您好,欢迎光临本网站![请登录][注册会员]  

搜索资源列表

  1. gridview 统计 2列相加脚本

  2. 用法,在客户端使用函数名(第X列,第X列,结果列,统计列,控件名) 自己看代码,是我自己写的脚本 比如说在编辑行时要求2列和3列的和放在4列下,并统计第四列 (2,3,4,4,"GridView1")
  3. 所属分类:专业指导

    • 发布日期:2009-06-04
    • 文件大小:7168
    • 提供者:boy7900
  1. 扩展的高斯卷积算法 X-convolutionSeparable

  2. 用高斯核做高斯模糊,先做行再做列。由于SDK里的该例程对图片宽高要求严格,而且边界处理地不甚妥当,于是我进行了适当的扩展,使得其可以处理任意宽*任意高大小的图片,而且经过对边界的clamp处理,使得图片边界不再白白。
  3. 所属分类:其它

    • 发布日期:2010-02-28
    • 文件大小:2048
    • 提供者:ijuliet
  1. 卷积编码译码Matlab仿真程序(保证可以运行)

  2. 编码: function output=cnv_encd(G,k0,input) % cnv_encd(G,k0,input),k0是每一时钟周期输入编码器的bit数, % G是决定输入序列的生成矩阵,它有n0行,L*k0列。n0是输出bit数, % 参数n0和L由生成矩阵G导出,L是约束长度。L之所以叫约束长度 % 是因为编码器在每一时刻里输出序列不但与当前输入序列有关, % 而且还与编码器的状态有关,这个状态是由编码器的前(L-1)k0。 % 个输入决定的,通常卷积码表示为(n0,k0,m
  3. 所属分类:IT管理

    • 发布日期:2015-01-19
    • 文件大小:4096
    • 提供者:yqq1104
  1. (0,1)矩阵矩阵积和式的上下界

  2. (0,1)矩阵矩阵积和式的上下界,张雪媛,朱晓颖,令A为n阶(0,1)方阵。 若称不在同一行且不在同一列的所有元素为一条对角线,则矩阵A的积和式就等于全1对角线的条数。用τ表示A中0�
  3. 所属分类:其它

    • 发布日期:2020-02-18
    • 文件大小:234496
    • 提供者:weixin_38690407
  1. 有限生成$G$-投射模的张量积

  2. 有限生成$G$-投射模的张量积,王芳贵,,设$R$是交换环, $M,E,N$是$R$-模. 称$M$为超$G$-余模, 是指存在正合列$0 a M a G_0 a G_1 a cdots a G_m acdots$,其中每一$G_i$是超有限表现Gorenstein投射模;
  3. 所属分类:其它

    • 发布日期:2019-12-28
    • 文件大小:470016
    • 提供者:weixin_38709139
  1. 数据库系统概论笔记整理——第二章(关系数据库之主码,候选码,关键字,外码,全码,主属性,笛卡尔积,关系的完整性等)

  2. :red_heart_selector: 关系数据结构及形式化定义 1.笛卡尔积:当做一个表来说,就是一行是一个元组,一列是一个域,是域的基数的相乘 2.关系:一张规范的二维表 3.域:是一组具有相同的数据类型的值的集合 4.域的基数:用白话说就是域中不重复取值的域的个数 5.关系可以有三种类型:基本关系(又称基本表或基表)、查询表和视图表 6.关系是笛卡尔积的有限子集 7.候选码:关系中的某一属性组的值能唯一地标识一个元组,而子集不能,则称该属性组(人话:有好几个属性可以作为一行(元祖)的标识
  3. 所属分类:其它

    • 发布日期:2020-12-14
    • 文件大小:78848
    • 提供者:weixin_38683562
  1. 在HTML5 canvas里用卷积核进行图像处理的方法

  2. 卷积什么是卷积? 就跳过一些用专业属于描述专业术语看完懵逼的解释了, 语文成绩很差的我尝试从字面解释什么是卷积… 卷,理解成一种压缩;积,乘积,积累; 卷积需要一个卷积核,通常是3×3或5×5的方阵, 例如这样 // 一个3×3卷积核 0 0 0 0 1 0 0 0 0 我们要怎么用卷积核处理数据呢? 下面是一个例子: // 下面是一堆排成方阵的数据 // 这是我们的数据源 1 3 5 1 3 5 1 3 5 4 5 6 1 3 5 1 3 5 4 5 6 1 3 5 1 3 5 4 5
  3. 所属分类:其它

    • 发布日期:2020-12-13
    • 文件大小:163840
    • 提供者:weixin_38519060
  1. LeeCode每日一题–Excel表列名称

