- python大小:755MB目标检测之口罩检测数据集 格式是VOC数据格式: JPEGImages -- 图片保存的目标 Annotations -- 目标检测标注信息,一个xml文件对应JPEGImages里边的一张图片; 目标检测之口罩检测数据集 格式是VOC数据格式: JPEGImages -- 图片保存的目标,; Annotations -- 目标检测标注信息,一个xml文件对应JPEGImages里边的一张图片;目标检测之口罩检测数据集 格式是VOC数据格式: JPEGImages -- 图片保存的目标 Annotations -- 目标检测标注信息,一个xml文件对应JPEGImages里边的一张图片; 目标检测之口罩检测数据集 格式是VOC数据格式: JPEGImages -- 图片保存的目标,; Annotations -- 目标检测标注信息,一个xml文件对应JPEGImages里边的一张图片;0 304浏览会员免费
- 数据集大小:42MB分析使用了DataCo Global公司使用的供应链数据集。供应链数据集,允许使用机器学习算法和R软件。重要的注册活动领域包括:供应,生产,销售,商业分销,还允许将结构化数据与非结构化数据进行关联以生成知识。 DescriptionDataCoSupplyChain.csv DataCoSupplyChainDataset.csv tokenized_access_logs.csv分析使用了DataCo Global公司使用的供应链数据集。供应链数据集,允许使用机器学习算法和R软件。重要的注册活动领域包括:供应,生产,销售,商业分销,还允许将结构化数据与非结构化数据进行关联以生成知识。 DescriptionDataCoSupplyChain.csv DataCoSupplyChainDataset.csv tokenized_access_logs.csv0 657浏览会员免费
- 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现实世界的工作 我们的MapReduce实现运行在规模可以灵活调整的由普通机器组成的机群上,一个典型的MapReduce计算处理几千台机器上的以TB计算的数据.程序员发现这个系统非常好用:已经实现了数以百计的MapReduce程序,每天在Google的机群上都有1000多个MapReduce程序在执行.3 58浏览会员免费
- 附件源码大小:3MBAutoencoder 主要包括自编码器及其变形的理论+实践。 PDF整理 PDF来源于本人的理解+整理,部分图片来源于网上,已有标注,PDF对应博客详见: 。 因时间原因,代码中epoch设置的较小,实际状况下,肯定要更大。 主要内容 暂时代码包括普通自编码器(Autoencoder.py)、栈式自编码器(StackAutoencoder)、稀疏自编码器(SparseAutoencoder.py)和去噪自编码器(DenoisingAutoencoder.py)的简单实现,代码每一步都有注释。 关于收缩自编码器、变分自编码器、CNN自编码器等后更。 基于框架:Keras2.0.4 数据集:Mnist 具体设置等请参见代码或者博客 代码运行结果: 1、普通自编码器: 简单自动编码器架构图 Encoder层输出结果可视化 Autoencoder生成图片和原图片对比 2、栈式自编码器: 栈式自动Autoencoder 主要包括自编码器及其变形的理论+实践。 PDF整理 PDF来源于本人的理解+整理,部分图片来源于网上,已有标注,PDF对应博客详见: 。 因时间原因,代码中epoch设置的较小,实际状况下,肯定要更大。 主要内容 暂时代码包括普通自编码器(Autoencoder.py)、栈式自编码器(StackAutoencoder)、稀疏自编码器(SparseAutoencoder.py)和去噪自编码器(DenoisingAutoencoder.py)的简单实现,代码每一步都有注释。 关于收缩自编码器、变分自编码器、CNN自编码器等后更。 基于框架:Keras2.0.4 数据集:Mnist 具体设置等请参见代码或者博客 代码运行结果: 1、普通自编码器: 简单自动编码器架构图 Encoder层输出结果可视化 Autoencoder生成图片和原图片对比 2、栈式自编码器: 栈式自动0 426浏览会员免费
- RAR大小:1MB中国企业数据集成与数据质量白皮书,最新版,希望大家多多支持中国企业数据集成与数据质量白皮书,最新版,希望大家多多支持4 154浏览会员免费
- 数据集大小:13MB零基础入门推荐系统 - 新闻推荐比赛数据 articles.csv train_click_log.csv零基础入门推荐系统 - 新闻推荐比赛数据 articles.csv train_click_log.csv0 715浏览会员免费
- 地震剖面大小:3KB地震数据剖面画图-Matlab程序地震数据剖面画图-Matlab程序0 456浏览会员免费
- Python大小:13MB挡风玻璃上的雨滴 我们提供一组公开可用的图像,用于训练和评估视觉算法在相机镜头或挡风玻璃上进行雨滴检测的不同任务的性能。 目前,它包含8190张图像,其中3390张包含雨滴。 数据集描述 数据集的图像是在移动过程中通过安装在车辆上的摄像头捕获的。 车辆的运动发生在市区和高速公路上,因此该数据集非常适合训练和评估视觉算法,以进行自动车辆摄像机镜头污染检测。 数据集表示包含8190张图像的视频帧序列,其中3390张包含雨滴。 通过用多边形勾勒出伪影来标记图像。 标记结果以JSON格式存储。 此外,还从该标记生成了二进制掩码,为方便起见,这些掩码也显示在数据集中。 白色表示伪影区域。 详细信息已发布在: 序列1 seq2 ... 序列1 seq2 ... 下载 人工雨滴生成算法 除了数据集,我们提出了一种算法,该算法可以在图像中生成各种逼真的人工滴。 收集具有各种雨滴的图像是一项艰巨挡风玻璃上的雨滴 我们提供一组公开可用的图像,用于训练和评估视觉算法在相机镜头或挡风玻璃上进行雨滴检测的不同任务的性能。 目前,它包含8190张图像,其中3390张包含雨滴。 数据集描述 数据集的图像是在移动过程中通过安装在车辆上的摄像头捕获的。 车辆的运动发生在市区和高速公路上,因此该数据集非常适合训练和评估视觉算法,以进行自动车辆摄像机镜头污染检测。 数据集表示包含8190张图像的视频帧序列,其中3390张包含雨滴。 通过用多边形勾勒出伪影来标记图像。 标记结果以JSON格式存储。 此外,还从该标记生成了二进制掩码,为方便起见,这些掩码也显示在数据集中。 白色表示伪影区域。 详细信息已发布在: 序列1 seq2 ... 序列1 seq2 ... 下载 人工雨滴生成算法 除了数据集,我们提出了一种算法,该算法可以在图像中生成各种逼真的人工滴。 收集具有各种雨滴的图像是一项艰巨0 536浏览会员免费
- ArcGIS大小:16MBarcgis 批量工具箱、arcgis样式工具箱、arcgis辅助数据处理工具arcgis 批量工具箱、arcgis样式工具箱、arcgis辅助数据处理工具0 376浏览会员免费
- dataset大小:13MBTotal-Text-Dataset(官方站点) 于2020年4月29日更新(检测排行榜已更新,突出显示了E2E方法。谢谢 。) 2020年3月19日更新(查询测试集的新基础) 2019年9月8日更新(现已提供Total-Text的新) 2019年9月7日更新(已更新用于场景文本图像标注的) 于2019年9月7日更新(关于我们的IJDAR的已更新) 2019年8月1日更新( 接受带有新基准+注释工具的扩展版) 2019年5月30日更新(关于Total-Text和ArT数据集的重要公告) 于2019年4月2日更新(更新表排名,默认为我们建议的DetEval) 已于2019年3月31日更新(更快版本的DetEval.py,支持Python3。谢谢 。) 2019年3月14日更新(更新了带有评估协议信息的表排名。) 2018年11月26日更新(已包含表格排名以供参考。)Total-Text-Dataset(官方站点) 于2020年4月29日更新(检测排行榜已更新,突出显示了E2E方法。谢谢 。) 2020年3月19日更新(查询测试集的新基础) 2019年9月8日更新(现已提供Total-Text的新) 2019年9月7日更新(已更新用于场景文本图像标注的) 于2019年9月7日更新(关于我们的IJDAR的已更新) 2019年8月1日更新( 接受带有新基准+注释工具的扩展版) 2019年5月30日更新(关于Total-Text和ArT数据集的重要公告) 于2019年4月2日更新(更新表排名,默认为我们建议的DetEval) 已于2019年3月31日更新(更快版本的DetEval.py,支持Python3。谢谢 。) 2019年3月14日更新(更新了带有评估协议信息的表排名。) 2018年11月26日更新(已包含表格排名以供参考。)0 1295浏览会员免费
- 基于SSIS企业数据集成系统的技术实现大小:246KB基于SSIS企业数据集成系统的技术实现.基于SSIS企业数据集成系统的技术实现.0 92浏览会员免费
