 WS/T 304-2009 卫生信息数据模式描述指南 WS/T 305-2009 卫生信息数据集元数据规范 WS/T 306-2009 卫生信息数据集分类与编码规则0 390浏览会员免费
- 针对在遥感影像建筑物提取过程中,建筑物与周围环境信息混淆导致提取精度下降的问题,提出了一种低维特征信息增强的改进U型卷积神经网络(U-net)模型,用于遥感影像建筑物的提取。借鉴医学影像分割中应用广泛的U-net模型对建筑物进行提取;考虑到在网络传播过程中低维细节信息逐级削弱,在特征金字塔中的特征图与扩张路径同级上的特征融合前,先与上一层级的特征图进行融合,进一步优化了提取结果的边缘提取精度。在覆盖范围约340 km 2的遥感影像数据集上进行实验,结果表明本文提出的方法在交并比、像素精度和Kappa系数3个指标上的均值分别达到83.9%、92.8%和83.6%,均优于模糊C均值、全卷积网络与经典U-net方法。0 1890浏览会员免费
- ZIP大小:224KBTCGA肺癌数据分析 该数据分析项目已在密歇根大学的2020年秋季我的Stats 600回归分析课程中完成。 分析的数据包含肺癌患者的样本以及不同的临床因素及其基因组信息。 在此分析中,我想回答以下问题:哪些mRNA基因表达与肺癌患者的生存时间最相关? 与其他种族,性别和年龄等临床因素相比,吸烟与肺癌患者的生存时间是否更紧密相关? 放射疗法是延长患者生存时间的有效手段吗?TCGA肺癌数据分析 该数据分析项目已在密歇根大学的2020年秋季我的Stats 600回归分析课程中完成。 分析的数据包含肺癌患者的样本以及不同的临床因素及其基因组信息。 在此分析中,我想回答以下问题:哪些mRNA基因表达与肺癌患者的生存时间最相关? 与其他种族,性别和年龄等临床因素相比,吸烟与肺癌患者的生存时间是否更紧密相关? 放射疗法是延长患者生存时间的有效手段吗?5 2683浏览会员免费
- TIMIT语音库大小:7MBTIMIT语音库采集了美式语音数据,这里是部分数据,一共60句话。是语音识别必不可少的数据集。TIMIT语音库采集了美式语音数据,这里是部分数据,一共60句话。是语音识别必不可少的数据集。0 333浏览会员免费
- 今天,我结合代码来详细介绍如何使用 SciSharp STACK 的 TensorFlow.NET 来训练CNN模型,该模型主要实现 图像的分类 ,可以直接移植该代码在 CPU 或 GPU 下使用,并针对你们自己本地的图像数据集进行训练和推理。TensorFlow.NET是基于 .NET Standard 框架的完整实现的TensorFlow,可以支持 .NET Framework 或 .NET CORE , TensorFlow.NET 为广大.NET开发者提供了完美的机器学习框架选择。 SciSharp STACK:https://github.com/SciSharp 什么是Tensor5 681浏览会员免费
- 现今,越来越多的企业面临着各种各样的数据集成和系统整合,CORBA、DCOM、 RMI 等RPC 中间件技术也应运而生,但由于采用RPC 同 步处理技术,在性能、健壮性、 可扩展性上都存在着诸多缺点。而基于消息的异步处理模型采用非阻塞的调用特性,发送者 将消息发送给消息服务器,消息服务器在合适的时候再将消息转发给接收者;发送和接收是 异步的,发送者无需等待,二者的生命周期也可以不必相同,而且发送者可以将消息间接传 给多个接收者,大大提 高了程序的性能、可扩展性及健壮性,这使得异步处理模型在分布 式应用上比起同步处理模型更具有吸引力。 本文首先介绍了消息中间件的原理,然后实现消息中间件的一些最重要的功能, 并 说明了实现方法,以及相应功能的应用,最后介绍消息中间件还可以添加哪些重要性质,以 更好的进行消息服务,保证消息的一致异步有效的技术。 关键字:消息中间件,实现,点对点,发布/订阅,持久消息4 168浏览会员免费
- MapReduce中文翻译,MapReduce是一个编程模型、和处理,产生大数据集的相关实现。用户指定一个map函数处理一个key/value对,从而产生中间的key/value对集。然后再指定一个reduce函数合并所有的具有相同中间key的中间value。下面将列举许多可以用这个模型来表示的实际工作。0 184浏览会员免费
