,parametervalue>)方法实现的。这是一个例子root[13]TF1f2("f2","[o]*sin([1]*x)/x",0,,19.)root[14]f2SetParameter(o,1)root[15f2SetParameter(1,1);root[16]f2Draw(;当然,这个版本显示的结果与初始版本相同。尝试播放参数并再次绘制函数。TF1关具有大量非常有用的方法,包括积分和区分。要充分利用此类和其他ROOT类,请访问nternet上的文档http://root.cern.ch/drupal/content/reference-guide.Root中的公式使用类FOrmula进行评佔,因此还要查看相关的类文档以获取示例,实现的函数和语法您一定要将本指南下载到您自己的系统,以便随时随地使用要在上面的示例中稍微扩展一下,请考虑一个您想要定义的更复杂的函数。您也可以使用标准C或C++代码执行此操作。考虑下面的示例,该示例计算并显示由落在多个狄缝上的光产生的干涉图案。请不要在ROOT命令行输入以下示例,有·种更简单的方法:桷保磁盘上有文件slits,c,并在shelli中键入rootslits.C这将启动root并使其读取“宏”sis,C,即文件中的所有行将一个接一个地执行。//ExampLedrawingtheinterferencepatternoflight/fallingonagridwithnslitsandratiorofslit//widthoverdistancebetweenslitsautopiTMath:Pi(;functioncodeinCdoublesingle(double*x,double*par)treturnpow(sin(pi*par[0]*x[0])/(pi*par[0]*x[0]),2)doubleslite(double*x,double*par)freturnpow(sin(pipar[1]xlo]/sin(pix[0]),2);doubleslit(double*x,double*par)freturnsingle(x,par)*slite(x,par);/Thisisthemainprogramvoidslits()(floatr,nsj//requestuserinputcout<SetNpx(500);setparameters,asreadinaboveFnslit->SetParameter(o,r)Fnslit->SetParameter(l,ns);//drawtheinterferencepatternforagridwithnsliFnslit->Draw()Fnslit3532,51.505224参数为0.2和2的sitC输出图像该示例首先要求用户输入,即狹缝宽度与狭缝距离的比率和狭缝的数量。输入此信息后,您应该看到如图2.1所示的图形输出这是一个比我们之前看到的更复杂的例子,所以花一些时间仔细分析它,你应该在继续之前理解它。让我们详细介绍一下:第7-18行定义了C一代码中的必要函数,分成三个独立的函数,如所考虑的问题所示完仝干涉图案由函数的乘积给出,该函数取决于狭缝的宽度和距离的比率,并且第二个取决于狄缝的数量。对我们来说更重要的是定义这些函数的接口,使它们可用于ROOT类TF1:第一个参数是指向x的指针,第二个参数指向参数数组。主程序从第21行开始,定义了ⅴoid类型的函数slits()。在询问用户输入之后,使用开头给出的C类型函数定义ROOI函数。我们现在可以使用TF1类的所有方法来控制我们函数的行为-很好,不是吗?如果您愿意,可以在TF1实例中轻松扩展示例以使用函数双单,或具有窄狄缝的网格,区数nsit0来绘制单个狭缝的干涉图案。在这里,我们使用了一个宏,某种轻量级稈序,与ROOT,Cing一起分发的解释器能够执行。这是一个非常特殊的情况,因为C++本身不是一种解释语言!还有很多话要说:章确实是专门用于宏的。-IMDN开发者社群-imdn.cn"> ,parametervalue>)方法实现的。这是一个例子root[13]TF1f2("f2","[o]*sin([1]*x)/x",0,,19.)root[14]f2SetParameter(o,1)root[15f2SetParameter(1,1);root[16]f2Draw(;当然,这个版本显示的结果与初始版本相同。尝试播放参数并再次绘制函数。TF1关具有大量非常有用的方法,包括积分和区分。要充分利用此类和其他ROOT类,请访问nternet上的文档http://root.cern.ch/drupal/content/reference-guide.Root中的公式使用类FOrmula进行评佔,因此还要查看相关的类文档以获取示例,实现的函数和语法您一定要将本指南下载到您自己的系统,以便随时随地使用要在上面的示例中稍微扩展一下,请考虑一个您想要定义的更复杂的函数。