- sklearn大小:6KB20newsgroups-text-classification 对20 newsgroups 数据集 进行文本分类 方法 基于传统机器学习方法的文本分类 基于深度学习的文本分类 测试结果 传统机器学习方法 MultinomialNB准确率为: 0.8960196779964222 SGDClassifier准确率为: 0.9724955277280859 LogisticRegression准确率为: 0.9304561717352415 SVC准确率为: 0.13372093023255813 LinearSVC准确率为: 0.9749552772808586 LinearSVR准确率为: 0.00022361359570661896 MLPClassifier准确率为: 0.9758497316636852 KNeighborsClassifier准确率为: 0.458407871120newsgroups-text-classification 对20 newsgroups 数据集 进行文本分类 方法 基于传统机器学习方法的文本分类 基于深度学习的文本分类 测试结果 传统机器学习方法 MultinomialNB准确率为: 0.8960196779964222 SGDClassifier准确率为: 0.9724955277280859 LogisticRegression准确率为: 0.9304561717352415 SVC准确率为: 0.13372093023255813 LinearSVC准确率为: 0.9749552772808586 LinearSVR准确率为: 0.00022361359570661896 MLPClassifier准确率为: 0.9758497316636852 KNeighborsClassifier准确率为: 0.45840787110 907浏览会员免费
- 数据集大小:4MB对应https://gist.github.com/kunalj101/ad1d9c58d338e20d09ff26bcc06c4235对应https://gist.github.com/kunalj101/ad1d9c58d338e20d09ff26bcc06c42350 1144浏览会员免费
- unity大小:1006KB高铁动车模型 FBX格式 8节车厢 可在3DMAX Blender unity中加载 建议使用高铁动车模型 FBX格式 8节车厢 可在3DMAX Blender unity中加载 建议使用0 203浏览会员免费
- Unity大小:656KB可自定义条形图 -可自定义折线图 -可自定义饼图 -X和Y轴标签自定义 -X和Y轴线自定义 -多个数据集可用.....等可自定义条形图 -可自定义折线图 -可自定义饼图 -X和Y轴标签自定义 -X和Y轴线自定义 -多个数据集可用.....等0 292浏览会员免费
- YOLOV8安全帽佩戴检测(含大小:252MBYOLOV8 安全帽佩戴检测(含训练好的模型和训练集)YOLOV8 安全帽佩戴检测(含训练好的模型和训练集)0 207浏览会员免费
- Python大小:3MB这是一个简单的文本分类示例,其中使用了用Python编写的潜在语义分析(LSA)并使用了scikit-learn库。 该代码与我在撰写的LSA教程博客文章一起提供。 脚步: [可选]:运行getReutersTextArticles.py下载Reuters数据集并提取原始文本。 已经为您执行了此步骤,并且数据集存储在“数据”文件夹中。 运行runClassification_LSA.py将LSA应用于数据集,然后测试分类准确性。 运行inspect_LSA.py可以深入了解LSA在做什么。这是一个简单的文本分类示例,其中使用了用Python编写的潜在语义分析(LSA)并使用了scikit-learn库。 该代码与我在撰写的LSA教程博客文章一起提供。 脚步: [可选]:运行getReutersTextArticles.py下载Reuters数据集并提取原始文本。 已经为您执行了此步骤,并且数据集存储在“数据”文件夹中。 运行runClassification_LSA.py将LSA应用于数据集,然后测试分类准确性。 运行inspect_LSA.py可以深入了解LSA在做什么。0 664浏览会员免费
- 今天小编就为大家分享一篇Pytorch使用MNIST数据集实现CGAN和生成指定的数字方式,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧3 1527浏览会员免费
- GVINS大小:28MBGVINS文章,GVINS源码,GVINS-Dataset源码(不含数据集),GNSS_COMM源码 详见博客:https://blog.csdn.net/haner27/article/details/117924355 这里面的在文章提到的链接里都可以下载到,传上来也是为了自己省事,同时也给网不好的小伙伴节省时间,这里只是github里涉及的三个包,可以看源码。不包括论文里的数据集,论文里数据集有两个,每个都20多个G,我自己还没下载下来,太难了!一起加油!GVINS文章,GVINS源码,GVINS-Dataset源码(不含数据集),GNSS_COMM源码 详见博客:https://blog.csdn.net/haner27/article/details/117924355 这里面的在文章提到的链接里都可以下载到,传上来也是为了自己省事,同时也给网不好的小伙伴节省时间,这里只是github里涉及的三个包,可以看源码。不包括论文里的数据集,论文里数据集有两个,每个都20多个G,我自己还没下载下来,太难了!一起加油!0 954浏览会员免费
- 开源项目大小:1MB快速实现Android多级树形列表,这个库是在鸿洋多级树形列表demo中修改而来。解决的问题:支持ID为int类型和String类型。支持多级复选框选中,使用只需一行代码。支持动态更新数据并保持原有展开/关闭状态。支持ListView、RecyclerView。USE我们关联列表树需要有三个必须元素,当前id、父级id即pid,显示的内容。id和pid可以为int或者String以及其他类型。要显示的内容需要包装一下://id pid name FileNode为实际用的实体Bean对象 mlist.add(new Node("223","0","我也是添加的root节点",new FileNode()));对于ListView,需要继承自TreeListViewAdapter,如:public class SimpleTreeAdapter extends TreeListViewAdapter { public SimpleTreeAdapter(ListView mTree, Context context, List<Node> datas, int defaultExpandLevel, int iconExpand, int iconNoExpand) { super(mTree, context, datas, defaultExpandLevel, iconExpand, iconNoExpand); } public SimpleTreeAdapter(ListView mTree, Context context, List<Node> datas, int defaultExpandLevel) { super(mTree, context, datas, defaultExpandLevel); } @Override public View getConvertView(final Node node , int position, View convertView, ViewGroup parent) { final ViewHolder viewHolder ; if (convertView == null) { convertView = mInflater.inflate(R.layout.list_item, parent, false); viewHolder = new ViewHolder(); viewHolder.cb = (CheckBox) convertView .findViewById(R.id.cb_select_tree); viewHolder.label = (TextView) convertView .findViewById(R.id.id_treenode_label); viewHolder.icon = (ImageView) convertView.findViewById(R.id.icon); convertView.setTag(viewHolder); } else { viewHolder = (ViewHolder) convertView.getTag(); } viewHolder.cb.setOnClickListener(new View.OnClickListener() { @Override public void onClick(View v) { setChecked(node,viewHolder.cb.isChecked()); } }); if (node.isChecked()){ viewHolder.cb.setChecked(true); }else { viewHolder.cb.setChecked(false); } if (node.getIcon() == -1) { viewHolder.icon.setVisibility(View.INVISIBLE); } else { viewHolder.icon.setVisibility(View.VISIBLE); viewHolder.icon.setImageResource(node.getIcon()); } viewHolder.label.setText(node.getName()); return