矩阵(math入门级示例)

：爬取网站数据，基于 selenium.webdriver

基础路径规划A*算法python实现

1. 实验目的 1） 掌握搜索算法的基本设计思想与方法，  2） 掌握A*算法的设计思想与方法，  3） 熟练使用高级编程语言实现搜索算法，  4） 利用实验测试给出的搜索算法的正确性。   1. 实验问题  寻路问题。以图1为例，输入一个方格表示的地图，要求用A*算法找到并输出从起点（在方格中标示字母S）到终点（在方格中标示字母T）的代价最小的路径。有如下条件及要求：   1） 每一步都落在方格中，而不是横竖线的交叉点。 2） 灰色格子表示障碍，无法通行。 3） 在每个格子处，若无障碍，下一步可以达到八个相邻的格子，并且只可以到达无障碍的相邻格子。其中，向上、下、左、右四个方向移动的代价为1，向四个斜角方向移动的代价为 √2。 4） 在一些特殊格子上行走要花费额外的地形代价。比如，黄色格子代表沙 漠，经过它的代价为4；蓝色格子代表溪流，经过它的代价为2；白色格子为普通地形，经过它的代价为0。 5） 经过一条路径总的代价为移动代价 地形代价。其中移动代价是路径上所做的所有移动的代价的总和；地形代价为路径上除起点外所有格子的地形代价的总和。

HDF批量转TIF

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

从图像数据集读取图片并拼接成大图

代码用于猫-非猫图片的二分类问题（附件内给出h5格式的数据集），基于Pytorch神经网络工具包，采用比较经典的逻辑回归（Logistic Regression）算法。

利用python脚本，调用arcpy工具，提取卫星影像外接矩形适量数据。

现在了faster rcnn

如果需要太阳，地球图片，下载好了放到一个名为res的文件夹里，取名sun.png, earth.png