- 坐标报备大小:4MBCAD坐标报备插件,可生成txt格式文件CAD坐标报备插件,可生成txt格式文件5 1450浏览会员免费
- 2020中国自动驾驶仿真蓝皮书.pdf0 486浏览会员免费
- 传统的航天应用以卫星为主,包括通信、导航、遥感、科研四大方向。随着商业航天的 兴起,产生了新的方向,在卫星通信领域出现了卫星互联网,以及太空旅行、太空采矿、 深空探测等。更长期的如建设太空基地、移民火星等,也是人类航天技术未来可能的发 展方向。卫星通信:卫星互联网+无人驾驶或引领下一波科技浪潮。我们认为,卫星通信与地 面通信相比,具有:1)优势:覆盖面积广;2)劣势:由于轨道位置较远、发星成 本较高等原因,信号时延长、覆盖深度弱、通信速率低,因此需要新的终端支持。 我们认为,通过电动车+卫星通信互联网的垂直整合,可以打破车联网建设资本开支 较高和覆盖较差的问题,或将为智能出行行业带来下一波革命0 316浏览会员免费
- JupyterNotebook大小:59MBIndian_pines_classification 运行环境 Anaconda 3.6.4 python=3.6.4 Keras=2.1.5 TensorFlow=1.3.0 作为keras后端 numpy=1.14.2 notebook=5.4.1 ipython=6.3.1 spectral=0.19 代码结构 dataset.ipynb 利用spectral工具包读取数据集,然后对数据集进行预处理,包括进行训练测试集分割 / 序列化和PCA变换,并将其以npy的格式保存到文件中.处理后的数据集保存在predata文件夹中. train.ipynb 利用keras构建卷积神经网络模型,读取与处理的数据集进行训练. 其中训练过程,使用随机梯度下降法SGD作为优化算法,使用多分类的对数损失函数categorical_crossentropy作为损失函数. 使用ReduceLROnPlaIndian_pines_classification 运行环境 Anaconda 3.6.4 python=3.6.4 Keras=2.1.5 TensorFlow=1.3.0 作为keras后端 numpy=1.14.2 notebook=5.4.1 ipython=6.3.1 spectral=0.19 代码结构 dataset.ipynb 利用spectral工具包读取数据集,然后对数据集进行预处理,包括进行训练测试集分割 / 序列化和PCA变换,并将其以npy的格式保存到文件中.处理后的数据集保存在predata文件夹中. train.ipynb 利用keras构建卷积神经网络模型,读取与处理的数据集进行训练. 其中训练过程,使用随机梯度下降法SGD作为优化算法,使用多分类的对数损失函数categorical_crossentropy作为损失函数. 使用ReduceLROnPla5 1481浏览会员免费
- TXT大小:106B毕业设计一深度学习之MRI数据集预处理(合并,裁剪以及重命名等操作)-附件资源毕业设计一深度学习之MRI数据集预处理(合并,裁剪以及重命名等操作)-附件资源0 1304浏览会员免费
- 关联分析大小:5MB算法通过应用程序实现,在输入文本中输入数据集,应用窗口读入数据设置阈值即可运行生成结果。算法通过应用程序实现,在输入文本中输入数据集,应用窗口读入数据设置阈值即可运行生成结果。0 485浏览会员免费
- 番茄作物是市场上的重要主食,并且是日常食用的最常见的作物之一。 植物或农作物疾病导致生产质量和数量下降; 因此,对这些疾病的检测和分类非常必要。 感染番茄植物的疾病有很多类型,例如细菌斑,晚疫病,裁缝叶斑,番茄花叶和黄色弯曲。 早期发现植物病害可提高产量并提高其质量。 当前,智能方法已被广泛用于检测和分类这些疾病。 这种方法可以帮助农民识别类型吗? 感染农作物的疾病 当前工作的主要目的是应用一种现代技术来识别和分类疾病。 智能技术基于使用卷积神经网络(CNN)的技术,而卷积神经网络是机器学习的一部分,可以早期发现有关植物状况的信息。 CNN方法取决于从输入图像中提取特征(例如颜色,叶子边缘等),并在此基础上确定分类。 Matlab m文件已用于构建CNN结构。 从植物村获得的数据集已用于训练网络(CNN)。 所建议的神经网络已被用于分类六种类型的番茄叶片情况(一种健康的叶片植物疾病和五种类型的叶片疾病)。 结果表明,卷积神经网络(CNN)已经实现了96.43%的分类精度。 真实图像用于验证建议的CNN技术进行检测和分类的能力,并使用5兆像素相机从真实农场中获得,因为感染该星球的大多数常0 1940浏览会员免费
