共8400多对中英语句，已预处理，中文用jieba分了词，标点符号没问题，保存于en-zh.csv，分隔符是制表符\t（不是默认逗号）。
句粒度，但有不少长句，裁剪后5w对也够用。
原始数据集也在包中，其中en-zh_News.tmx有一部分句子有问题，（en-zh.csv丢弃了有问题的句子），如果必要建议不要直接使用该文件。
另外附赠我对语料的预处理文件（propressor.py），以及数据集（pytorch的Dataset）等相关的实现（LangData.py)。
如果又可以改善的地方，欢迎留言

本文档从最基础的原理着手，介绍了使用CNN卷积神经网络进行图片分类，是利用深度学习通过卷积神经网络进行图片分类比较不错的参考资料。

此论文是GAIN：MissingDataImputationusingGenerativeAdversarialNets的SupplementaryMaterials，里面包括论文公式推导以及代码参数设置

基于神经网络反向传播法来控制比例积分控制器，来调优参数

yolov5预训练模型

Formatofthedatasetraw.kb:therawkbdatafromNELLsystemkb_env_rl.txt:weaddinversetriplesofalltriplesinraw.kb,thisfileisusedastheKGforreasoningentity2vec.bern/relation2vec.bern:transEembeddingstorepresentoutRLstates,canbetrainedusingTransXimplementationsbythunlptasks/:eachtaskisaparticularreasoningrelationtasks/${relation}/*.vec:trainedTransHEmbeddingstasks/${relation}/*.vec_D:trainedTransDEmbeddingstasks/${relation}/*.bern:trainedTransREmbeddingtrainedtasks/${relation}/*.unif:trainedTransEEmbeddingstasks/${relation}/transX:triplesusedtotraintheKBembeddingstasks/${relation}/train.pairs:traintriplesinthePRAformattasks/${relation}/test.pairs:testtriplesinthePRAformattasks/${relation}/path_to_use.txt:reasoningpathsfoundtheRLagenttasks/${relation}/path_stats.txt:pathfrequencyofrandomisedBFS

我们使用了循环一致性生成对抗网络（CycleConsistentGenerativeAdversarialNetworks,CycleGAN）实现了将绘画中的艺术风格迁移到摄影照片中的效果。
这种方法从图像数据集中学习整体风格，进行风格转换时只要将目标图片输入网络一次，不需要迭代的过程，因此速度较快。
我们使用了一些自己制作的数据集训练了CycleGAN风格迁移模型，并分析了这种方法的优点和局限性。
为了使风格转换后的图片保留原来的色彩分布，我们实现并分析对比了多种颜色匹配的方法。
我们还利用了MaskR-CNN模型生成的掩膜图像来做图像运算而实现了局部风格转换和混合风格转换等效果。

博客地址：https://blog.csdn.net/wen_fei/article/details/80261047VGG-Face模型Pytorch版本，使用Pytorch的torch.load(VGG_FACE_LOCATION)可直接读取，基于千万张人脸数据训练，

找了好久找到的资源，pip用户python库的安装，将此文件解压到script文件夹，然后在控制台进行安装。

基于matlab程序，对解决物流选址问题有很大的帮助