实现效果：http://v.youku.com/v_show/id_XMTU2Mzk0NjU3Ng==.html如何在你的电脑上运行这个程序？1，它需要cvblobslib这一个opencv的扩展库来实现检测物体与给物体画框的功能，具体安装信息请见：http://dsynflo.blogspot.com/2010/02/cvblobskib-with-opencv-installation.html，当你配置好cvblobslib之后，你可以用这一的程序进行测试：http://dl.dropbox.com/u/110310945/Blobs%20test.rar2，视频中两个摄像头之间的距离是6cm，你可以根据你摄像头的型号，来选择合适的距离来达到最好的效果。
3，在进行测距之前，首先需要对摄像头进行标定，那么如何标定呢？在stdafx.h中把"#defineCALIBRATION0"改成“#defineCALIBRATION1”表示进行标定，标定之后，你就可以在工程目录下的"CalibFile"文件夹中得到标定信息的文件。
如果标定效果还不错，你就可以吧"#defineCALIBRATION"改成0，以后就不需要再标定，直接使用上一次的标定信息。
你还需要把"#defineANALYSIS_MODE1"这行代码放到stdafx.h中。
4，视频中使用的是10*7的棋牌格，共摄录40帧来计算摄像头的各种参数，如果你像使用其他棋盘格，可以在"StereoFunctions.cpp"文件中修改相应参数。
5，如果你无法打开摄像头，可以在"StereoGrabber.cpp"文件中修改代码“cvCaptureFromCAM(index)”中index的值。
6，Aboutcomputingdistance:itinterpolatestherelationshipbetweendepth-valueandreal-distancetothirddegreepolynomial.Soiusedexcelfile"interpolation"forinterpolationtofindk1tok4,youshouldfindyourownvalueoftheseparameters.7，你可以通过调整控制窗口中各个参数的滑块，从而来得到更好的视差图。
8，在目录下的”distance“文件夹中，有计算距离信息的matlab代码。
9，如果你想了解基本的理论，可以看一下这个文档和代码（视频里的代码其实就是根据这个代码改的）：http://scholar.lib.vt.edu/theses/available/etd-12232009-222118/unrestricted/Short_NJ_T_2009.pdf视频中环境：vs2008，opencv2.1

作为主流的动态语言，python不仅简单易学、移植性好，而且拥有强大丰富的库的支持。
此外，python强大的可扩展性，让开发人员既可以非常容易地利用c/c++编写python的扩展模块，还能将python嵌入到c/c++程序中，为自己的系统添加动态扩展和动态编程的能力。
　　为了更好地利用python语言，无论是使用python语言本身，还是将python与c/c++交互使用，深刻理解python的运行原理都是非常重要的。
本书以cpython为研究对象，在c代码一级，深入细致地剖析了python的实现。
书中不仅包括了对大量python内置对象的剖析，更将大量的篇幅用于对python虚拟机及python高级特性的剖析。
通过此书，读者能够透彻地理解python中的一般表达式、控制结构、异常机制、类机制、多线程机制、模块的动态加载机制、内存管理机制等核心技术的运行原理，同时，本书所揭示的动态语言的核心技术对于理解其他动态语言，如javascript、ruby等也有较大的参考价值。
　　本书适合于python程序员、动态语言爱好者、c程序员阅读。

Sciblog支持信息和代码此仓库包含支持我的博客的项目，其他信息和代码：。
您可以找到我在发表的所有帖子的列表。
笔记本项目：在这个项目中，我们解释什么是卷积以及如何使用带有MNIST字符识别数据集的MXNet深度学习库来计算CNN。
这里是。
：在本项目中，我们使用PyTorch解释迁移学习的基本方法（微调和冻结），并分析在哪种情况下更好地使用每种方法。
这里是。
：在这些笔记本中，我们展示了如何使用Char-CNN和VDCNN模型执行字符级卷积以进行情感分析。
这里是。
：在本笔记本中，我们展示了许多简单的技术来生成图像，文本和时间序列中的新数据。
这里是。
降：在本项目中，我们使用sklearn和CUDA展示t-SNE算法的示例。
我们使用CNN从图像生成高维特征，然后展示如何将其投影并可视化为二维空间。
这里是。
：在本笔记本中，我们使用GPU上的LightGBM（也可在CPU上）设计实时欺诈检测模型。
然后使用Flask和websockets通过API对模型进行操作。
这里是。
：在本笔记本中，我们演示如何创建图像分类API。
该系统与使用CNTK深度

AttentionModel在ImageCaption、MachineTranslation、SpeechRecognition等领域上有着不错的结果。
那么什么是AttentionModel呢？举个例子，给下面这张图片加字幕（ImageCaption）：一只黄色的小猫带着一个鹿角帽子趴在沙发上。
可以发现在翻译的过程中我们的注意力由小猫到鹿角帽子再到沙发（小猫→鹿角帽子→沙发）。
其实在很多和时序有关的事情上，人类的注意力都不是一成不变的，随着事情（时间）发展，我们的注意力不断改变。

主要用于图像中目标检测，快速标注出目标的具体位置吗，方便使用者训练测试，减轻了人工标注的精力！

二叉树的基本功能：1、二叉树的建立2、前序遍历二叉树3、中序遍历二叉树4、后序遍历二叉树5、按层序遍历二叉树6、求二叉树的深度7、求指定结点到根的路径8、二叉树的销毁9、其他：自定义操作

有深度学习中必读经典，以及相应的matlab代码。
此外，文章中本人做的笔记，希望能帮助大家更好的理解。
文章为：1.Afastlearningalgorithmfordeepbeliefnets（Hinton）2.LearningDeepArchitecturesforAI（Bengio）3.APracticalGuidetoTrainingRestrictedBoltzmannMachines（Hinton）等。
。
code为经典的deeplearningtool（matlab版），有DBN，NN，CNN，etc。

最经典的VGG代码，是深度学习的基础，适合配合VGG代码一起阅读使用，非常适合深度学习初学者阅读学习深度学习框架构建规则。

内含两个课件，知识图谱学习入门与进阶，深度学习入门与进阶,由浅入深的知识体系讲解，知识图谱学习和深度学习的精品教材

《MatrixAnalysisandAppliedLinearAlgebra》国外著名矩阵分析与应用的教材，研究生期间使用的该教材，深度广度都不错

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。