convertView; } private final class ViewHolder { ImageView icon; CheckBox cb; TextView label; } }对于RecyclerView,需继承自TreeRecyclerAdapter,如:public class SimpleTreeRecyclerAdapter extends TreeRecyclerAdapter { public SimpleTreeRecyclerAdapter(RecyclerView mTree, Context context, List<Node> datas, int defaultExpandLevel, int iconExpand, int iconNoExpand) { super(mTree, context, datas, defaultExpandLevel, iconExpand, iconNoExpand); } public SimpleTreeRecyclerAdapter(RecyclerView mTree, Context context, List<Node> datas, int defaultExpandLevel) { super(mTree, context, datas, defaultExpandLevel); } @Override public RecyclerView.ViewHolder onCreateViewHolder(ViewGroup parent, int viewType) { return new MyHoder(View.inflate(mContext, R.layout.list_item,null)); } @Override public void onBindViewHolder(final Node node, RecyclerView.ViewHolder holder, int position) { final MyHoder viewHolder = (MyHoder) holder; //todo do something viewHolder.cb.setOnClickListener(new View.OnClickListener() { @Override public void onClick(View v) { setChecked(node,viewHolder.cb.isChecked()); } }); if (node.isChecked()){ viewHolder.cb.setChecked(true); }else { viewHolder.cb.setChecked(false); } if (node.getIcon() == -1) { viewHolder.icon.setVisibility(View.INVISIBLE); } else { viewHolder.icon.setVisibility(View.VISIBLE); viewHolder.icon.setImageResource(node.getIcon()); } viewHolder.label.setText(node.getName()); } class MyHoder extends RecyclerView.ViewHolder{ public CheckBox cb; public TextView label; public ImageView icon; public MyHoder(View itemView) { super(itemView); cb = (CheckBox) itemView .findViewById(R.id.cb_select_tree); label = (TextView) itemView .findViewById(R.id.id_treenode_label); icon = (ImageView) itemView.findViewById(R.id.icon); } } }初始化: ListView://第一个参数 ListView //第二个参数 上下文 //第三个参数 数据集 //第四个参数 默认展开层级数 0为不展开 //第五个参数 展开的图标 //第六个参数 闭合的图标 mAdapter = new SimpleTreeAdapter(mTree, ListViewActivity.this, mDatas, 1,R.mipmap.tree_ex,R.mipmap.tree_ec); mTree.setAdapter(mAdapter);RecyclerView://第一个参数 RecyclerView //第二个参数 上下文 //第三个参数 数据集 //第四个参数 默认展开层级数 0为不展开 //第五个参数 展开的图标 //第六个参数 闭合的图标 mAdapter = new SimpleTreeRecyclerAdapter(mTree, RecyclerViewActivity.this, mDatas, 1,R.mipmap.tree_ex,R.mipmap.tree_ec); mTree.setAdapter(mAdapter);添加数据,可以保持原有选中或者展开状态:List<Node> mlist = new ArrayList<>(); mlist.add(new Node("223","0","我也是添加的root节点",new FileNode())); mAdapter.addData(0,mlist);获取选中内容:如果node的isChecked()为true,即为选中状态。StringBuilder sb = new StringBuilder(); //获取排序过的nodes //如果不需要刻意直接用 mDatas既可 final List<Node> allNodes = mAdapter.getAllNodes(); for (int i = 0; i < allNodes.size(); i ) { if (allNodes.get(i).isChecked()){ sb.append(allNodes.get(i).getName() ","); } } String strNodesName = sb.toString(); if (!TextUtils.isEmpty(strNodesName)) Toast.makeText(this, strNodesName.substring(0, strNodesName.length()-1),Toast.LENGTH_SHORT).show();控制父子之间联动的选中与取消状态,只需调用setChecked方法既可,注意如果在setOnCheckedChangeListener中处理会有问题:因为如果要子节点/父节点选中或者取消需要刷新页面,而刷新页面又会触发viewHolder.cb.setChecked(true/false);的判断从而又会进入setOnCheckedChangeListener,会导致如果父节点选中某些子节点取消不了的情况。//viewHolder.cb 为CheckBox viewHolder.cb.setOnClickListener(new View.OnClickListener() { @Override public void onClick(View v) { setChecked(node,viewHolder.cb.isChecked()); } });快速实现Android多级树形列表,这个库是在鸿洋多级树形列表demo中修改而来。解决的问题:支持ID为int类型和String类型。支持多级复选框选中,使用只需一行代码。支持动态更新数据并保持原有展开/关闭状态。支持ListView、RecyclerView。USE我们关联列表树需要有三个必须元素,当前id、父级id即pid,显示的内容。id和pid可以为int或者String以及其他类型。要显示的内容需要包装一下://id pid name FileNode为实际用的实体Bean对象 mlist.add(new Node("223","0","我也是添加的root节点",new FileNode()));对于ListView,需要继承自TreeListViewAdapter,如:public class SimpleTreeAdapter extends TreeListViewAdapter { public SimpleTreeAdapter(ListView mTree, Context context, List<Node> datas, int defaultExpandLevel, int iconExpand, int iconNoExpand) { super(mTree, context, datas, defaultExpandLevel, iconExpand, iconNoExpand); } public SimpleTreeAdapter(ListView mTree, Context context, List<Node> datas, int defaultExpandLevel) { super(mTree, context, datas, defaultExpandLevel); } @Override public View getConvertView(final Node node , int position, View