您也可以使用标准C或C++代码执行此操作。考虑下面的示例,该示例计算并显示由落在多个狄缝上的光产生的干涉图案。请不要在ROOT命令行输入以下示例,有·种更简单的方法:桷保磁盘上有文件slits,c,并在shelli中键入rootslits.C这将启动root并使其读取“宏”sis,C,即文件中的所有行将一个接一个地执行。//ExampLedrawingtheinterferencepatternoflight/fallingonagridwithnslitsandratiorofslit//widthoverdistancebetweenslitsautopiTMath:Pi(;functioncodeinCdoublesingle(double*x,double*par)treturnpow(sin(pi*par[0]*x[0])/(pi*par[0]*x[0]),2)doubleslite(double*x,double*par)freturnpow(sin(pipar[1]xlo]/sin(pix[0]),2);doubleslit(double*x,double*par)freturnsingle(x,par)*slite(x,par);/Thisisthemainprogramvoidslits()(floatr,nsj//requestuserinputcout<SetNpx(500);setparameters,asreadinaboveFnslit->SetParameter(o,r)Fnslit->SetParameter(l,ns);//drawtheinterferencepatternforagridwithnsliFnslit->Draw()Fnslit3532,51.505224参数为0.2和2的sitC输出图像该示例首先要求用户输入,即狹缝宽度与狭缝距离的比率和狭缝的数量。输入此信息后,您应该看到如图2.1所示的图形输出这是一个比我们之前看到的更复杂的例子,所以花一些时间仔细分析它,你应该在继续之前理解它。让我们详细介绍一下:第7-18行定义了C一代码中的必要函数,分成三个独立的函数,如所考虑的问题所示完仝干涉图案由函数的乘积给出,该函数取决于狭缝的宽度和距离的比率,并且第二个取决于狄缝的数量。对我们来说更重要的是定义这些函数的接口,使它们可用于ROOT类TF1:第一个参数是指向x的指针,第二个参数指向参数数组。主程序从第21行开始,定义了ⅴoid类型的函数slits()。在询问用户输入之后,使用开头给出的C类型函数定义ROOI函数。我们现在可以使用TF1类的所有方法来控制我们函数的行为-很好,不是吗?如果您愿意,可以在TF1实例中轻松扩展示例以使用函数双单,或具有窄狄缝的网格,区数nsit0来绘制单个狭缝的干涉图案。在这里,我们使用了一个宏,某种轻量级稈序,与ROOT,Cing一起分发的解释器能够执行。这是一个非常特殊的情况,因为C++本身不是一种解释语言!还有很多话要说:章确实是专门用于宏的。 - IMDN开发者社群-imdn.cn">
登录
首页 » Others » 高能物理分析软件ROOT的入门使用方法

高能物理分析软件ROOT的入门使用方法

于 2020-06-28 发布
0 337
下载积分: 1 下载次数: 1

代码说明:

root是cern开发的数据分析软件,根据cern官网的A ROOT Guide For Beginners英文版翻译的中文文档,适合初学者了解root软件的使用723存储任意类型的 N-tuples…724处理跨文件的 n-tuple7.2.5对进阶用户:使用送择器即本处理树…547.2.6对干进阶价用户:使用 PROOF lite进行多核处理72.7关于 N-tuples的优化8 ROOT in python:::::::::::t·::::··:598. 1 PYROOT598.1. 1 More Python-less C++8.2自定义代码:从C+到 Python9结束语…64References64摘要ROOT是一个用于数据分析和I/O的软件框架:一个强大的工只,可以应对最先进的科学数据分析的典型任务。它的突出特点包括高级图形用户界面,非常适合交互式分析,C++编程语言的解释器,快速高效的原型设计和C艹+对象的持久性杋制,还用于写入大型强了对撞机实验记录的每年PB级数据(1PB=1024TB译者注)。本入门指南说明了ROOT的主要特征,这些特征与数据分析的典型问题相关:输入和绘制测量数据和分析功能的拟合。原创作者-D. Piparo-G. Quast-M,cisc译者注:本文均是 Google翻译结果,仅对代码和板式作调整,欢迎修改分享软件背景与简介欢迎来到数据分析ROOT!测量与理论模型的比较是实验物理学中的标准仟务之一。