原文件为zhwiki-latest-pages-articles.xml.bz2，大小为1.7G，最新时间为19年7月下载，转为txt文本，繁转简，分词，gensim训练后的model文件
2025/1/9 3:53:47
15.28MB
1
由于数据集太大，此处为数据集的百度网盘链接。
利用该数据集可以通过objectdetectionAPI进行目标对象识别模型frozen_inference_graph.pb文件的训练。
利用该数据集可以通过objectdetectionAPI进行目标对象识别模型frozen_inference_graph.pb文件的训练。
2025/1/8 21:15:26
108B
1
本报告介绍了DACE（DesignandAnalysisofComputerExperiments，计算机实验设计与分析）软件包的背景和使用说明。
DACE软件包是一个对计算机模型做克里金近似（krigingapproximation）的Matlab工具箱。
本软件的典型应用是基于计算机实验数据建立一个克里金近似模型，并将其用作计算机模型的代理模型。
这里，计算机实验是指通过运行计算机模型获得的若干组输入和响应数据。
而计算机模型的这些输入或响应数据都有可能是高维的。
DACE软件包是一个对计算机模型做克里金近似（krigingapproximation）的Matlab工具箱。
本软件的典型应用是基于计算机实验数据建立一个克里金近似模型，并将其用作计算机模型的代理模型。
这里，计算机实验是指通过运行计算机模型获得的若干组输入和响应数据。
而计算机模型的这些输入或响应数据都有可能是高维的。
2025/1/8 21:16:40
2.35MB
1
自己训练的opencv基于haar特征的adaboost级联分类器模型，里面包含30个model，不同正负样本比例、不同层数。
2.0-2500x7500，2.1-2500x6300，2.2-2500x5000，2.3-1500x4000-hr0.99-fa0.5
2.0-2500x7500，2.1-2500x6300，2.2-2500x5000，2.3-1500x4000-hr0.99-fa0.5
2025/1/8 17:58:51
1.59MB
1
最近研究了不少模型提取的，守望的比较头疼，借鉴了一个大神的方案。
使用方法请参考https://blog.csdn.net/weixin_37857438/article/details/88358118
使用方法请参考https://blog.csdn.net/weixin_37857438/article/details/88358118
2025/1/8 8:36:40
3.59MB
1
美国心脏协会(AHA)的左心室心脏分割模型，在医学界广泛使用该模型描述疾病对心肌区域和壁功能的影响。
该模型图类似于靶心图、牛眼图、嵌套环形图、bullseyechart.在matplotlib中常用axes.pie，或axes.bar+polar坐标系绘制。
axes.bar+polar更加灵活。
本资源包含AHA心肌模型的元数据，axes.bar+polar绘制模型图的完整代码，和高清成图。
该模型图类似于靶心图、牛眼图、嵌套环形图、bullseyechart.在matplotlib中常用axes.pie，或axes.bar+polar坐标系绘制。
axes.bar+polar更加灵活。
本资源包含AHA心肌模型的元数据，axes.bar+polar绘制模型图的完整代码，和高清成图。
2025/1/8 3:54:53
130KB
1
序列到序列（Seq2Seq）模型已被广泛用于会话领域的响应生成。
但是，不同对话方案的要求是不同的。
例如，客户服务要求所生成的响应是特定且准确的，而聊天机器人更喜欢多样化的响应以吸引不同的用户。
通过使用一般平均可能性作为优化标准，当前的Seq2Seq模型无法满足这些多样化的要求。
结果，它通常会生成安全且平常的响应，例如“我不知道”。
在本文中，我们针对不同的对话场景提出了两个针对Seq2Seq量身定制的优化标准，即针对特定需求场景的最大生成可能性和针对不同需求场景的条件风险价值。
在Ubuntu对话语料库（Ubuntu服务场景）和中文微博数据集（社交聊天机器人场景）上的实验结果表明，我们提出的模型不仅可以满足不同场景的各种要求，而且在衡量指标上均优于传统的Seq2Seq模型。
基础评估和人工评估。
但是，不同对话方案的要求是不同的。
例如，客户服务要求所生成的响应是特定且准确的，而聊天机器人更喜欢多样化的响应以吸引不同的用户。
通过使用一般平均可能性作为优化标准，当前的Seq2Seq模型无法满足这些多样化的要求。
结果，它通常会生成安全且平常的响应，例如“我不知道”。
在本文中，我们针对不同的对话场景提出了两个针对Seq2Seq量身定制的优化标准，即针对特定需求场景的最大生成可能性和针对不同需求场景的条件风险价值。
在Ubuntu对话语料库（Ubuntu服务场景）和中文微博数据集（社交聊天机器人场景）上的实验结果表明，我们提出的模型不仅可以满足不同场景的各种要求，而且在衡量指标上均优于传统的Seq2Seq模型。
基础评估和人工评估。
2025/1/7 9:50:33
476KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB