IMDB电影数据集含有50000个电影评论，分为正反两类。
train包中包含25000个正反类评论用于锻炼，test中包含25000个评论用于测试。

数据格式为：'ID','Type','Station','S_No','Day','A_Time','D_Time','Distance','P1','P2','P3','P4'如：INSERTINTO`train`VALUES('D10','动车组','沈阳北','1','1','-','09:01','0','','','-','-');

Python-KaggleInstacart市场篮子阐发orders(3.4mrows,206kusers):order_id:orderidentifieruser_id:customeridentifiereval_set:whichevaluationsetthisorderbelongsin(seeSETdescribedbelow)order_number:theordersequencenumberforthisuser(1=first,n=nth)order_dow:thedayoftheweektheorderwasplacedonorder_hour_of_day:thehourofthedaytheorderwasplacedondays_since_prior:dayssincethelastorder,cappedat30(withNAsfororder_number=1)products(50krows):product_id:productidentifierproduct_name:nameoftheproductaisle_id:foreignkeydepartment_id:foreignkeyaisles(134rows):aisle_id:aisleidentifieraisle:thenameoftheaisledeptartments(21rows):department_id:departmentidentifierdepartment:thenameofthedepartmentorder_products__SET(30m+rows):order_id:foreignkeyproduct_id:foreignkeyadd_to_cart_order:orderinwhicheachproductwasaddedtocartreordered:1ifthisproducthasbeenorderedbythisuserinthepast,0otherwisewhereSETisoneofthefourfollowingevaluationsets(eval_setinorders):"prior":orderspriortothatusersmostrecentorder(~3.2morders)"train":trainingdatasuppliedtoparticipants(~131korders)"test":testdatareservedformachinelearningcompetitions(~75korders)

opencv学习之人脸识别-代码加素材加opencv配置路径；
test文件夹内是待测试的图片，train文件夹内是训练出来的图片；
namelist路径要根据你实际的路径，使用notepad++更改即可；

1、 训练数据准备所有数据均放置于Sample\Build\下，其中Build为数据类型，根据本人需要进行修改，本示例数据为512*512大小GF2建筑，训练数据按照:Sample\Build\train\IMG_T1-----------------------\IMG_LABEL-----------------\val\IMG_T1-----------------------\IMG_LABEL2、 训练参数设置参数和运行皆在dp0_train.py中，主要参数包括：（1） num_epochs，训练批次（2） learning_rate，学习率（3） dataset，步骤一本人构建的数据集名称（4） band，输入数据通道数（波段数）（5） n_class,模型输出通道数（类别）设置好后点击run即可3、 训练模型位置模型结构放与net文件中，生成模型文件pt位于Checkpointspath\4、 预测使用填写参数Checkpointspath，模型位置名称Dataset，待预测数据文件夹Outputpath，输出数据文件夹

matlabdir源代码Crop_DiseasesCropDiseasesDetection代码源于Google识别API，根据数据情况做了少许修改。
深度学习框架Tensorflow1.9密码:yq30生成TFrecords运行process.py将数据图像压缩生成TFRecords类型的数据文件，可以提高数据读取效率#修改process.py主函数路径，改为本人的下载后压缩的路径pythonprocess.py训练模型#配置train.sh参数#生成的TFrecords路劲(根据本人的实际修改，下同)DATASET_DIR=/media/zh/DATA/AgriculturalDisease20181023/tf_data#训练过程产生的模型，迭代保存的数据位置TRAIN_DIR=/media/zh/DATA/AgriculturalDisease20181023/check_save/resnetv1_101_finetune#定义预训练模型定义(预训练模型下载地址上面有给出)CHECKPOINT_PATH=/media/zh/DA

matlab插值代码解释FSRCNN由Pytorch和Matlab复制《加速超分辨率卷积神经网络》（CVPR2016）论文。
依存关系Matlab2016火炬1.0.0解释论文作者url：提供的一些Matlab代码。
使用两种语言进行项目的次要原因是因为双三次插值的实现方式不同，这导致使用PSNR标准时结果的差异更大。
概述网络概述和与SRCNN的比较：用法使用./data_pro/data_aug.m进行扩充。
使用./data_pro/generate_train.m生成train.h5。
使用./data_pro/generate_test.m生成test.h5。
乘坐train.py火车：pythontrain.py将Pytorch模型.pkl转换为Matlab矩阵.mat。
（weights.pkl-＞weights.mat）pythonconvert.py使用./test/demo_FSRCNN.m获得结果。
结果使用./model/weights.mat可以得到结果：Set5平均：重建PSNR=32.52dBVS双三次PSNR

caffe下faster-rcnn的ResNet-50设置装备摆设文件，faster_rcnn_alt_opt（stage1_rpn_train.pt等）和faster_rcnn_end2end（solver.prototxt、train.prototxt、test.prototxt）

kitti的标签对应的xml文件，分别为三个包，包括train、val、test。

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。