- @liuzhicheng1845
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
用meshio处理3D模型import meshioimport osdef ply2obj():#格式转换for i in os.listdir("input"):name=i.split(".")[0]mesh = meshio.read("./input/"+name+".ply")mesh.write("./output/"+name+".obj", file_format="obj")d
GRU的Demon_steps=seq_len-1n_inputs=4n_neurons=100n_outputs=4n_layers=2from tensorflow import kerasmodel = keras.Sequential()model.add(keras.layers.GRU(n_neurons, activation='relu', input_shape=(n_steps
一、双击打开index.html文件二、点击选择文件然后选中包含图片信息face2.json文件三、打开face2.json文件后就可以看到如下效果index.html文件<!DOCTYPE html><head><meta charset="utf-8"><meta http-equiv="X-UA-Compatible" content="IE=edg
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
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
原文链接：https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CJFD&dbname=CJFDAUTO&filename=BJGD202108016&uniplatform=NZKPT&v=nK38Gfr0vjNnhuVj5J8cO6liO%25mmd2BflKDa90tZ66twTkvbLubQc0yLtfie7
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
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