resnet50_weights_tf_dim_ordering_tf_kernels_notop.h5速度快，准确率高，参数不多50层残差网络模型,权重训练自ImageNet该模型在Theano和TensorFlow后端均可使用,并接受channels_first和channels_last两种输入维度顺序模型的默认输入尺寸:224x224
2025/3/13 0:22:32
90.27MB
1
极限学习机（ExtremeLearningMachine,ELM）是一类基于前馈神经网络（feedforwardneuronnetwork）的机器学习算法，其主要特点是隐含层节点参数可以是随机或人为给定的且不需要调整，学习过程仅需计算输出权重。
ELM具有学习效率高和泛化能力强的优点，被广泛应用于分类、回归、聚类、特征学习等问题中。
ELM具有学习效率高和泛化能力强的优点，被广泛应用于分类、回归、聚类、特征学习等问题中。
2025/3/9 14:55:18
4.24MB
1
TensorFlow实现训练Alexnet网络，训练mnist数据集合cfar数据集。
mnist数据集测试准确度0.986.不需要下载权重，因为输出大小不一样。
mnist数据集测试准确度0.986.不需要下载权重，因为输出大小不一样。
2025/3/8 7:38:02
319KB
1
该文件中包含了Adaptiveas-natural-as-possibleimagestitching论文以及As-Projective-As-PossibleImageStitchingwithMovingDLT这两种较为经典的图像拼接方法。
具体包含了ransac算法、multi-GSsampling算法、求取单应性矩阵Homography的奇异矩阵算法、相似矩阵变换的求取、图像翘曲、局部单应性矩阵权重占比、图像融合等算法。
具体过程为：1.利用sift算法提取特征点2.利用ransacmulti-gs算法求取单应性矩阵H3.利用movingDLT求取referenceimage的翘曲4.利用提到的线性单应性矩阵H_linear求取网格化后的局部单应性矩阵5.图像融合及拼接
具体包含了ransac算法、multi-GSsampling算法、求取单应性矩阵Homography的奇异矩阵算法、相似矩阵变换的求取、图像翘曲、局部单应性矩阵权重占比、图像融合等算法。
具体过程为：1.利用sift算法提取特征点2.利用ransacmulti-gs算法求取单应性矩阵H3.利用movingDLT求取referenceimage的翘曲4.利用提到的线性单应性矩阵H_linear求取网格化后的局部单应性矩阵5.图像融合及拼接
2025/1/29 22:13:31
10KB
1
本问主要以预测秦皇岛煤炭价格为目标，通过问题一中不同因素对其影响权重的大小以及神经网络算法，建立价格预测模型。
BP神经网络模型处理信息的基本原理是：输入信号，通过中间节点（隐层点）作用于输出节点，经过非线性变换，产生输出信号，网络训练的每个样本包括输入向量和期望输出量t，网络输出值y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的连接强度值和隐层节点与输出节点之间的连接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。
此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线性转换的信息。
BP神经网络模型处理信息的基本原理是：输入信号，通过中间节点（隐层点）作用于输出节点，经过非线性变换，产生输出信号，网络训练的每个样本包括输入向量和期望输出量t，网络输出值y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的连接强度值和隐层节点与输出节点之间的连接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。
此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线性转换的信息。
2025/1/24 21:36:25
278KB
1
针对短文本的特征稀疏性和上下文依赖性两个问题，提出一种基于隐含狄列克雷分配模型的短文本分类方法。
利用模型生成的主题，一方面区分相同词的上下，降低权重;另一方面关联不同词以减少稀疏性，增加权重。
利用模型生成的主题，一方面区分相同词的上下，降低权重;另一方面关联不同词以减少稀疏性，增加权重。
2025/1/17 8:38:18
831KB
1
PSO算法优化求解PID参数，算法是在基本PSO算法的惯性权重部分加入一个调节因子项,通过调节因子的调节,改善了算法的收敛性。
仿真结果表明,IPSO算法可以更好地优化PID控制器的参数,使控制系统具有更好的控制性能。
仿真结果表明,IPSO算法可以更好地优化PID控制器的参数,使控制系统具有更好的控制性能。
2025/1/12 16:58:01
18KB
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