  2. 【前言】坚持日更LeeCode刷题系列     不积跬步,无以至千里;不积小流,无以成江海。愿与诸君共勉!   【题目】168.Excel表列名称     题目描述:给定一个正整数,返回它在 Excel 表中相对应的列名称。     例如: 1 -> A 2 -> B 3 -> C ... 26 -> Z 27 -> AA 28 -> AB ...     示例: 示例 1:
  3. 所属分类:其它

    • 发布日期:2020-12-22
    • 文件大小:60416
    • 提供者:weixin_38534344
  1. Python通过两个dataframe用for循环求笛卡尔积

  2. 合并两个没有共同列的dataframe,相当于按行号求笛卡尔积。 最终效果如下 以下代码是参考别人的代码修改的: def cartesian_df(A,B): new_df = pd.DataFrame(columns=list(A).extend(list(B))) for _,A_row in A.iterrows(): for _,B_row in B.iterrows(): row = A_row.append(B_row)
  3. 所属分类:其它

    • 发布日期:2020-12-20
    • 文件大小:114688
    • 提供者:weixin_38708707
  1. 使用卷积神经网络(CNN)做人脸识别的示例代码

  2. 上回书说到了对人脸的检测,这回就开始正式进入人脸识别的阶段。 关于人脸识别,目前有很多经典的算法,当我大学时代,我的老师给我推荐的第一个算法是特征脸法,原理是先将图像灰度化,然后将图像每行首尾相接拉成一个列向量,接下来为了降低运算量要用PCA降维, 最后进分类器分类,可以使用KNN、SVM、神经网络等等,甚至可以用最简单的欧氏距离来度量每个列向量之间的相似度。OpenCV中也提供了相应的EigenFaceRecognizer库来实现该算法,除此之外还有FisherFaceRecognizer、L
  3. 所属分类:其它

    • 发布日期:2020-12-20
    • 文件大小:739328
    • 提供者:weixin_38714653
  1. 卷积神经网络之图像

  2. **今天,我们来正式讲计算机视觉里面一个非常非常广泛的网络,叫做 卷积神经网络 ,可以说卷积神经网络是现在计算机视觉的一个核心的概念,再讲卷积神经网络用于图片处理之前, 首先我们来看一下图片是怎么表示的? 我们现在来看一个Minist的图片, 我们之前已经接触过了,他是一个28行乘以28列的一个这样的数据,我们用一个矩阵来表示这个矩阵的每一个元素,要么是零,要么是一。然后这个矩阵的每一个元素代表了当前这个像素点的一个数值,因为当前的minist他是一个黑白图片,因此我们只使用了一张这样的值来表
  3. 所属分类:其它

    • 发布日期:2021-01-07
    • 文件大小:1048576
    • 提供者:weixin_38605604
  1. 数学中的内积和外积

  2. 以下是在向量中的运算,即类似,而不是矩阵中的运算! 内积(inner product, scalar product,dot product) 根据翻译,内积又叫标量积、点积,还叫数量积。是指接受在实数R上的两个向量并返回一个实数值标量的二元运算。它是欧几里得空间的标准内积。 两个向量和的点积定义为: 使用矩阵乘法并把(纵列)向量当作n×1 矩阵,点积还可以写为: 其中,指示矩阵a的转置。注:有的同学觉得是,其实都没有错,到底是a的转置矩阵乘b,还是a乘b的转置取决于向量的矩阵表示方法,即一
  3. 所属分类:其它

    • 发布日期:2021-01-06
    • 文件大小:102400
    • 提供者:weixin_38659311
  1. 矩阵中的积运算

  2. 不同于向量中的积运算,矩阵的积运算有矩阵乘法(Matrix multiplication)、哈达马积(Hadamard product)、克罗内克积(Kronecker Product)等。 矩阵乘法 即: 设A为的矩阵,B为 的矩阵,那么称的矩阵C为矩阵A与B的乘积,记作,其中矩阵C中的第行第 列元素可以表示为: 矩阵乘法只有在第一个矩阵的列数(column)和第二个矩阵的行数(row)相同时才有意义,一个m×n的矩阵就是m×n个数排成m行n列的一个数阵。 哈达马积 哈达玛积(Had
  3. 所属分类:其它

    • 发布日期:2021-01-06
    • 文件大小:83968
    • 提供者:weixin_38739837
  1. 《动手学深度学习》卷积神经网络LeNet

  2. 使用全连接层的局限性: 图像在同一列邻近的像素在这个向量中可能相距较远。它们构成的模式可能难以被模型识别。 对于大尺寸的输入图像,使用全连接层容易导致模型过大。 使用卷积层的优势: 卷积层保留输入形状。 卷积层通过滑动窗口将同一卷积核与不同位置的输入重复计算,从而避免参数尺寸过大。 LeNet结构 卷积层块里的基本单位是卷积层后接平均池化层:卷积层用来识别图像里的空间模式,如线条和物体局部,之后的平均池化层则用来降低卷积层对位置的敏感性。 卷积层块由两个这样的基本单位重复堆叠构成。在卷积层块中,
  3. 所属分类:其它