convertView, ViewGroup parent) { final ViewHolder viewHolder ; if (convertView == null) { convertView = mInflater.inflate(R.layout.list_item, parent, false); viewHolder = new ViewHolder(); viewHolder.cb = (CheckBox) convertView .findViewById(R.id.cb_select_tree); viewHolder.label = (TextView) convertView .findViewById(R.id.id_treenode_label); viewHolder.icon = (ImageView) convertView.findViewById(R.id.icon); convertView.setTag(viewHolder); } else { viewHolder = (ViewHolder) convertView.getTag(); } viewHolder.cb.setOnClickListener(new View.OnClickListener() { @Override public void onClick(View v) { setChecked(node,viewHolder.cb.isChecked()); } }); if (node.isChecked()){ viewHolder.cb.setChecked(true); }else { viewHolder.cb.setChecked(false); } if (node.getIcon() == -1) { viewHolder.icon.setVisibility(View.INVISIBLE); } else { viewHolder.icon.setVisibility(View.VISIBLE); viewHolder.icon.setImageResource(node.getIcon()); } viewHolder.label.setText(node.getName()); return convertView; } private final class ViewHolder { ImageView icon; CheckBox cb; TextView label; } }对于RecyclerView,需继承自TreeRecyclerAdapter,如:public class SimpleTreeRecyclerAdapter extends TreeRecyclerAdapter { public SimpleTreeRecyclerAdapter(RecyclerView mTree, Context context, List<Node> datas, int defaultExpandLevel, int iconExpand, int iconNoExpand) { super(mTree, context, datas, defaultExpandLevel, iconExpand, iconNoExpand); } public SimpleTreeRecyclerAdapter(RecyclerView mTree, Context context, List<Node> datas, int defaultExpandLevel) { super(mTree, context, datas, defaultExpandLevel); } @Override public RecyclerView.ViewHolder onCreateViewHolder(ViewGroup parent, int viewType) { return new MyHoder(View.inflate(mContext, R.layout.list_item,null)); } @Override public void onBindViewHolder(final Node node, RecyclerView.ViewHolder holder, int position) { final MyHoder viewHolder = (MyHoder) holder; //todo do something viewHolder.cb.setOnClickListener(new View.OnClickListener() { @Override public void onClick(View v) { setChecked(node,viewHolder.cb.isChecked()); } }); if (node.isChecked()){ viewHolder.cb.setChecked(true); }else { viewHolder.cb.setChecked(false); } if (node.getIcon() == -1) { viewHolder.icon.setVisibility(View.INVISIBLE); } else { viewHolder.icon.setVisibility(View.VISIBLE); viewHolder.icon.setImageResource(node.getIcon()); } viewHolder.label.setText(node.getName()); } class MyHoder extends RecyclerView.ViewHolder{ public CheckBox cb; public TextView label; public ImageView icon; public MyHoder(View itemView) { super(itemView); cb = (CheckBox) itemView .findViewById(R.id.cb_select_tree); label = (TextView) itemView .findViewById(R.id.id_treenode_label); icon = (ImageView) itemView.findViewById(R.id.icon); } } }初始化: ListView://第一个参数 ListView //第二个参数 上下文 //第三个参数 数据集 //第四个参数 默认展开层级数 0为不展开 //第五个参数 展开的图标 //第六个参数 闭合的图标 mAdapter = new SimpleTreeAdapter(mTree, ListViewActivity.this, mDatas, 1,R.mipmap.tree_ex,R.mipmap.tree_ec); mTree.setAdapter(mAdapter);RecyclerView://第一个参数 RecyclerView //第二个参数 上下文 //第三个参数 数据集 //第四个参数 默认展开层级数 0为不展开 //第五个参数 展开的图标 //第六个参数 闭合的图标 mAdapter = new SimpleTreeRecyclerAdapter(mTree, RecyclerViewActivity.this, mDatas, 1,R.mipmap.tree_ex,R.mipmap.tree_ec); mTree.setAdapter(mAdapter);添加数据,可以保持原有选中或者展开状态:List<Node> mlist = new ArrayList<>(); mlist.add(new Node("223","0","我也是添加的root节点",new FileNode())); mAdapter.addData(0,mlist);获取选中内容:如果node的isChecked()为true,即为选中状态。StringBuilder sb = new StringBuilder(); //获取排序过的nodes //如果不需要刻意直接用 mDatas既可 final List<Node> allNodes = mAdapter.getAllNodes(); for (int i = 0; i < allNodes.size(); i ) { if (allNodes.get(i).isChecked()){ sb.append(allNodes.get(i).getName() ","); } } String strNodesName = sb.toString(); if (!TextUtils.isEmpty(strNodesName)) Toast.makeText(this, strNodesName.substring(0, strNodesName.length()-1),Toast.LENGTH_SHORT).show();控制父子之间联动的选中与取消状态,只需调用setChecked方法既可,注意如果在setOnCheckedChangeListener中处理会有问题:因为如果要子节点/父节点选中或者取消需要刷新页面,而刷新页面又会触发viewHolder.cb.setChecked(true/false);的判断从而又会进入setOnCheckedChangeListener,会导致如果父节点选中某些子节点取消不了的情况。//viewHolder.cb 为CheckBox viewHolder.cb.setOnClickListener(new View.OnClickListener() { @Override public void onClick(View v) { setChecked(node,viewHolder.cb.isChecked()); } });0 894浏览会员免费
