自己生成的mnist原本的ubyte格式转成的matlab的mat格式，包括train-image(train_x)60000*784，train-label(train_y)60000*1，test-image(test_x)10000*784，test-label(test_y)10000*1

数据集本身保存在matlab环境下所以以.mat命名自己是在python环境下用的在SVM和BPNN下都取得良好结果，原始数据集本身比较整齐，服从正态分布。

基于MATLAB的代码，将csv格式数据转mat格式数据；
基于MATLAB的代码，将csv格式数据转mat格式数据

高光谱解混数据集（JapserRidge），matlab的mat文件。
原始数占有512x614个像素。
每一个像素记其实规模从380nm到2500nm的224个通道中。
光谱分说率高达9.46nm。
由于这个高光谱图像太繁杂而没法患上到底子梦想，于是咱们思考100x100像素的子图像。
第一像素从原始图像中的第（105,269）像素末了。
在移除了通道1--3,108-112,154-166以及220-224后（由于密集的水蒸气以及大气效应），咱们留存了198个通道（这是HU阐发的罕有预处置）。

HIKVISION产业相机的二次opencv开拓实例，外面首要讲的是把相机收集的数据转换成Mat数据

图像处置进程中对于图像举行特色提取，因提取的每一个特色均为一个文件，没法满足图像处置下一步的需要，需要把大宗特色文件并吞成一个文件，本法度圭表标准旨在将多个文件（不规模于.mat文件，其余尺度文件均可实现并吞其成果）作并吞处置，并吞成一个文件，以供图像处置下一步的使用。

pointCloud.matCSDN博文的反对于文件对于激光雷达点云绘制与点云聚类使用matlab点云货物箱的方式

#GPF##一、GPF（GraphProcessingFlow）：行使图神经收集处置下场的普通化流程一、图节点预展现：行使NE框架，直接患上到全图每一个节点的Embedding;二、正负样本采样：（1）单节点样本；
（2）节点对于样本；
三、抽取封锁子图：可做类化处置，建树一种通用图数据结构;四、子图特色领悟：预展现、节点特色、全局特色、边特色;五、收集配置配备枚举：可所以图输入、图输入的收集；
也可所以图输入，分类/聚类下场输入的收集;六、熬炼以及测试;##二、首要文件：一、graph.py：读入图数据;二、embeddings.py：预展现学习;三、sample.py：采样;四、subgraphs.py/s2vGraph.py：抽取子图;五、batchgraph.py：子图特色领悟;六、classifier.py：收集配置配备枚举;七、parameters.py/until.py:参数配置配备枚举/帮手文件;##三、使用一、在parameters.py中配置配备枚举相关参数（可默许）；
二、在example/文件夹中运行响应的案例文件--搜罗链接料想、节点外形料想；
以链接料想为例：###一、导入配置配备枚举参数```fromparametersimportparser,cmd_embed,cmd_opt```###二、参数转换```args=parser.parse_args()args.cuda=notargs.noCudaandtorch.cuda.is_available()torch.manual_seed(args.seed)ifargs.cuda:torch.cuda.manual_seed(args.seed)ifargs.hop!='auto':args.hop=int(args.hop)ifargs.maxNodesPerHopisnotNone:args.maxNodesPerHop=int(args.maxNodesPerHop)```###三、读取数据```g=graph.Graph()g.read_edgelist(filename=args.dataName,weighted=args.weighted,directed=args.directed)g.read_node_status(filename=args.labelName)```###四、患上到全图节点的Embedding```embed_args=cmd_embed.parse_args()embeddings=embeddings.learn_embeddings(g,embed_args)node_information=embeddings#printnode_information```###五、正负节点采样```train,train_status,test,test_status=sample.sample_single(g,args.testRatio,max_train_num=args.maxTrainNum)```###六、抽取节点对于的封锁子图```net=until.nxG_to_mat(g)#printnettrain_graphs,test_graphs,max_n_label=subgraphs.singleSubgraphs(net,train,train_status,test,test_status,args.hop,args.maxNodesPerHop,node_information)print('#train:%d,#test:%d'%(len(train_graphs),len(test_graphs)))```###七、加载收集模子，并在classifier中配置配备枚举相关参数```cmd_args=cmd_opt.parse_args()cmd_args.feat_dim=max_n_label+1cmd_args.attr_dim=node_information.shape[1]cmd_args.latent_dim=[int(x)forxincmd_args.latent_dim.split('-')]iflen(cmd_args.latent_dim)

文件列表：NN_FEX......\Description_of_NN.pdf......\Example_Data.mat......\Example_Script_NN.m......\m_Files......\.......\nn.m......\.......\nn_core.m......\.......\snn.m......\.......\snn_core.m

UCF_CC_50数据集，搜罗图片，json，mat

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。