在最简单的情况下,“模型”只是提供测量数据预测的函数。通常,模垩取决于参数。这种模型可以简单地表示“电流I与电压U成比例”,并且实验者的任务包括从一组测量中确定电阻R作为第一步,需要数据的可视化。接下来,通常必须应用一些操作,例如,校正或参数转换。通常,这些操作是复杂的,并且应该提供强大的数学函数和程序库-例如,考虑应用于输入光谱的积分或峰值搜索或傅立叶变换以获得模型描述的实际测量偵。实验物理学的一个特点是影响每个测量的不可避免的不确定性,可视化工具必须包括这些。在随后的分析中,必须正确处理错误的统计性质作为最后一步,将测量值与模型进行比较,并且需要在此过程中确定自由模型参数。有关适合数据点的函数(模型)的示例,请参见图1.1。有儿种标准方法可供使用,数据分析工具应能方便地访问其中一种以上。还必须提供量化测量和模型之间一致性水平的方法。通常,要分析的数据量很大-考虑借助计算机累积的细粒度测量。因此,可用工具必须包含易于使用且有效的方法来存储和处理数据在量子力学中,模型通常仅根据许多参数预测测量的概率密度函数(“pdf),并且实验分析的目的是从观察到的频率分布中提取参数,其中观察测量。这种测量需要生成和可视化频率分布的装置,所谓的直方图和严格的统计处理,以从纯粹的统计分布中提取模型参数。预期数据的模拟是数据分析的另一个重要方面。通过重复生成“伪数据”,其以与用于真实数据的预期相同的方式进行分析,可以验证或比较分析过程。在许多情况卜,测量误差的分布并不是精确已知的,并且模拟提供了测试不同假设的景响的可能性。满足上述所有要求的强大软件框架是ROOT,这是个由日内瓦欧洲核了研究中心欧洲核研究组织协调的开源项目ROOT非常灵活,既可以在自己的应用程序中使用编程接口,也可以提供用于交互式数据分析的图腦用户界面。木文档的目的是作为初学者指南,并根据学生实验室中解决的典型问题为您自己的用例提供可扩展的示例。本指南有望为您未来科学工作中更复杂的应用奠定基础,建立在现代,最先进的数据分析上具之上本指南以教程的形式向您介绍ROOT包。根据“边做边学”的原则,这个目标将通过具体的例子来完成。也正因为这个原因,本指南无法涵盖ROOT包的所有复杂性。然而,一日您对以卜章节中介绍的概念有信心,您将能够欣赏ROOT用户指南( The Root Users guide2015)并浏览类参考(根参考指南2013)以査找所有详细信息您可能会感兴。您甚至可以查看代码本身,因为ROOT是一个免费的开源广品。与本教程并行使用这些文档!ROOT数据分析框架本身是编写的,并且在很大程度上依赖于C++编程语言:需要些关于C++的知识。如果您不了解这种语言的含义,Js可以利用有关C++的大量文献。ROOT可用于许多平台( Linux, Mac osx, Windows….),但在本指南中我们将隐含地假设您使用的是 Linux。你需要做的第一件事就是安装ROOT,不是吗?获取最新的ROOT版本非常简单。只需在此网页htp:/ root, cern.ch/ downloading-root上寻找“专业版”。您将找到针对不同体系结构的预编译版木,或者您自凵编译的ROOT源代码。只需拿起您需要的味道并按照安装说明操作即可。让我们深入了解ROOT!ROOT基础既然你凵经安装了ROOT,那么你止在运行的这个交互式 shell是什么?就像这样:ROOT带来了双重功能。它有一个宏的解释器(Cing( What is Cling”2015)),您可以从命令行运行或像应用程序一样运行。但它也是一个可以评估任意语句和表达式的交互式 shell这对于调试,快速黑客攻击和测试非常有用。我们先来看一些非常简单的例子2.1ROOT作为计算器您甚至可以使用ROOT交互式she代替计算器!使用该命令启动ROOT交互式shelroot在你的Liux机器上。提示应该很快出现:root「8让我们来看看这里显示的步骤root [0] 1+1(int)2root[1]2*(4+2)/12(doub1e)1.0000root [2] sqrt(3.( double)1.732051root[3]1>2(bool) falseroot [4] TMath: Pi()( double)3.141593root [5] TMath: Erf( 2)( double).222703不错。您可以看到,ROOT不仅可以输入C++语句,还可以输入存在于 MAth命名空间中的高级数学函数。现在让我们做一些更详尽的事情。一个众所周知的几何系列的数字小例root [6 double X=5(double)0.500000root [7] int N=30(int)30root [8] double geom series=0(doub1e)8.099root [9] for (int i=0; i

下载说明:请别用迅雷下载,失败请重下,重下不扣分!