- 点云数据大小:23MB包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。包含21帧连续的车载点云数据,数据格式为pcd。0 175浏览会员免费
- 该训练集为北京交通大学、商汤科技、香港中文大学开源的大型活体检测数据集,填补了目前开源数据集数量少和多样性不足的缺点,很适合作为该领域的训练、测试的数据集0 474浏览会员免费
- Python大小:1KB包含了250万篇新闻。新闻来源涵盖了6.3万个媒体,含标题、关键词、描述、正文。 数据集划分:数据去重并分成三个部分。训练集:243万;验证集:7.7万;测试集,数万,不提供下载。 可能的用途: 可以做为【通用中文语料】,训练【词向量】或做为【预训练】的语料; 也可以用于训练【标题生成】模型,或训练【关键词生成】模型(选关键词内容不同于标题的数据); 亦可以通过新闻渠道区分出新闻的类型。包含了250万篇新闻。新闻来源涵盖了6.3万个媒体,含标题、关键词、描述、正文。 数据集划分:数据去重并分成三个部分。训练集:243万;验证集:7.7万;测试集,数万,不提供下载。 可能的用途: 可以做为【通用中文语料】,训练【词向量】或做为【预训练】的语料; 也可以用于训练【标题生成】模型,或训练【关键词生成】模型(选关键词内容不同于标题的数据); 亦可以通过新闻渠道区分出新闻的类型。0 395浏览会员免费
- cs231n大小:994MBcs231n作业3,数据集下载时命令运行不了,只能自己下载咯,想要的自取谢谢,毕竟自己也是花时间找的 下载的cs231n作业3,数据集下载时命令运行不了,只能自己下载咯,想要的自取谢谢,毕竟自己也是花时间找的 下载的0 653浏览会员免费
- 系统开源大小:9MB东方财富的java笔试题STOCK_PRICE_FINBERT 以guba的评论为初始语料,利用Finbert模型分析中文评论的极性,预测股价上涨。 项目性质 该项目主要由爬虫、Finbert模型和假设检验组成。 爬虫技术使用Xpath和Json技术在东方财富网的股票吧论坛上爬取了20W的评论。 Finbert 模型支持逐层解冻和梯度累积。 同时,每个epoch对数据集进行随机分割,不仅增加了模型训练的随机性,降低了过拟合的风险,而且可以在一定程度上缓解小样本的问题。 最后封装了bert模型,方便以后的模型扩展,给Finbert赋予了Sklearn接口。 假设检验用于评估一定时期内极性与股票收益的相关程度。 代码的使用 单击下面的链接下载预训练的 bert 模型并将其放置在 /models/language_model/ 中。 待解决的问题 社会评论话题分散,大量脏数据难以清理,严重影响模型性能。东方财富的java笔试题STOCK_PRICE_FINBERT 以guba的评论为初始语料,利用Finbert模型分析中文评论的极性,预测股价上涨。 项目性质 该项目主要由爬虫、Finbert模型和假设检验组成。 爬虫技术使用Xpath和Json技术在东方财富网的股票吧论坛上爬取了20W的评论。 Finbert 模型支持逐层解冻和梯度累积。 同时,每个epoch对数据集进行随机分割,不仅增加了模型训练的随机性,降低了过拟合的风险,而且可以在一定程度上缓解小样本的问题。 最后封装了bert模型,方便以后的模型扩展,给Finbert赋予了Sklearn接口。 假设检验用于评估一定时期内极性与股票收益的相关程度。 代码的使用 单击下面的链接下载预训练的 bert 模型并将其放置在 /models/language_model/ 中。 待解决的问题 社会评论话题分散,大量脏数据难以清理,严重影响模型性能。5 726浏览会员免费
- ICD编码大小:442KB国家临床版2.0手术操作编码(ICD-9-CM3),Excel完整版 密码:icd9cm3 内容如下: 手术操作编码 手术操作名称 手术操作类别 手术操作录入选项 00.0100 头和颈部血管治疗性超声 治疗性操作 选择性 00.0101 头部血管治疗性超声 治疗性操作 必选国家临床版2.0手术操作编码(ICD-9-CM3),Excel完整版 密码:icd9cm3 内容如下: 手术操作编码 手术操作名称 手术操作类别 手术操作录入选项 00.0100 头和颈部血管治疗性超声 治疗性操作 选择性 00.0101 头部血管治疗性超声 治疗性操作 必选0 1279浏览会员免费
- Python大小:140KBSMOTE:综合少数族裔过采样技术 关于 如果分类标签的分布不均等,则数据集将处于不平衡状态,因此,在诸如欺诈检测之类的大量现实世界中,常见的问题是100到1的不平衡。 已经进行了大量尝试来解决该问题。 然而,这个问题仍然被广泛讨论并且是研究的活跃领域。 这是SMOTE的Pytorch实现。 纸 SMOTE:综合少数族裔过采样技术: : 算法SMOTE:综合少数族裔过采样技术 关于 如果分类标签的分布不均等,则数据集将处于不平衡状态,因此,在诸如欺诈检测之类的大量现实世界中,常见的问题是100到1的不平衡。 已经进行了大量尝试来解决该问题。 然而,这个问题仍然被广泛讨论并且是研究的活跃领域。 这是SMOTE的Pytorch实现。 纸 SMOTE:综合少数族裔过采样技术: : 算法0 1633浏览会员免费
- classifier大小:183KB阿尔伯特-TF2.0 使用TF2.0的ALBERT模型微调 该存储库包含针对ALBERT的TensorFlow 2.0实现。 要求 python3 点安装-r requirements.txt ALBERT预训练 从零开始的ALBERT模型预训练和特定于域的微调。 说明 下载ALBERT TF 2.0砝码 Verison 1 版本2 将模型解压缩到存储库中。 以上重量不包含原始模型中的最后一层。 现在只能用于微调下游任务。 从TF-HUB到TF 2.0全权转换 下载胶水数据 使用以下cmd下载 python download_glue_data.py --data_dir glue_data --tasks all 微调 要准备用于最终模型训练的微调数据,请使用脚本。 tf_record格式的结果数据集和训练元数据应稍后传递给训练或评估脚本。 特定于任务的参数将在以下各节中介绍:阿尔伯特-TF2.0 使用TF2.0的ALBERT模型微调 该存储库包含针对ALBERT的TensorFlow 2.0实现。 要求 python3 点安装-r requirements.txt ALBERT预训练 从零开始的ALBERT模型预训练和特定于域的微调。 说明 下载ALBERT TF 2.0砝码 Verison 1 版本2 将模型解压缩到存储库中。 以上重量不包含原始模型中的最后一层。 现在只能用于微调下游任务。 从TF-HUB到TF 2.0全权转换 下载胶水数据 使用以下cmd下载 python download_glue_data.py --data_dir glue_data --tasks all 微调 要准备用于最终模型训练的微调数据,请使用脚本。 tf_record格式的结果数据集和训练元数据应稍后传递给训练或评估脚本。 特定于任务的参数将在以下各节中介绍:0 1102浏览会员免费
- BOVW大小:3MB测试集用的是UCM数据集测试集用的是UCM数据集0 349浏览会员免费
- R语言大小:5MB手把手教你您R语言作图,包含书中所有数据集,代码。是学习R语言作图的入门经典教材。手把手教你您R语言作图,包含书中所有数据集,代码。是学习R语言作图的入门经典教材。0 106浏览会员免费
- tensorflow大小:147MBTensorflow官方训练数据集:horse-or-human(人、马识别)训练数据Tensorflow官方训练数据集:horse-or-human(人、马识别)训练数据0 672浏览会员免费
- 深度学习大小:39KB深度学习时间序列多步预测数据集(DNN,LSTM,BiLTM,GRU)深度学习时间序列多步预测数据集(DNN,LSTM,BiLTM,GRU)0 646浏览会员免费
- deep-neural-networks大小:76MB通过深度学习进行语音分离和提取 此仓库总结了用于语音分离和说话人提取任务的教程,数据集,论文,代码和工具。诚挚地邀请您提出要求。 目录 讲解 [语音分离,李鸿-,2020年] [端到端神经源分离的进展,伊洛,2020] [音频源分离和语音增强,伊曼纽尔·文森特,2018年] [音频源分离,牧野昌司,2018年] [概述论文] 【概述幻灯片] [手册] 数据集 [数据集介绍] [WSJ0] [WSJ0-2mix] [WSJ0-2mix-extr] [WHAM&WHAMR] [LibriMix] [LibriCSS] [SparseLibriMix] [VCTK-2Mix] [CHIME5和CHIME6挑战赛] [音频 [Microsoft DNS挑战] [AVSpeech] [LRW]通过深度学习进行语音分离和提取 此仓库总结了用于语音分离和说话人提取任务的教程,数据集,论文,代码和工具。诚挚地邀请您提出要求。 目录 讲解 [语音分离,李鸿-,2020年] [端到端神经源分离的进展,伊洛,2020] [音频源分离和语音增强,伊曼纽尔·文森特,2018年] [音频源分离,牧野昌司,2018年] [概述论文] 【概述幻灯片] [手册] 数据集 [数据集介绍] [WSJ0] [WSJ0-2mix] [WSJ0-2mix-extr] [WHAM&WHAMR] [LibriMix] [LibriCSS] [SparseLibriMix] [VCTK-2Mix] [CHIME5和CHIME6挑战赛] [音频 [Microsoft DNS挑战] [AVSpeech] [LRW]1 781浏览会员免费
