多项式拟合(LSM.py)

unet用于图像分割（model.py）

用字典破解wifi 密码 利用 py_wifi 加上字典跑wifi密码

GA优化CNN

Dive Into Deep Learning

计算机视觉 模型、学习和推理.pdf

短短几行代码，下载搜狗音乐至本地

1、用自己采样得到的故障诊断数据分别采用Python/MATLAB两种方式对样本数据进行故障特征提取。  2、附有数据文件夹，里面包含有9种不同的故障样本集原始数据，每一种故障样本集共有100组样本。文件夹共有900组样本数据。  3、两份用Python或MATLAB写的源码都是对故障样本进行特征提取并归一化操作，改变文件路径可以直接运行

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

自动化测试示例(基于pytest)

12306春运抢票