发表评论

0 个回复

  • MQTT服务器搭建教
    本教程为本地MQTT服务器搭建,搭建此本地MQTT服务器必须先为电脑配置java 环境,然后用CMD命令按步骤运行apache-apollo-1.7.1下相关exe搭建服务器管烨员:C: Windowssystem32 cmd.exe215/1/291:55example#215/1/2916:55ed hD: vapache-apo1lo-1.7.1 in >ddr卷是软件卷的序列号是FAD4418D: Mapache- apollo-1.7.1hin的目录E17/81421:4 d1r卷是软件卷的序列号是FAD4418D: pache-apo11o-1.71 bin roker in的目录E17/g81421:41dir驱动器卷是软件卷的序列号是FD4-418D:< apache-apo1lo-1.71 bin Broker in的目录217/981421:41apoIlo-broker run红框内第一行是监听,监听端口是,客服端链接时输入电脑的地址即可,本机可使用命令查询。绿框内为控制台地址,在浏览器输入可现实控制台界面。c管埠员: CAWindows system32 cmd.exe- apollo-broker run一巴回[9Gv[37ml∈[32mc[37 mApache Apo11a←[2mINFO i AyulINFo Starting store: leveldb store at D: apac he-apo1lo-1-7.1 in Nmybraker vdatMARN Using the pure java Leve lDB implementation which is still experimentalIf the NI version is not available for your platform, please switch to the BDBstoreinsteadhttp://activemg.apache.org/appllo/docunentation/user-manual.htmlNro I Accepting connections at: tcp://6.5.6.G:G1G1JNFO白 ccepting connect1 ons at:t1s:/.回,.日=6⊥614NFo Accepting connections at: us://0.0.4.2=61623/Fo Accepting connections at: uss://.0.6-G:61624INFOvirtual host startup is wait ing on store startupINFO i virtual host startup is no longer waiting- It waited a total of 1 seconNfoAdministrationinterfaceavailableat:https://127.0.0.1:61681/INFOAdministrat iun interface dudildlle at: htLp://1270-0-1:616808.用户名默认: admin,密码: password←C▲不安全p127.0.0.161681/ onsale/in dex. hlIIIApollo ConsoleogInUsernamePassward5控制台界面Apache Apollo -AntCA承我全琳低!1n(1h1 ronnie/nrf=hm匈☆Apollo ConsoleadminVirtual Hosts Connectors operat ng Ervironment ConfiguratioVirtual Host: mybrcke-ETAIL5ueues Topics Durable SubsSince:2017//5下午10:A0Name: nomcCrcaHostNo Queues have been created yet.STORE STATUS
    2021-05-06下载
    积分:1
  • 基于labview的温度采集系统
    基于labview开发的温度采集系统程序及界面
    2019-12-17下载
    积分:1
  • GPS L1C信号捕获
    描述GPS L1C的信号结构和捕获方法现代化GPS信号捕获GPS信号同步
    2020-11-05下载
    积分:1
  • Java+SQL教学管理系统 数据库课设计
    教学管理系统 数据库课程设计(含原代码和教学管理系统 数据库课程设计(含原代码和报告)说明:1、用户请求包括:(1) 学生基本信息管理新生信息录入。学生信息修改:按学号查询出某学生的信息并做信息修改。(2) 系基本信息管理:系的基本信息输入、修改、删除(3) 课程信息管理:课程信息的输入、修改、删除(4) 教职工信息管理:教职工信息的输入、修改、删除(5) 选课管理:每学期所选课程的学分不能超过15分。学生可以同时选修一门或多门课程。可以同时为多个学生选修某一门或某几门课程。删除和修改选课信息。(6) 成绩管理按课程输入和修改成绩。
    2020-12-03下载
    积分:1
  • 现代OpenGL+Qt:绘制可旋转、带光照效果的三维物体
