1.用模拟退火方法解决Python程序中的车辆容量问题

使用python的flask框架 mysql实现的注册登录功能。

行列式的转置

example used in Python & VTK

说明：  pcv，计算机视觉图像分割，用于图像处理等教程，python(Pcv, computer vision image segmentation, for image processing and other tutorials)

Python 是一门对编程新手非常友好的语言，通常花个两个月的时间，就能开始自己写代码，做项目。但也因为过于高级，给予了开发者很高的自由度。这本身没有问题，但是想要写出优雅的 Python 代码，需要 Coder 有一定的代码审美能力，才能很好的驾驭。其中包括少有人知的一些 Python 冷门知识，Python Shell 的多样玩法，各种令人疯狂的 Python 炫技操作，Python 的超详细进阶知识解读，还有不断扩充完善适合所有 Python 开发者的开发技巧等等。本书旨在向你介绍一个不一样的 Python，而不是一份初学者的 Python 基础教学资料。不管对于新手还是老手，都会有一定的帮助。

说明：  Pattern_Recognition_And_Machine_Learning(英文+中文+完整答案) 答案为英文版(Pattern_Recognition_And_Machine_Learning)

coremail邮件系统企业通讯录导出脚本(Coremail Mail System Enterprise Address Book Export Script)

说明：  卷积神经网络分类 调制信号识别 卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deep learning）的代表算法之一 [1-2] 。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariant classification），因此也被称为“平移不变人工神经网络（Shift-Invariant Artificial Neural Networks, SIANN）” [3] 。 对卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和LeNet-5是最早出现的卷积神经网络 [4] ；在二十一世纪后，随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被应用于计算机视觉、自然语言处理等领域 [2] 。 卷积神经网络仿造生物的视知觉（visual perception）机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化（grid-like topology）特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程（feature engineering）要求 [1-2] 。(Convolutional neural network classification modulation signal recognition)

基于Tensorflow的Unet实现，里面有详细的教程。(TensorFlow for Unet, in which there are detailed teaching lecture.)

说明：  keras 不平衡分类的loss损失函数的python 实现(Loss implementation of keras imbalance classification)