- real-time大小:665KBYolov5 +使用PyTorch进行深度排序 介绍 该存储库包含PyTorch YOLOv5的简化版( )。 它过滤掉不是人的所有检测。 然后,将对人员的检测传递给跟踪人员的深度排序算法( )。 它仅跟踪人员这一事实背后的原因是,深度关联度量仅在人员数据集上进行训练。 描述 该实现基于两篇文章: 使用深度关联指标进行简单的在线和实时跟踪 YOLOv4:物体检测的最佳速度和准确性 要求 安装了所有requirements.txt依赖关系的Python 3.8或更高版本,包括torch> = 1.7。 要安装运行: pip install -U -r requirements.txt 所有依赖项都包含在关联的docker映像中。 Docker要求是: nvidia-docker Nvidia驱动程序版本> = 440.44 在运行跟踪器之前 递归克隆存储库: git cloYolov5 +使用PyTorch进行深度排序 介绍 该存储库包含PyTorch YOLOv5的简化版( )。 它过滤掉不是人的所有检测。 然后,将对人员的检测传递给跟踪人员的深度排序算法( )。 它仅跟踪人员这一事实背后的原因是,深度关联度量仅在人员数据集上进行训练。 描述 该实现基于两篇文章: 使用深度关联指标进行简单的在线和实时跟踪 YOLOv4:物体检测的最佳速度和准确性 要求 安装了所有requirements.txt依赖关系的Python 3.8或更高版本,包括torch> = 1.7。 要安装运行: pip install -U -r requirements.txt 所有依赖项都包含在关联的docker映像中。 Docker要求是: nvidia-docker Nvidia驱动程序版本> = 440.44 在运行跟踪器之前 递归克隆存储库: git clo0 3457浏览会员免费
- 手写数字大小:6MB手写数字数据集,0-9。 28*28以及30*30两种,每种10000张。仅包含图片。支持定制汉字,以及字符,私聊。手写数字数据集,0-9。 28*28以及30*30两种,每种10000张。仅包含图片。支持定制汉字,以及字符,私聊。0 1062浏览会员免费
- python大小:47MB我们介绍了带变分推理的贝叶斯卷积神经网络,这是卷积神经网络(CNN)的一种变体,其中权重的难处理的后验概率分布是由Backprop的Bayes推断的。 我们证明我们提出的变分推断方法是如何实现的性能相当于频率论推理在几个数据集(MNIST,CIFAR10,CIFAR100),如所描述的相同结构。 贝叶斯vs频频方法中的过滤器权重分布 整个CNN的全贝叶斯视角 图层类型 该存储库包含两种类型的贝叶斯lauer实现: BBB(Backprop的Bayes): 基于。 该层分别对所有权重进行采样,然后将其与输入组合以从激活中计算出一个样本。 BBB_LRT(使用本地重新参数化技巧的Backprop进行Bayes操作): 这一层与本地重新参数伎俩结合贝叶斯通过Backprop。 这个技巧使得可以直接从激活中的分布中采样。 制作自定义贝叶斯网络? 要创建自定义贝叶斯网络,请继承layers.m我们介绍了带变分推理的贝叶斯卷积神经网络,这是卷积神经网络(CNN)的一种变体,其中权重的难处理的后验概率分布是由Backprop的Bayes推断的。 我们证明我们提出的变分推断方法是如何实现的性能相当于频率论推理在几个数据集(MNIST,CIFAR10,CIFAR100),如所描述的相同结构。 贝叶斯vs频频方法中的过滤器权重分布 整个CNN的全贝叶斯视角 图层类型 该存储库包含两种类型的贝叶斯lauer实现: BBB(Backprop的Bayes): 基于。 该层分别对所有权重进行采样,然后将其与输入组合以从激活中计算出一个样本。 BBB_LRT(使用本地重新参数化技巧的Backprop进行Bayes操作): 这一层与本地重新参数伎俩结合贝叶斯通过Backprop。 这个技巧使得可以直接从激活中的分布中采样。 制作自定义贝叶斯网络? 要创建自定义贝叶斯网络,请继承layers.m0 1838浏览会员免费