    • 发布日期:2021-01-06
    • 文件大小:112640
    • 提供者:weixin_38582719
  1. 5.5 卷积神经网络(LeNet)

  2. 在“多层感知机的从零开始实现”一节里我们构造了一个含单隐藏层的多层感知机模型来对Fashion-MNIST数据集中的图像进行分类。每张图像高和宽均是28像素。我们将图像中的像素逐行展开,得到长度为784的向量,并输入进全连接层中。然而,这种分类方法有一定的局限性。 图像在同一列邻近的像素在这个向量中可能相距较远。它们构成的模式可能难以被模型识别。 对于大尺寸的输入图像,使用全连接层容易导致模型过大。假设输入是高和宽均为1,0001,0001,000像素的彩色照片(含3个通道)。即使全连接层输出个
  3. 所属分类:其它

    • 发布日期:2021-01-06
    • 文件大小:121856
    • 提供者:weixin_38538472
  1. LD列阵的光束参数测试和光束质量的研究

  2. 讨论了LD列阵的光束参数特性,采用面阵CCD探测器测量了半导体激光器线阵的光场分布、远场发散角、光射参数积和M2因子等,分析了半导体激光器线阵的光束参数与激光器结构形式的关系,讨论了改善激光器光束特性的方法。
  3. 所属分类:其它

    • 发布日期:2021-02-25
    • 文件大小:1048576
    • 提供者:weixin_38651786
  1. Tensorflow卷积神经网络

  2. 卷积神经网络(ConvolutionalNeuralNetwork,CNN)是一种前馈神经网络,在计算机视觉等领域被广泛应用.本文将简单介绍其原理并分析Tensorflow官方提供的示例.关于神经网络与误差反向传播的原理可以参考作者的另一篇博文BP神经网络与Python实现.卷积是图像处理中一种基本方法.卷积核是一个f*f的矩阵.通常n取奇数,使得卷积核有中心点.对图像中每个点取以其为中心的f阶方阵,将该方阵中各值与卷积核中对应位置的值相乘,并用它们的和作为结果矩阵中对应点的值.1*1+1*0+
  3. 所属分类:其它

    • 发布日期:2021-02-25
    • 文件大小:572416
    • 提供者:weixin_38645133
  1. CondConvContinual:涂成浩,吴成恩和陈楚松,“扩展条件卷积结构以增强多任务持续学习”,亚太信号和信息处理协会亚太峰会,APSIPA ASC 2020年会-源码

  2. CondConvContinual 这是Pytorch官方实现 屠成浩,吴成恩和陈楚松创作 该代码仅供学术研究使用。 对于商业用途,请联系教授( )。 基准测试 介绍 在最近的深度学习研究中,条件运算已经引起了很多关注,以促进模型的预测准确性。 向此方向的最新进展是条件参数卷积(CondConv),提出利用条件深层模型权重提供的附加容量来增强性能,而对模型的计算复杂性的影响则要小得多。 CondConv使用依赖于输入的融合参数,这些参数可以自适应地组合多列卷积内核以提高性能。 在运行时,内核
  3. 所属分类:其它

    • 发布日期:2021-02-19
    • 文件大小:595968
    • 提供者:weixin_42104181
  1. RAD:强大而准确的反卷积-源码

  2. 稳健而准确的反卷积(RAD) 介绍 RAD是一种工具包,可将大量肿瘤样本分离。 给定一个非负的批量RNA表达矩阵B \in R_+^{mxn} ,其中每一行i是一个基因,每一列j是一个肿瘤样本,我们的目标是推断一个表达谱矩阵C \in R_+^{mxk} ,其中每列l是一个单元社区,以及一个分数矩阵F \in R_+^{kxn} ,使得: B ~= C F. 更具体地说,RAD解决了以下问题: min_{C, F} || B - C F ||_{Fr}^2, s.t. C_{i
  3. 所属分类:其它

    • 发布日期:2021-02-13
    • 文件大小:91136
    • 提供者:weixin_42137539
  1. inpainting_gmcnn:通过生成的多列卷积神经网络进行图像修复,NeurIPS2018-源码

  2. 通过生成多列卷积神经网络进行图像修复 ,,,,。 带有矩形遮罩的Places2,CelebA-HQ和Paris街景的结果。 在Places2和CelebA-HQ上随机抽奖的结果。 介绍 该存储库适用于NeurIPS 2018论文`` ''。 如果我们的方法对您的研究有用,请考虑引用: inproceedings{wang2018image, title={Image Inpainting via Generative Multi-column Convolutional Neural N
  3. 所属分类:其它

    • 发布日期:2021-02-06
    • 文件大小:16777216
    • 提供者:weixin_42151599
« 12 3 4 5 6 7 8 9 10 ... 16 »