从图像数据集读取图片并拼接成大图

【实例简介】python教程

搜遍全网也没看见个带书签的Python的标准库参考手册，只好用了一晚上的时间自己做了一个，本手册是基于2118页的中文版制作的书签，方便给需要的人。

Neural Network for Model Predictive Control

kaggle上对旧金山城市的犯罪案件进行分类，属于多分类问题，提供的数据特征包含时间、地点、描述等。本实例包含数据集和代码，机器学习方法是朴素贝叶斯和逻辑回归

Python_VLPR车牌识别

现在了faster rcnn

【实例简介】 收集的无人机鸟类和直升机的数据集，并且都已经标注好，可以用于神经网络模型的训练

参考资料为清华大学出版社的数值分析，作者为李庆杨、王能超、易大义。 运行后可以输入任意点，程序会根据这些点实现插值函数的构造以及绘图。同时提供了一些预设点和龙格函数的点集构造方法。实现的插值方法有：牛顿插值、拉格朗日插值、三次样条插值。 在运行前必须安装numpy库和matplotlib库。

python3 Django2前端后端代码 【调试步骤】 打开cmd，cd到当前程序目录 输入 python manage.py runserver  回车即可测试

LSTM入门学习，正弦波序列预测         for i, input_t in enumerate(input.chunk(input.size(1), dim=1)):             h_t, c_t = self.lstm1(input_t, (h_t, c_t))             h_t2, c_t2 = self.lstm2(h_t, (h_t2, c_t2))             output = self.linear(h_t2)  # output.shape:[batch,1]             outputs = [output]  # outputs.shape:[[batch,1],...[batch,1]], list composed of n [batch,1],         for i in range(future):  # if we should predict the future             h_t, c_t = self.lstm1(output, (h_t, c_t))             h_t2, c_t2 = self.lstm2(h_t, (h_t2, c_t2))             output = self.linear(h_t2)  # output.shape:[batch,1]             outputs = [output]  # outputs.shape:[[batch,1],...[batch,1]], list composed of n [batch,1],         outputs = torch.stack(outputs, 1).squeeze(2)  # shape after stack:[batch, n, 1], shape after squeeze: [batch,n]         return outputs