Kong流网PoreFlow-Net的实现：一个3D卷积神经网络，预测通过多Kong介质的流体流量使用说明从下载所需的数据（或通过首选的模拟方法创建自己的数据）使用train.py脚本训练模型模型架构这是我们的网络的样子：方法先决条件为了训练/测试我们使用的Tensorflow1.12模型，应该可以使用更新的版本其余的必要软件包应通过pip获得数据完整的出版物和所有培训/测试数据可在找到。
excel文件随可用样本列表一起提供。
有待改进keras调谐器可用于优化每个编码分支上的过滤器数量协同合作我们欢迎合作引文如果您将我们的代码用于自己的研究，请引用我们的出版物，我们将不胜感激@article{PFN2020,title="PoreFlow-Net:a3Dconvolutionalneuralnetworktopredictfluidflowthroughporousmedia",journal="AdvancesinWaterResources",pages="103539",year=
excel文件随可用样本列表一起提供。
有待改进keras调谐器可用于优化每个编码分支上的过滤器数量协同合作我们欢迎合作引文如果您将我们的代码用于自己的研究，请引用我们的出版物，我们将不胜感激@article{PFN2020,title="PoreFlow-Net:a3Dconvolutionalneuralnetworktopredictfluidflowthroughporousmedia",journal="AdvancesinWaterResources",pages="103539",year=
2024/7/12 8:41:11
19.65MB
1
已标注好的数据集，已经分割好。
可直接用于训练模型。
已做好标注。
分为license_province,license_number,license_province
可直接用于训练模型。
已做好标注。
分为license_province,license_number,license_province
2024/5/29 11:50:33
9.47MB
1
TensorFlowVGG-16预训练模型，用于SSD-TensorFlow的Demo训练.
2024/4/15 20:21:16
489.54MB
1
该代码使用Tensorflowr1.7在Ubuntu14.04下使用Python2.7和Python3.5进行测试。
代码中包含测试用例。
模型使用固定图像标准化。
在中科院自动化所，WebFace数据集已经被用于训练。
该面部检测后，该训练集包括总共453453个图像，超过10575个身份。
如果在训练之前过滤了数据集，则可以看到一些性能改进。
有关如何完成此操作的更多信息将在稍后提供。
性能最佳的模型已经在VGGFace2数据集上进行了训练，该数据集由~3.3M面和~9000个类组成。
提供了几个预训练模型。
请注意，模型的输入图像需要使用固定图像标准化进行标准化
代码中包含测试用例。
模型使用固定图像标准化。
在中科院自动化所，WebFace数据集已经被用于训练。
该面部检测后，该训练集包括总共453453个图像，超过10575个身份。
如果在训练之前过滤了数据集，则可以看到一些性能改进。
有关如何完成此操作的更多信息将在稍后提供。
性能最佳的模型已经在VGGFace2数据集上进行了训练，该数据集由~3.3M面和~9000个类组成。
提供了几个预训练模型。
请注意，模型的输入图像需要使用固定图像标准化进行标准化
2024/3/22 22:19:22
2.1MB
1
深度学习车辆识别训练模型数据集（全量708M），每一类200张，已通过程序验证train├─bus├─familysedan├─fireengine├─heavytruck├─jeep├─minibus├─racingcar├─SUV├─taxi└─truck
2024/3/21 11:32:49
708.46MB
1
是一个简易的室内定位软件。
IBeaconReference。
包括采集蓝牙信号、高斯离散权重分配计算距离、基于KNN算法的训练模型，等。
是我和我的同学一起完成的代码。
特此分享。
(数据存储路径一般为手机根目录，特殊需要请自行修改)
IBeaconReference。
包括采集蓝牙信号、高斯离散权重分配计算距离、基于KNN算法的训练模型，等。
是我和我的同学一起完成的代码。
特此分享。
(数据存储路径一般为手机根目录，特殊需要请自行修改)
2024/3/2 19:43:09
1.75MB
1
该代码使用Tensorflowr1.7在Ubuntu14.04下使用Python2.7和Python3.5进行测试。
代码中包含测试用例。
模型使用固定图像标准化。
在中科院自动化所，WebFace数据集已经被用于训练。
该面部检测后，该训练集包括总共453453个图像，超过10575个身份。
如果在训练之前过滤了数据集，则可以看到一些性能改进。
有关如何完成此操作的更多信息将在稍后提供。
性能最佳的模型已经在VGGFace2数据集上进行了训练，该数据集由~3.3M面和~9000个类组成。
提供了几个预训练模型。
请注意，模型的输入图像需要使用固定图像标准化进行标准化（--use_fixed_image_standardization例如，在运行时使用该选项validate_on_lfw.py）。
代码中包含测试用例。
模型使用固定图像标准化。
在中科院自动化所，WebFace数据集已经被用于训练。
该面部检测后，该训练集包括总共453453个图像，超过10575个身份。
如果在训练之前过滤了数据集，则可以看到一些性能改进。
有关如何完成此操作的更多信息将在稍后提供。
性能最佳的模型已经在VGGFace2数据集上进行了训练，该数据集由~3.3M面和~9000个类组成。
提供了几个预训练模型。
请注意，模型的输入图像需要使用固定图像标准化进行标准化（--use_fixed_image_standardization例如，在运行时使用该选项validate_on_lfw.py）。
2024/2/3 22:02:24
2.1MB
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