故事书与魅力四射这是来自示例，这些示例被组织成一个故事书。
每个示例都包含一个带有说明的单独故事，并具有一个使用相同源代码的codesandbox.io链接在github页面上查看：用法如果您想玩这个例子：gitclonehttps://github.com/react-theming/glamorous-samples.gitcdglamorous-samplesnpminpmstart它将启动故事书。
在浏览器中打开在左侧面板中的故事列表中导航。
每个示例都有一个简短说明的注释和源文件的名称（位于src文件夹中）。
修改这些文件，以更好地了解诱人的作品。

该文件包括效果展示视频和训练生成的xml文件由于该方法要求负样本与场景相关，因此建议自己采集视频进行样本获取及后续处理，直接使用xml文件在其他场景的效果并不一定好。
本实验也有许多问题，①比如远处的检测框会较早的消失，这个原因应该是抽帧截取正样本时，远处的车辆样本选取的较少，建议新实验中每个位置上的正样本都要考虑到。
②偶尔会出现检测框消失的现象，这个没法避免的..建议使用卡尔曼滤波对消失的检测框进行预测然后校正！关于样本集会在后面半个月放出，最近事比较多，等开学会有点时间...本演示视频只对单一方向的车辆样本进行训练，并且包含了晴天多云雨天等场景的样本共同训练，正样本数量为4300多份。
如果想尝试双向车道的训练，建议正样本数量达到1w左右的量级，负样本为正样本的2-5倍，关于xml文件的训练参考文章XXX，也可以换成其他特征进行训练，如LBP特征（听说训练花费时间大大降低，精度差不多，并没有进行试验），有兴味的可以试一试，多多交流！

共有七个完整算法%1.基于聚类的RBF网设计算法%一维输入，一维输出，逼近效果很好！SamNum=100;%总样本数TestSamNum=101;%测试样本数InDim=1;%样本输入维数ClusterNum=10;%隐节点数，即聚类样本数Overlap=1.0;%隐节点重叠系数%根据目标函数获得样本输入输出rand('state',sum(100*clock))NoiseVar=0.1;Noise=NoiseVar*randn(1,SamNum);SamIn=8*rand(1,SamNum)-4;SamOutNoNoise=1.1*(1-SamIn+2*SamIn.^2).*exp(-SamIn.^2/2);SamOut=SamOutNoNoise+Noise;TestSamIn=-4:0.08:4;TestSamOut=1.1*(1-TestSamIn+2*TestSamIn.^2).*exp(-TestSamIn.^2/2);figureholdongridplot(SamIn,SamOut,'k+')plot(TestSamIn,TestSamOut,'r--')xlabel('Inputx');ylabel('Outputy');Centers=SamIn(:,1:ClusterNum);NumberInClusters=zeros(ClusterNum,1);%各类中的样本数，初始化为零IndexInClusters=zeros(ClusterNum,SamNum);%各类所含样本的索引号while1,NumberInClusters=zeros(ClusterNum,1);%各类中的样本数，初始化为零IndexInClusters=zeros(ClusterNum,SamNum);%各类所含样本的索引号%按最小距离原则对所有样本进行分类fori=1:SamNumAllDistance=dist(Centers',SamIn(:,i));[MinDist,Pos]=min(AllDistance);NumberInClusters(Pos)=NumberInClusters(Pos)+1;IndexInClusters(Pos,NumberInClusters(Pos))=i;end%保存旧的聚类中心OldCenters=Centers;fori=1:ClusterNumIndex=IndexInClusters(i,1:NumberInClusters(i));Centers(:,i)=mean(SamIn(:,Index)')';end%判断新旧聚类中心能否一致，是则结束聚类EqualNum=sum(sum(Centers==OldCenters));ifEqualNum==InDim*ClusterNum,break,endend%计算各隐节点的扩展常数（宽度）AllDistances=dist(Centers',Centers);%计算隐节点数据中心间的距离（矩阵）Maximum=max(max(AllDistances));%找出其中最大的一个距离fori=1:ClusterNum%将对角线上的0替换为较大的值AllDistances(i,i)=Maximum+1;endSpreads=Overlap*min(AllDistances)';%以隐节点间的最小距离作为扩展常数%计算各隐节点的输出权值Distance=dist(Centers',SamIn);%计算各样本输入离各数据中心的距离SpreadsMat=repmat(Spreads,1,SamNum);HiddenUnitOut=radbas(Distance./SpreadsMat);%计算隐节点输出阵HiddenUnitOutEx=[HiddenUnitOut'ones(SamNum,1)]';%考虑偏移W2Ex=SamOut*pinv(HiddenUnitOutEx);%求广义输出权值W2=W2Ex(:,1:ClusterNum);%输出权值B2=W2Ex(:,ClusterNum+1)

#语料库阐明------------------------------------------------------------------------##词典1、HowNet情感词典2、ntusd情感词典3、情感分析停用词表4、结巴分词自定义词典5、常用语词典，包括流行新词，网络流行词，手机词汇，粤语，潮语潮词、阿里巴巴-通讯产品词汇等##手机评论数据1、HTC手机评论，包括打分，共302篇1-52、魅族手机评论，包括打分，共529篇1-53、诺基亚手机评论，包括打分，共614篇1-54、OPPO手机评论，包括打分1-5，共553篇5、三星手机评论，包括打分1-5，共762篇6、中兴手机评论，包括打分1-5，共785篇7、摩托罗拉手机评论，包括打分1-5，共990篇8、整合：正面评论1084篇，负面评论524篇##淘宝商品评论数据1、正面评论一万篇，负面评论一万篇2、待预测的语料一万篇##2012微博情感分析数据共三个任务，数据集来自腾讯微博，每个话题1,000条，总约两万条微博1、观点句与非观点句的判别2、情感分类3、情感要素抽取##谭松波酒店评论语料正负样本不平衡，正样本7,000，负样本3000，共10,000.##酒店、服装、水果、平板、洗发水正负样本均5,000，总样本数50,000

车牌模板婚配模板库（包含第一位汉字，后面的字符及数字，均为22×14的黑底白字模板样本）

本OLED程序例程包含了C51_IIC例程，使用keil软件开发环境，程序正文完整详细，可作为学习及参考的样本

本文件中包含了车牌识别中所需求的数字和字母样本集，样本个数多，图片清晰。

LFW-a数据集子集mat文件，曾经做cropped处理切割人脸部分，并且resize成了30x15的大小。
只包含样本个数大于等于20的类别。
fea为样本矩阵，每行一个样本,gnd为类别标签。

万能合同生成软件，可以生成任何合异样本。

深度学习常用数据集之一，fashion-mnist数据集，可看成是mnist数据集的晋级版，数据的属性和mnist数据集一样（测试集和训练集的样本数）

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。