import bpyclass ModelProcessingTool:def __init__(self):self.start()print("finished!")def __getObj():return bpy.data.objects;def start(self):'''#self.delete_all()#删除场景中的全部对象#se

K-Means算法：https://www.cnblogs.com/pinard/p/6164214.html

import pandas as pdimport numpy as npimport torchfrom torchvision.utils import make_griddef showPic(data):n_pic=data.shape[0]n_pixels=data.shape[1]width=int(n_pixels**0.5)pwh=data.reshape((n_pic, widt

K-Means算法：https://www.cnblogs.com/pinard/p/6164214.html

KNN算法K最邻近法（K- Nearest Neighbor）：如果一个样本在特征空间中的K个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别也可用于少数特定的回归问题

摘要：背景，深度学习最近已成为解决资源管理问题的颠覆性技术：1.现有的神经网络架构的问题：可扩展性差、泛化性差、缺乏可解释性。2.提高可扩展性和泛化性的方法：将目标任务的结构合并到神经网络架构中。？本文，应用图神经网络 (GNN) 来解决大规模资源管理问题：1.证明无线电资源管理问题可以被表述为图优化问题（具有通用置换等方差特性）2.我们确定了MPGNN（消息传递图神经网络 )。3.MPGNN满足

特征：feature相关特征：relevant feature无关特征：irrelevant feature特征选择：feature selection冗余特征：redundant feature去除冗余特征和无关特征分析特征、训练模型所需的时间就越长，模型也会越复杂。容易引起“维度灾难”，其推广能力会下降。容易导致特征稀疏的问题，导致模型效果下降。对于模型来说，可能会导致不适定的情况，即是解出的

原文链接：https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CJFD&dbname=CJFDAUTO&filename=BJGD202108016&uniplatform=NZKPT&v=nK38Gfr0vjNnhuVj5J8cO6liO%25mmd2BflKDa90tZ66twTkvbLubQc0yLtfie7

Abstract提出了一种压缩分解网络(SDNet)可以实时实现多模态和数字摄影图像融合将多个融合问题转化为梯度和强度信息的提取和重建设计了一个由强度项和梯度项组成的通用损失函数形式梯度项自适应决策，根据纹理丰富度来确定梯度分布，引导融合后的图像包含更丰富的纹理细节。强度项调整每个强度损失项的权重，以改变来自不同图像的强度信息的比例，使其能够适应多个图像融合任务。压缩解压思想考虑了：源图像-&gt

prepare.pyimport pandas as pdimport numpy as npfrom sklearn.model_selection import train_test_splitfrom keras.utils.np_utils import to_categorical # convert to one-hot-encoding#.set(style='white', con