- 停用词表大小:21KB中文停用词表 cn_stopwords.txt 哈工大停用词表 hit_stopwords.txt 百度停用词表 baidu_stopwords.txt 四川大学机器智能实验室停用词库 scu_stopwords.txt 中文大全版 cn_all_stopwords.txt中文停用词表 cn_stopwords.txt 哈工大停用词表 hit_stopwords.txt 百度停用词表 baidu_stopwords.txt 四川大学机器智能实验室停用词库 scu_stopwords.txt 中文大全版 cn_all_stopwords.txt0 546浏览会员免费
- 数据集大小:80KB请注意,这个只是 种子地址,需要自己下载。PASCAL 3D+ 是一个 3D 物体检测和姿态识别数据集,包括 PASCAL VOC 2012 中 12 个类别物体的 3D 标注,平均每个类别中包含 3000 个实例。 该数据集由斯坦福大学于 2014 年发布,相关论文有《Beyond PASCAL: A Benchmark for 3D Object Detection in the Wild》请注意,这个只是 种子地址,需要自己下载。PASCAL 3D+ 是一个 3D 物体检测和姿态识别数据集,包括 PASCAL VOC 2012 中 12 个类别物体的 3D 标注,平均每个类别中包含 3000 个实例。 该数据集由斯坦福大学于 2014 年发布,相关论文有《Beyond PASCAL: A Benchmark for 3D Object Detection in the Wild》0 1160浏览会员免费
- 植物建模大小:153MB专注于植物和植被的结构,发展和多样性的分析和建模。AMAP专门开发应用数学/信息学与植物/植被科学之间的界面研究。该研究包括基础科学以及方法学和应用主题,并涉及温带,地中海和热带环境中的栽培以及天然植物。AMAP应用生物数学和计算技术来表征分类群,探索功能结构的演变,植物 - 植物相互作用以及林分和作物的动态。植物和植被的多样性是一个突出的主题,包含形态, 应用信息学通过设计创新的数据库和软件来实现协作,用于协作收集,共享和使用海量数据集,并通过软件概念进行有效模拟,并在工厂,林分和景观尺度上对结构和功能信息进行三维可视化。专注于植物和植被的结构,发展和多样性的分析和建模。AMAP专门开发应用数学/信息学与植物/植被科学之间的界面研究。该研究包括基础科学以及方法学和应用主题,并涉及温带,地中海和热带环境中的栽培以及天然植物。AMAP应用生物数学和计算技术来表征分类群,探索功能结构的演变,植物 - 植物相互作用以及林分和作物的动态。植物和植被的多样性是一个突出的主题,包含形态, 应用信息学通过设计创新的数据库和软件来实现协作,用于协作收集,共享和使用海量数据集,并通过软件概念进行有效模拟,并在工厂,林分和景观尺度上对结构和功能信息进行三维可视化。5 654浏览会员免费
- tensorflow大小:129MB图像分割 该项目在实现了用于语义分割的神经网络。 项目概况 该项目的主文件是convolutional_autoencoder.py ,其中包含用于数据集处理的代码(数据集类),模型定义(模型类)以及训练代码。 为了抽象模型中的图层,我们创建了layer.py类接口。 此类当前具有两个实现: conv2d.py和max_pool_2d.py 。 要推断训练后的模型,请查看infer.py文件。 最后,有几个文件夹: 数据*包含预处理的数据集(请注意,当前模型实现应至少与128x128图像一起使用。) imgaug包含用于数据扩充的代码( ) noteboks包含一些有趣的图像分割图像分割 该项目在实现了用于语义分割的神经网络。 项目概况 该项目的主文件是convolutional_autoencoder.py ,其中包含用于数据集处理的代码(数据集类),模型定义(模型类)以及训练代码。 为了抽象模型中的图层,我们创建了layer.py类接口。 此类当前具有两个实现: conv2d.py和max_pool_2d.py 。 要推断训练后的模型,请查看infer.py文件。 最后,有几个文件夹: 数据*包含预处理的数据集(请注意,当前模型实现应至少与128x128图像一起使用。) imgaug包含用于数据扩充的代码( ) noteboks包含一些有趣的图像分割0 765浏览会员免费
- python大小:34KB链接:https://pan.baidu.com/s/1P7By7VoDv9XA95-rvup1qg 提取码:oa4p链接:https://pan.baidu.com/s/1P7By7VoDv9XA95-rvup1qg 提取码:oa4p0 1219浏览会员免费
- 店铺会员大小:16MB会员管理连锁店实施方案 各个店不要求都能上网,当然如果有条件通过网络传递数据会更快捷方便。安装完后进入系统中首先 设置分店编号、分店名称、分店简称,分店编号不能与其它分店重复。 可以按照以下方案来实施数据同步: 1)每天营业结束后,各个店把当天的文件数据导出并发到一个email帐号中。当然也可以通过 QQ,U盘,移动硬盘,FTP等手段来互相传递数据。目的就是把各个分店的营业数据集中。 2)每天上班前先取得各个分店的数据,然后依次导入各分店数据,这样即可实现会员数据同步 和共享。 (目前最新版本可以自动导出,导入营业数据,不在需要人工干预) 重要说明: 1)我们这个数据同步方案是为了规范的操作流程。其实实际应用中可以有很大的余地。 比如各分店之间可以随时进行导入导出操作,一天一次,两天一次或一天多次等都不会影响 数据完整性.数据在导入时系统自动会备份数据库,以免有以外情况发生而导致数据丢失或 错误. 2)每个店的会员消费记录都有全球唯一确定的编号,所以您完全不用担心数据会重复,出错 的情况发生。您甚至可以每天都把最近一个月的消费数据导出,其他分店导入你店的数据 时,会自动判断数据是否已经导入过。系统只会导入没有导入更新的数据。 3)同步更新的数据包括一定时间段内新增加的会员、会员的消费信息(流水帐)、储值卡会员 的充值记录等所有会员消费变化信息。会员管理连锁店实施方案 各个店不要求都能上网,当然如果有条件通过网络传递数据会更快捷方便。安装完后进入系统中首先 设置分店编号、分店名称、分店简称,分店编号不能与其它分店重复。 可以按照以下方案来实施数据同步: 1)每天营业结束后,各个店把当天的文件数据导出并发到一个email帐号中。当然也可以通过 QQ,U盘,移动硬盘,FTP等手段来互相传递数据。目的就是把各个分店的营业数据集中。 2)每天上班前先取得各个分店的数据,然后依次导入各分店数据,这样即可实现会员数据同步 和共享。 (目前最新版本可以自动导出,导入营业数据,不在需要人工干预) 重要说明: 1)我们这个数据同步方案是为了规范的操作流程。其实实际应用中可以有很大的余地。 比如各分店之间可以随时进行导入导出操作,一天一次,两天一次或一天多次等都不会影响 数据完整性.数据在导入时系统自动会备份数据库,以免有以外情况发生而导致数据丢失或 错误. 2)每个店的会员消费记录都有全球唯一确定的编号,所以您完全不用担心数据会重复,出错 的情况发生。您甚至可以每天都把最近一个月的消费数据导出,其他分店导入你店的数据 时,会自动判断数据是否已经导入过。系统只会导入没有导入更新的数据。 3)同步更新的数据包括一定时间段内新增加的会员、会员的消费信息(流水帐)、储值卡会员 的充值记录等所有会员消费变化信息。1 202浏览会员免费
- 医疗行业标准大小:43MBWS 445-2013电子病历基本数据集(共17部分): 第1部分:病历概要 第2部分:门(急)诊病历 第3部分:门(急)诊处方 第4部分:检查检验记录 第5部分:一般治疗处置记录 第6部分:助产记录 第7部分:护理操作记录 第8部分:护理评估与计划 第9部分:知情告知信息 第10部分:住院病案首页 第11部分:中医住院病案首页 第12部分:入院记录 第13部分:住院病程记录 第14部分:住院医嘱 第15部分:出院小结 第16部分:转诊(院)记录 第17部分:医疗机构信息WS 445-2013电子病历基本数据集(共17部分): 第1部分:病历概要 第2部分:门(急)诊病历 第3部分:门(急)诊处方 第4部分:检查检验记录 第5部分:一般治疗处置记录 第6部分:助产记录 第7部分:护理操作记录 第8部分:护理评估与计划 第9部分:知情告知信息 第10部分:住院病案首页 第11部分:中医住院病案首页 第12部分:入院记录 第13部分:住院病程记录 第14部分:住院医嘱 第15部分:出院小结 第16部分:转诊(院)记录 第17部分:医疗机构信息0 391浏览会员免费
