Neighbourhood Preserving Embedding 是一种基于流形的子空间方法。文件中包含原始的NPE算法和3种改进的有监督NPE算法，经过试验，有监督的识别算法优于原始算法。

稀疏子空间学习近来受到越来越多的关注。 但是，大多数稀疏子空间学习方法是无监督的，不适合分类任务。 本文提出了一种新的稀疏子空间学习算法，即判别式稀疏邻域保留嵌入（DSNPE），它是将判别信息添加到稀疏邻域保留嵌入中（SNPE）。 DSNPE不仅保留了SNPE的稀疏重构关系，而且还从以下两个方面充分利用了全局判别结构：（1）在DSNPE的目标函数中增加了最大余量准则（MMC）； （2）仅使用与当前样本具有相同标签的训练样本来计算稀疏重建关系。 在三个面部图像数据集（Yale，Extended Y

snpe-码头工人 Docker容器和帮助程序为snx模型转换和基准测试构建snpe 1.47。 大多数示例都假定您正在使用视觉模型，但是它们仍然可以帮助您完成当前的任务。 构建Docker容器 首先下载并将其放置在该项目的根目录中，然后使用snpe环境构建并运行docker，请运行以下命令： $ git clone https://github.com/4knahs/snpe-docker.git $ cd snpe-docker $ # Download snpe 1.47 and pl

snpe游乐场 conda创建--name snpe python = 3.5 conda激活snpe 下载模型并准备资产 资产目录包含网络模型资产。 如果先前已下载资产，则将ASSETS_DIR设置到此目录，否则选择目标目录以在下载资产时存储它们。 如果资产已经下载到目录（例如〜/ tmpdir），则发出以下命令。 mkdir ./assets python3 $SNPE_ROOT/models/inception_v3/scr ipts/setup_inceptionv3.py -a .