    现代OpenGL+Qt:绘制可旋转、带光照效果的三维物体。使用现代OpenGL和Qt,绘制一个可以用鼠标控制旋转缩放,带光照效果的三维物体,其中演示了最简单的光照,即漫射光的计算过程。
    2020-12-07下载
    积分:1
  • 利用遗传算法解决电力系统最优潮流
    利用遗传算法解决电力系统最优潮流问题。程序opf1为最优潮流的模型建立部分,gaopf是主函数,求解最小燃料费用。
    2019-04-17下载
    积分:1
  • 基于wifi的室内定位校应用
    基于wifi的室内定位小程序
    2020-12-03下载
    积分:1
  • 卷积神经网络CNN学习笔记 pdf
    个人整理的CNN学习笔记,所有素材均来自于互联网。把经典的摘之以作备案,待整理好这份笔记后,发现对CNN也有了深入理解,希望对你也有帮助!LOCALLY CONNECTED NEURAL NETCONVOLUTIONAL NETSTATIONARI? Statisties issimilar at dif ferent locationsLearn multiple filters.Example: 1000x1000 image1M hidden unitsFilter size: 10x10E.g. 1000x1000 image100M parameters100 FiltersFilter size: 10x10u鴻網互聯EEIDEE下面的分析来源于:htp/ log csdn. net/zouxy09/ article/details,/8781543我们知道,隐含层的每一个神经元都连接10x10个图像区域,也就是说每一个神经元存在10x10=100个连接权值参数。那如果我们每个神经元这100个参教是相同的呢?也就是说每个神经元用的是同一个卷积核去卷积图像。这样我们就只有多少个参数??只有100个参数啊!!!亲!不管你隐层的神经元个数有多少,两层间的连接我只有100个参数啊!亲!这就是权值共享啊!亲!这就是卷积神经网络的主打卖点啊!亲!(有点烦了,呵呵)也许你会问,这样做靠谱吗?为什么可行呢?好了,你就会想,这样提取特征也忒不靠谱吧,这样你只提取了一种特征啊?对了,頁聪明,我们需要提取多种特征对不?假如一种滤波器,也就是一种卷积核就是提出图像的一种特征,例如某个方向的边缘。那么我们需要提取不同的特征,怎么办,加多几种滤波器不就行了吗?对∫。所以假设我们加到100种滤波器,每种滤波器的参数不一样,表示它提出输入图像的不同特征,例如不同的边缘。这样每种滤波器去卷积图像就得到对图像的不同特征的放映,我们称之为 Feature Map。所以100种卷积核就有100个 Feature Map。这100个 Feature Map就组成了一层神经元。到这个时候明了了吧。我们这一层有多少个参数了?100种卷积核x每种卷积核共享100个参数=100×100=10K,也就是1万个参数。才1万个参数啊!亲!(又来了,受不了了!)见上图右:不同的颜色表达不同的滤波器嘿哟,遗漏一个问题了。刚才说隐层的参数个数和隐层的神经元个数无关,只和滤波器的大小和滤波器种类的多少有关。那么隐层的神经元个数怎么确定呢?它和原图像,也就是输入的大小(神经元个数)、滤波器的大小和滤波器在图像中的滑动步长都有关!例如,我的图像是1000×1000像素,而滤波器大小是10×10,假设滤波器没有重叠,也就是步长为10,这样隐层的神经元个数就是(1000×1000y(10×10}=100×100个神经元了,假设步长是8,也就是卷积核会重叠两个像素,那么……我就不算了,思想懂了就好。注意了,这只是一种滤波器,也就是一个 Feature Map的神经元个数哦,如果100个 Feature Map就是100倍了。由此可见,图像越大,神经元个数和需要训练的权值参数个数的贫富差距就越大。CONV NETS: EXTENSIONSBypool ing"(e. g. max or average)filterresponses at different locations we gain Over the years. some new medes have proven to be veryrubustness to the exact spatial location effective when plugged inte corv-netsof featuresL2 PoolingU, kEN(x,r)Local Contrast normalizationhN(x y)iN(xvIRenato总之,卷积网络的核心思想是将:局部感受野、权值共享(或者权值复制)以及时间或空间亚采样这三种结构思想结合起来获得了某种程度的位移、尺度、形变不变性。23实例视觉皮层存在两类相关的细胞,S细胞( Simple Cel)和C( Complex Cell)细胞。S细胞在自身的感受野内最大限度地对图像中类似边缘模式的剌激做出响应,而C细胞具有更大的感受野,它可以对图像中产生刺激的模式的空间位置进行精准地定位C是卷积层,S是下采样层。