- EHR大小:116KB电子健康档案英文全称为electronic health records,EHR,是人们在健康相关活动中直接形成的具有保存备查价值的电子化历史记录。 它是存储于计算机系统之中、面向个人提供服务、具有安全保密性能的终身个人健康档案。EHR是以居民个人健康为核心,贯穿整个生命过程,涵盖各种健康相关因素、实现多渠道信息动态收集,满足居民自我保健、健康管理和健康决策需要的信息资源。 本资源是整理好的WS365-2011国标EHR基本数据集及数据元,方便使用电子健康档案英文全称为electronic health records,EHR,是人们在健康相关活动中直接形成的具有保存备查价值的电子化历史记录。 它是存储于计算机系统之中、面向个人提供服务、具有安全保密性能的终身个人健康档案。EHR是以居民个人健康为核心,贯穿整个生命过程,涵盖各种健康相关因素、实现多渠道信息动态收集,满足居民自我保健、健康管理和健康决策需要的信息资源。 本资源是整理好的WS365-2011国标EHR基本数据集及数据元,方便使用0 340浏览会员免费
- media大小:916MBeNTERFACE数据集eNTERFACE数据集0 718浏览会员免费
- awesome大小:6KBVehicle_reID-Collection:车辆re-ID文件,数据集的集合Vehicle_reID-Collection:车辆re-ID文件,数据集的集合0 622浏览会员免费
- 数据库第四版答案高教出版的第1章 绪论 1 .试述数据、数据库、数据库系统、数据库管理系统的概念。 答: ( l )数据( Data ) :描述事物的符号记录称为数据。数据的种类有数字、文字、图形、图像、声音、正文等。数据与其语义是不可分的。解析在现代计算机系统中数据的概念是广义的。早期的计算机系统主要用于科学计算,处理的数据是整数、实数、浮点数等传统数学中的数据。现代计算机能存储和处理的对象十分广泛,表示这些对象的数据也越来越复杂。数据与其语义是不可分的。 500 这个数字可以表示一件物品的价格是 500 元,也可以表示一个学术会议参加的人数有 500 人,还可以表示一袋奶粉重 500 克。 ( 2 )数据库( DataBase ,简称 DB ) :数据库是长期储存在计算机内的、有组织的、可共享的数据集合。数据库中的数据按一定的数据模型组织、描述和储存,具有较小的冗余度、较高的数据独立性和易扩展性,并可为各种用户共享。 ( 3 )数据库系统( DataBase Sytem ,简称 DBS ) :数据库系统是指在计算机系统中引入数据库后的系统构成,一般由数据库、数据库管理系统(及其开发工具)、应用系统、数据库管理员构成。解析数据库系统和数据库是两个概念。数据库系统是一个人一机系统,数据库是数据库系统的一个组成部分。但是在日常工作中人们常常把数据库系统简称为数据库。希望读者能够从人们讲话或文章的上下文中区分“数据库系统”和“数据库”,不要引起混淆。 ( 4 )数据库管理系统( DataBase Management Sytem ,简称 DBMS ) :数据库管理系统是位于用户与操作系统之间的一层数据管理软件,用于科学地组织和存储数据、高效地获取和维护数据。 DBMS 的主要功能包括数据定义功能、数据操纵功能、数据库的运行管理功能、数据库的建立和维护功能。解析 DBMS 是一个大型的复杂的软件系统,是计算机中的基础软件。目前,专门研制 DBMS 的厂商及其研制的 DBMS 产品很多。著名的有美国 IBM 公司的 DBZ 关系数据库管理系统和 IMS 层次数据库管理系统、美国 Oracle 公司的 orade 关系数据库管理系统、 s 油 ase 公司的 s 油 ase 关系数据库管理系统、美国微软公司的 SQL Serve ,关系数据库管理系统等。 2 .使用数据库系统有什么好处? 答:0 64浏览会员免费
- 传统DBSCAN算法需要人为确定[Eps]和[MinPts]参数,参数的选择直接决定了聚类结果的合理性,因此提出一种新的自适应确定DBSCAN算法参数算法,该算法基于参数寻优策略,通过利用数据集自身分布特性生成候选[Eps]和[MinPts]参数,自动寻找聚类结果的簇数变化稳定区间,并将该区间中密度阈值最少时所对应的[Eps]和[MinPts]参数作为最优参数。实验结果表明,该算法能够实现聚类过程的全自动化并且能够选择合理的[Eps]和[MinPts]参数,得到了高准确度聚类结果。0 945浏览会员免费
- 数据集大小:1MB足球运动员身价估计足球运动员身价估计0 790浏览会员免费
- Python大小:15MBInfoGAN InfoGAN的PyTorch实现 此仓库为玩具2D数据集实现了简单的InfoGAN。 但是,可以通过修改网络设计轻松地进行扩展。 带有玩具数据集的Experimenet 我想在MSE和InfoGAN下测试生成的样本配置。 数据生成函数来自半径为5的圆。噪声分别添加到上部圆和下部圆。InfoGAN InfoGAN的PyTorch实现 此仓库为玩具2D数据集实现了简单的InfoGAN。 但是,可以通过修改网络设计轻松地进行扩展。 带有玩具数据集的Experimenet 我想在MSE和InfoGAN下测试生成的样本配置。 数据生成函数来自半径为5的圆。噪声分别添加到上部圆和下部圆。0 1248浏览会员免费
- 数据集大小:78KB城市超市的增长正在增加,市场竞争也很高。该数据集是超市公司的历史销售之一,在 3 个不同的分支机构记录了 3 个月的数据。预测数据分析方法很容易与此数据集一起应用。 supermarket.xls城市超市的增长正在增加,市场竞争也很高。该数据集是超市公司的历史销售之一,在 3 个不同的分支机构记录了 3 个月的数据。预测数据分析方法很容易与此数据集一起应用。 supermarket.xls0 937浏览会员免费
- 附件源码大小:5MBRetinanet:目标检测模型在Pytorch当中的实现 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 mAP 0.5:0.95 mAP 0.5 VOC07+12 VOC-Test07 600x600 - 81.56 所需环境 torch==1.2.0 文件下载 训练所需的retinanet_resnet50.pth可以在百度云下载。 链接: 提取码: krr5 VOC数据集下载地址如下: VOC2007+2012训练集 链接: 提取码: eiw9 VOC2007测试集 链接: 提取码: dsda 预测步骤 a、使用预训练权重 下载完库后解压,在百度网盘下载retinanet_resnet50.pth,放入model_data,运行predict.py,输入 img/street.jpg 利用video.py可进行摄像头检测。 b、使用自己训练的权重 按照训练Retinanet:目标检测模型在Pytorch当中的实现 目录 性能情况 训练数据集 权值文件名称 测试数据集 输入图片大小 mAP 0.5:0.95 mAP 0.5 VOC07+12 VOC-Test07 600x600 - 81.56 所需环境 torch==1.2.0 文件下载 训练所需的retinanet_resnet50.pth可以在百度云下载。 链接: 提取码: krr5 VOC数据集下载地址如下: VOC2007+2012训练集 链接: 提取码: eiw9 VOC2007测试集 链接: 提取码: dsda 预测步骤 a、使用预训练权重 下载完库后解压,在百度网盘下载retinanet_resnet50.pth,放入model_data,运行predict.py,输入 img/street.jpg 利用video.py可进行摄像头检测。 b、使用自己训练的权重 按照训练5 1095浏览会员免费
- 谱聚类大小:166KB自动确定聚类数和海量数据的处理是谱聚类的关键问题。在自动确定聚类数谱聚类算法的基础上,提出了一种能处理大规模数据集的多层算法。自动确定聚类数和海量数据的处理是谱聚类的关键问题。在自动确定聚类数谱聚类算法的基础上,提出了一种能处理大规模数据集的多层算法。4 146浏览会员免费
- Python大小:7KBMIMII数据集基线(Ver.1.0.3) 此示例代码是MIMII数据集异常检测的基线。 MIMII数据集是用于对工业机器进行调查和检查的故障的可靠数据集。 它包含从四种类型的工业机器产生的声音,即阀门,泵,风扇和滑轨。 每种类型的机器都包含多个单独的产品模型,每种模型的数据都包含正常声音和异常声音。 为了模拟现实情况,记录了各种异常声音。 另外,在多个真实工厂中记录的背景噪音与机器声音混合在一起。 MIMII数据集可以在以下位置下载: ://zenodo.org/record/3384388 如果您使用MIMII数据集,请引用以下任何一篇论文: [1] Harsh Purohit,Ryo Tanabe,Kenji Ichige,Takashi Endo,Yuki Nikaido,Kaori Suefusa和Yohei Kawaguchi,“ MIMII数据集:用于工业机械故障MIMII数据集基线(Ver.1.0.3) 此示例代码是MIMII数据集异常检测的基线。 MIMII数据集是用于对工业机器进行调查和检查的故障的可靠数据集。 它包含从四种类型的工业机器产生的声音,即阀门,泵,风扇和滑轨。 每种类型的机器都包含多个单独的产品模型,每种模型的数据都包含正常声音和异常声音。 为了模拟现实情况,记录了各种异常声音。 另外,在多个真实工厂中记录的背景噪音与机器声音混合在一起。 MIMII数据集可以在以下位置下载: ://zenodo.org/record/3384388 如果您使用MIMII数据集,请引用以下任何一篇论文: [1] Harsh Purohit,Ryo Tanabe,Kenji Ichige,Takashi Endo,Yuki Nikaido,Kaori Suefusa和Yohei Kawaguchi,“ MIMII数据集:用于工业机械故障0 838浏览会员免费
