在计算loss的时候，最常见的一句话就是tf.nn.softmax_cross_entropy_with_logits，那么它到底是怎么做的呢？首先明确一点，loss是代价值，也就是我们要最小化的值tf.nn.softmax_cross_entropy_with_logits(logits,labels,name=None)除去name参数用以指定该操作的name，与方法有关的一共两个参数：第一个参数logits：就是神经网络最初一层的输出，如果有batch的话，它的大小就是[batchsize，num_classes]，单样本的话，大小就是num_classes第二个参数lab
2022/11/6 0:04:08
56KB
1
UCI网站上的机器学习样本数据集，包含了13个不同的特征，对178个葡萄酒数据样本的化学特征做出了描绘，包含了列表，是一个csv表格。
2019/5/7 9:57:13
11KB
1
用MatLab编写的正态分布模式下的贝叶斯分类器。
很多模式识别的课设就有相关题目。
不只有样本分类而且会在二维坐标系下画出，正确分类与错误分类的点都会有不同的标志。
很多模式识别的课设就有相关题目。
不只有样本分类而且会在二维坐标系下画出，正确分类与错误分类的点都会有不同的标志。
2018/10/26 3:53:30
798B
1
.YALE人脸数据库（美国，耶鲁大学）由耶鲁大学计算视觉与控制中心创建,包含15位志愿者的165张图片,包含光照,表情和姿势的变化。
Yale人脸数据库中一个采集志愿者的10张样本，相比较ORL人脸数据库Yale库中每个对象采集的样本包含更明显的光照、表情和姿势以及遮挡变化。
Yale人脸数据库中一个采集志愿者的10张样本，相比较ORL人脸数据库Yale库中每个对象采集的样本包含更明显的光照、表情和姿势以及遮挡变化。
2020/2/14 20:44:32
4.08MB
1
.YALE人脸数据库（美国，耶鲁大学）由耶鲁大学计算视觉与控制中心创建,包含15位志愿者的165张图片,包含光照,表情和姿势的变化。
Yale人脸数据库中一个采集志愿者的10张样本，相比较ORL人脸数据库Yale库中每个对象采集的样本包含更明显的光照、表情和姿势以及遮挡变化。
Yale人脸数据库中一个采集志愿者的10张样本，相比较ORL人脸数据库Yale库中每个对象采集的样本包含更明显的光照、表情和姿势以及遮挡变化。
2016/7/26 8:12:58
4.08MB
1
为了有效改善解码语音的质量，提出了一种K-L变换语音波形编码算法。
由语音帧构造协方差矩阵，并对其进行特征值分解，得到特征值及其对应的特征向量，由特征向量构造正交矩阵；
用正交矩阵对语音帧作正交变换得到变换系数向量；
选取适当特征值对应的特征向量构造重构矩阵；
用重构矩阵对变换系数向量作逆变换得到增强后的语音信号；
对增强后的语音抽取并传输至解码端；
通过插值技术重构语音信号。
在不同信噪比下对不同语音样本进行仿真实验，并同离散余弦变换编码比较，实验表明，该算法不仅数据压缩率高、解码语音清晰和自然，而且同时实现语音良好的自顺应增强。
由语音帧构造协方差矩阵，并对其进行特征值分解，得到特征值及其对应的特征向量，由特征向量构造正交矩阵；
用正交矩阵对语音帧作正交变换得到变换系数向量；
选取适当特征值对应的特征向量构造重构矩阵；
用重构矩阵对变换系数向量作逆变换得到增强后的语音信号；
对增强后的语音抽取并传输至解码端；
通过插值技术重构语音信号。
在不同信噪比下对不同语音样本进行仿真实验，并同离散余弦变换编码比较，实验表明，该算法不仅数据压缩率高、解码语音清晰和自然，而且同时实现语音良好的自顺应增强。
2020/7/16 18:07:23
1.19MB
1
为了有效改善解码语音的质量，提出了一种K-L变换语音波形编码算法。
由语音帧构造协方差矩阵，并对其进行特征值分解，得到特征值及其对应的特征向量，由特征向量构造正交矩阵；
用正交矩阵对语音帧作正交变换得到变换系数向量；
选取适当特征值对应的特征向量构造重构矩阵；
用重构矩阵对变换系数向量作逆变换得到增强后的语音信号；
对增强后的语音抽取并传输至解码端；
通过插值技术重构语音信号。
在不同信噪比下对不同语音样本进行仿真实验，并同离散余弦变换编码比较，实验表明，该算法不仅数据压缩率高、解码语音清晰和自然，而且同时实现语音良好的自顺应增强。
由语音帧构造协方差矩阵，并对其进行特征值分解，得到特征值及其对应的特征向量，由特征向量构造正交矩阵；
用正交矩阵对语音帧作正交变换得到变换系数向量；
选取适当特征值对应的特征向量构造重构矩阵；
用重构矩阵对变换系数向量作逆变换得到增强后的语音信号；
对增强后的语音抽取并传输至解码端；
通过插值技术重构语音信号。
在不同信噪比下对不同语音样本进行仿真实验，并同离散余弦变换编码比较，实验表明，该算法不仅数据压缩率高、解码语音清晰和自然，而且同时实现语音良好的自顺应增强。
2015/11/25 3:27:43
1.19MB
1
环境：opencv2.4.6.0特征：eigenfaceInput：一个人脸数据库，15个人，每人20个样本（左右）。
Output：人脸检测，并辨认出每张检测到的人脸。
Output：人脸检测，并辨认出每张检测到的人脸。
2018/5/3 17:46:11
12KB
1
1.什么是相信区间（ConfidenceInterval）？（1）总体、个体、样本（2）统计量（3）区间估计、相信区间2.计算相信区间的方法（Excel）3.相关数据表
2019/6/3 6:16:14
819KB
1
WebRTC中的噪声抑制算法功能好，效率高，但是因为关联复杂，单独使用很麻烦。
为配合声音处理器开发，从WebRTC中单独抠出来的噪声抑制源码，使用VS2010编译。
在Release目录下，还有编译好的执行文件和语音样本。
为配合声音处理器开发，从WebRTC中单独抠出来的噪声抑制源码，使用VS2010编译。
在Release目录下，还有编译好的执行文件和语音样本。
2015/10/23 2:23:39
1.86MB
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