参看这个两个网址,对理解CNN非常有帮助http://www.68idc.cn/help/buildlang/ask/20150705417730.htmlhttp://www.68idc.cn/help/buildlang/ask/20150705419299.html涵pC1s2c384江蘇鴻網互刷三 -TOLERc是卷积层,S是下采样层。输入的一幅图像,在C1层,通过和3个卷积模板做卷积运算,然后加上偏置值,再经过 sigmoid激活函数,得到3幅输出图像,在S2层,对C1层输出的3幅图像做下采样,假设采样因子是2,也就是图中每2*2的 patch中的4个像素进行求和,再加偏置,再通过激活函数,得到3张尺寸减小了的输出图像。同样的,再经过C3S4。将S4的输出拉成一个向量,输入传统的神经网络中,并得到输出24综合实例G1: feature maps8@28X28C3: f. mapInp ut20@10x1032×32S1: f. mapsS4: f. maps@14x1420@5x5C5:120Output: 9ConvolutionsSubsamplingSubsamplingconnectionConvolutions og. Csdn. n Convolutions 688图中的卷积网终Ⅰ作流程如下,输入层由32×32个感知节点组成,接收原始图像。然后,计算流程在卷积和子抽样之间交替进行,如下所述·第一隐藏层进行卷积,它由8个特征映射组成,每个特征映射由28×28个神经元组成,每个神经元指定一个5×5的接受域,这28×28个神经元共享5×5个权值参数,即卷积核第二隐藏层实现子抽样和局部平均,它同样由8个特征映射组成,但其每个特征映射由14×14个神经元组成。每个神经元具有一个2×2的接受域,一个可训练系数,一个可训练偏置和一个 sigmoid激活函数。可训练系数和偏置控制神经元的操作点;第三隐藏层进行第二次卷积,它由20个特征映射组成,每个特征映射由10×10个神经元组成。该隐藏层中的每个神经元可能具有和下一个隐藏层几个特征映射相连的突触连接,它以与第一个卷积层相似的方式操作。第四个隐藏层进行第二次子抽样和局部平均汁算。它由20个特征映射组成,但每个特征映射由5×5个神经元组成,它以与第一次抽样相似的方式操作。●第五个隐藏层实现卷积的最后阶段,它由120个神经元组成,每个神经元指定一个5×5的接受域。最后是个全连接层,得到输出向量。综合起来,如下图山辆入员/閩张38的圈像辆入|种特图到C28×28KD卷,:对应位遇相森再未和⊙如偏置每种图有个偏置a老积层f同治减函数6↑5的卷铝kC6个偏置值b输邶钟培钲图24X0mno:22域的值平均坐smle=2辆入6种征图列12|2k2个55的着核kKk22个偏置值b辆出12钟特钲图8×88×g年怦居D mean pooL斜样9=2s输出口钟特征图4x叶把S园輪出的特征图垣成一年向量入,维,:平4x×12=12F房入节点有2个192资接的神经刚络W1,09W参教W:20×192矩阵爹教bho0x1向量oh辆出节点有个,国为baby的度是o·上图中28如何变成24的?12如何变成8的?详情见这个网址:hto:/ud. stanfordedu/wki/ index. php/ Featureextractionusing convolution这个过程中,有这么几个参数:a.深度 depth:神经元个数,决定输出的dept厚度。同时代表滤波器个数。*b.步长 stride:决定滑动多少步可以到边缘。C.填充值zero- padding:在外围边缘补充若干圈0,方便从初始位置以步长为单位可以刚好滑倒末尾位置,通俗地讲就是为了总长能被步长整除。最左边一列是输入层,第二列是第一个滤波器(W0),第三列是第二个滤波器(W1),第四列是输出层。*该图有两个神经元,即 depth=2,意味着有两个滤波器数据窗口每次移动两个步长取3*3的局部数据,即stde=2。zero-padding=13cNN的激励层与池化层ReLU激励层不要用 sigmoid,因为它容易饱和、造成终止梯度传递,且没有0中心化ReLU的优点是收敛快,求梯度简单。·池化poo层池化,简言之,即取区域平均或最大,如下图所示Single depth slice1124Xmax pool with 2X2 filters5678 and stride 26832234304y参考文献:·htp:/ yann lecun. com/exdb/lenet/index. html( Yann securη实现的CNN演示,以动画的形式演示了位移、加噪、旋转、压缩等识别,最有价值的是把隐层用图像显示出来了,很生动形象)
    2021-05-07下载
    积分:1
  • 3小波变换处理图像 3小波变换处理图像
    3小波变换处理图像3小波变换处理图像3小波变换处理图像3小波变换处理图像3小波变换处理图像3小波变换处理图像3小波变换处理图像
    2020-11-29下载
    积分:1
  • k-匿名隐私保护 python实现
    一门专业课要求用python实现k-匿名,在github上找的源码发现都不太符合问题,于是就自己改进了一下,算是个小demo吧,在python2下可以成功跑通,直接运行final.py,数据信息存在.csv
    2021-05-06下载
    积分:1
  • 696516资源总数
  • 106914会员总数
  • 0今日下载