- Python大小:13KB重新思考音频分类的CNN模型 该存储库包含我们的论文《的PyTorch代码。 在以下三个数据集上进行了实验,这些数据集可以从提供的链接中下载: 前处理 预处理是单独进行的,以节省模型训练期间的时间。 对于ESC-50: python preprocessing/preprocessingESC.py --csv_file /path/to/file.csv --data_dir /path/to/audio_data/ --store_dir /path/to/store_spectrograms/ --sampling_rate 44100 对于UrbanSound8K: python preprocessing/preprocessingUSC.py --csv_file /path/to/csv_file/ --data_dir /path/to/audio_data/ --重新思考音频分类的CNN模型 该存储库包含我们的论文《的PyTorch代码。 在以下三个数据集上进行了实验,这些数据集可以从提供的链接中下载: 前处理 预处理是单独进行的,以节省模型训练期间的时间。 对于ESC-50: python preprocessing/preprocessingESC.py --csv_file /path/to/file.csv --data_dir /path/to/audio_data/ --store_dir /path/to/store_spectrograms/ --sampling_rate 44100 对于UrbanSound8K: python preprocessing/preprocessingUSC.py --csv_file /path/to/csv_file/ --data_dir /path/to/audio_data/ --0 541浏览会员免费
- 一种基于EM算法的缺失数据插补算法,庄朋,孟凡荣,多维数据的集成是进行科学研究的一种重要手段,在实际应用中,集成后的数据集不可避免的会出现一些缺失。本文提出了一种基于EM算�0 1083浏览会员免费
- matlab大小:702KBfunction dydt=yl(t,y,ga,s1,s2,fs,ch,cl,re,t1,t2,ft,ct,cf,rg,fg,ra) dydt=zeros(3,1); dydt(1)=y(1)*(1-y(1))*(ga*(s1+s2+s3)-ch+cl+re+ra*v+y*ra*v-z*(1-ga)*fs); dydt(2)=y(2)*(1-y(2))*(ga*(t1+t2+ft)-ct-cf-ra*v+x*ra*v+y(3)*(1-ga)*ft) dydt(3)=y(3)*(1-y(3))*(rg-cg+ga*fg+x*y*(-rg-ga*fg)) end 上述为部分代码。function dydt=yl(t,y,ga,s1,s2,fs,ch,cl,re,t1,t2,ft,ct,cf,rg,fg,ra) dydt=zeros(3,1); dydt(1)=y(1)*(1-y(1))*(ga*(s1+s2+s3)-ch+cl+re+ra*v+y*ra*v-z*(1-ga)*fs); dydt(2)=y(2)*(1-y(2))*(ga*(t1+t2+ft)-ct-cf-ra*v+x*ra*v+y(3)*(1-ga)*ft) dydt(3)=y(3)*(1-y(3))*(rg-cg+ga*fg+x*y*(-rg-ga*fg)) end 上述为部分代码。0 1053浏览免费
- IEC 62619含有碱性或其他非酸性电解质的二次电芯和电池 工业应用中使用的二次锂离子电芯和电池的安全要求 标准适用范围: 1.固定式应用:基站、UPS、电力储备、紧急备用电源及类似用途的设备 2.移动式应用:叉车、高尔夫球车、自动导向车、铁路及海洋运输 2022版本新增:适用于全新的电芯和电池,不考虑梯次回收等二次使用的类似情况。2 312浏览会员免费
- python大小:3MB纽约市-Airbnb-数据产品 纽约市Airbnb数据的数据分析,可视化和预测 描述 该项目分析了2019年从纽约市地区收集的Airbnb数据,该数据的列表范围从私人住宅到房间,邻里,邻里群体,价格等。该项目的目标是创建一个可以预测的模型未来的AirBnb价格以及城市中哪些街区最有利可图。 数据源 该公开数据集是Airbnb的一部分,其原始资源可在此上。 它包含定性和定量数据的混合,有48,895个条目和16列。 我们的模型将包括34,218个培训条目和14,666个测试目标标签PRICE的条目。 结果 模型 RSME平均值 RSME平均10倍 线性回归 0.495 0.498 随机森林回归 0.493 0.509 XgBoost 0.473 N 套索回归 0.693 0.698 模型 准确性 随机森林分类器 83.4% 逻辑回归 84.5% (整体最佳) 决策树 8纽约市-Airbnb-数据产品 纽约市Airbnb数据的数据分析,可视化和预测 描述 该项目分析了2019年从纽约市地区收集的Airbnb数据,该数据的列表范围从私人住宅到房间,邻里,邻里群体,价格等。该项目的目标是创建一个可以预测的模型未来的AirBnb价格以及城市中哪些街区最有利可图。 数据源 该公开数据集是Airbnb的一部分,其原始资源可在此上。 它包含定性和定量数据的混合,有48,895个条目和16列。 我们的模型将包括34,218个培训条目和14,666个测试目标标签PRICE的条目。 结果 模型 RSME平均值 RSME平均10倍 线性回归 0.495 0.498 随机森林回归 0.493 0.509 XgBoost 0.473 N 套索回归 0.693 0.698 模型 准确性 随机森林分类器 83.4% 逻辑回归 84.5% (整体最佳) 决策树 80 963浏览会员免费
- Python开发-机器学习大小:2MB本人曾随队在mrc2018机器阅读理解比赛中获得TOP11的名次,当时使用的是BIDAF,现尝试使用QANet去尝试dureader数据集本人曾随队在mrc2018机器阅读理解比赛中获得TOP11的名次,当时使用的是BIDAF,现尝试使用QANet去尝试dureader数据集0 751浏览会员免费
- 数据集大小:90KB该数据集包含1750年至2019年不同国家的温室气体排放数据(以吨为单位)。来源:数据世界:二氧化碳和温室气体排放 自汉娜·里奇(Hannah Ritchie)和马克斯·罗瑟(Max Roser) emission data.csv该数据集包含1750年至2019年不同国家的温室气体排放数据(以吨为单位)。来源:数据世界:二氧化碳和温室气体排放 自汉娜·里奇(Hannah Ritchie)和马克斯·罗瑟(Max Roser) emission data.csv0 492浏览会员免费
- MATLAB大小:1MB机器学习葡萄酒质量预测 ================ 目的 找到一个合适的分类器来预测葡萄酒类型和葡萄酒质量。 给定数据 数据来自葡萄牙的“Vinho Verde”葡萄酒,它具有 11 种不同的化学特性。 葡萄酒类型包括白葡萄酒和红葡萄酒,葡萄酒质量由葡萄酒专家划分为 1(好)和 7(差)。 给定的数据集分为 5000 个训练样本和 1000 个测试样本,并存储在两个 .csv 文件中。 它们每个都有 13 列,包括 11 个化学测量值和两列描述葡萄酒类型和质量的列。 葡萄酒类型预测机器学习葡萄酒质量预测 ================ 目的 找到一个合适的分类器来预测葡萄酒类型和葡萄酒质量。 给定数据 数据来自葡萄牙的“Vinho Verde”葡萄酒,它具有 11 种不同的化学特性。 葡萄酒类型包括白葡萄酒和红葡萄酒,葡萄酒质量由葡萄酒专家划分为 1(好)和 7(差)。 给定的数据集分为 5000 个训练样本和 1000 个测试样本,并存储在两个 .csv 文件中。 它们每个都有 13 列,包括 11 个化学测量值和两列描述葡萄酒类型和质量的列。 葡萄酒类型预测0 1557浏览会员免费
- TMI,大小:3KBWe include SST in the RSS satellite gridded binary data files for TMI, AMSR-E, AMSR2, WindSat, and GMI. These SST are not diurnally corrected and represent the value at the time provided in the file. More data access information is available on the mission description pages. The table below shows the period of operation for each instrument.We include SST in the RSS satellite gridded binary data files for TMI, AMSR-E, AMSR2, WindSat, and GMI. These SST are not diurnally corrected and represent the value at the time provided in the file. More data access information is available on the mission description pages. The table below shows the period of operation for each instrument.0 827浏览会员免费