- ZIP大小:122MBKD全景下载器v1.4.1.zipKD全景下载器v1.4.1.zip5 2164浏览会员免费
- 中国智能网联汽车技术规程(C-ICAP)-记忆泊车辅助评价细则 HPA0 279浏览免费
- 在之前发布的一篇博文《MNIST数据集实现车牌识别–初步演示版》中,我们演示了如何使用TensorFlow进行车牌识别,但是,当时采用的数据集是MNIST数字手写体,只能分类0-9共10个数字,无法分类省份简称和字母,局限性较大,无实际意义。 经过图像定位分割处理,博主收集了相关省份简称和26个字母的图片数据集,结合前述博文中贴出的python+TensorFlow代码,实现了完整的车牌识别功能。本着分享精神,在此送上全部代码和车牌数据集。 车牌数据集下载地址(约4000张图片):tf_car_license_dataset_jb51.rar 省份简称训练+识别代码(保存文件名为train-l5 915浏览会员免费
- 数据集大小:74MBmovielens数据集(包含全部数据:10万、100万、1000万条评分数据)movielens数据集(包含全部数据:10万、100万、1000万条评分数据)0 2157浏览会员免费
- Python大小:5KB用于CIFAR-10-图像分类的卷积神经网络 使用CNN进行CIFAR-10图像分类 CIFAR-10数据集包含来自10类的32x32彩色图像:飞机,汽车,鸟类,猫,鹿,狗,青蛙,马,船,卡车: 1.准备数据 我们需要将输入标准化,例如:$$ x_ {norm} = \ frac {x} {255}-0.5 $$ 我们需要将类标签转换为一键编码的向量。 使用keras.utils.to_categorical 。 2.定义要用来训练模型的架构 3.训练模型 该模型训练了10个时期 4. ##评估模型 在测试集上评估模型。 打印混淆矩阵。 在混淆矩阵中,单元格的颜色越亮表示该单元格中的值越高。 理想情况下,矩阵的对角线应为高值,以指示模型正确预测了真实标签。 5.可视化类激活图 以下代码将打印正在考虑的图像,它是对应的激活图,以及覆盖在图像上的激活图。 这有助于我们找出有助于网络进行预测/用于CIFAR-10-图像分类的卷积神经网络 使用CNN进行CIFAR-10图像分类 CIFAR-10数据集包含来自10类的32x32彩色图像:飞机,汽车,鸟类,猫,鹿,狗,青蛙,马,船,卡车: 1.准备数据 我们需要将输入标准化,例如:$$ x_ {norm} = \ frac {x} {255}-0.5 $$ 我们需要将类标签转换为一键编码的向量。 使用keras.utils.to_categorical 。 2.定义要用来训练模型的架构 3.训练模型 该模型训练了10个时期 4. ##评估模型 在测试集上评估模型。 打印混淆矩阵。 在混淆矩阵中,单元格的颜色越亮表示该单元格中的值越高。 理想情况下,矩阵的对角线应为高值,以指示模型正确预测了真实标签。 5.可视化类激活图 以下代码将打印正在考虑的图像,它是对应的激活图,以及覆盖在图像上的激活图。 这有助于我们找出有助于网络进行预测/0 1830浏览会员免费
- 数据集大小:225MB中文预训练词向量北京师范大学中文信息处理研究所与中国人民大学 DBIIR 实验室的研究者开源的"chinese-word-vectors"。github地址为:https://github.com/Embedding/Chinese-Word-Vectors 此中文预训练词向量为知乎Word + Ngram的词向量中文预训练词向量北京师范大学中文信息处理研究所与中国人民大学 DBIIR 实验室的研究者开源的"chinese-word-vectors"。github地址为:https://github.com/Embedding/Chinese-Word-Vectors 此中文预训练词向量为知乎Word + Ngram的词向量1 1286浏览会员免费