使用手势识别的CNNLSTM 使用GRIT数据集，构建了将2D CNN与LSTM相结合的模型，以从webCam视频提要中执行实时手势识别。 也使用LSTM建立了使用3D CNN的另一个模型。 目标 构建能够实时检测视频中手势的计算机视觉深度学习模型。 模型应能够在低端设备上运行。 （没有GPU） 模型应该可以快速训练（30分钟内进行训练） 在每个手势动作中使用有限的样本来提取可用的准确性。 预先处理 由于我们的动机是运动识别，因此我们首先必须检测帧序列之间的运动。 我使用时差法。 时间差异涉及两个或三个连续帧之间的差异，然后凝结连续帧之间的差异以提取运动对象的运动。 它非常容易且快速地进行计算，并且在动态环境中具有更好的性能。 使用等式计算差分图像： Δ = (

拱 用Python编写的自回归条件异方差（ARCH）和其他用于金融计量经济学的工具（使用Cython和/或Numba来提高性能） 公制 最新发布的 持续集成 覆盖范围 代码质量 引文 文献资料 模块内容 Python 3 arch仅适用于Python 3。 4.8版是支持Python 2.7的最终版本。 文献资料 已发布的文档位于。 master分支的最新文档托管在。 有关ARCH的更多信息 有关ARCH和相关模型的更多信息，请参见的注释和研究。 贡献 欢迎捐款。 在许多层面上都有贡献的机会： 实施新的波动率过程，例如，FIGARCH 改善不清楚或有错字的文档字符串 提供示例，最好以IPython笔记本的形式提供 例子 波动率建模 均值模型 恒定均值 异构自回归（HAR） 自回归（AR） 零均值 有和没有外源回归模型 波动率模型 拱 GARCH 搜寻 爱格 EWMA /风险指标 发行版 正常 学生的T 广义误差分布 有关更完整的概述，请参见“ ”。 import datetime as dt import pandas_datareader . data

航班恢复模型 2017年中国研究生数学建模竞赛C题源码及实验结果

在本文中，我简要介绍了ONNX运行时和ONNX格式。

nocgen：NoC（片上网络）生成器，它生成由片上路由器组成的NoC的Verilog HDL模型

GITM 全球电离层/热层模型

中文生成式预训练模型 NLU的预训练模型大家应该见过不少了，NLG的预训练资源还比较少。这里汇总一些中文的生成式预训练模型，给出bert4keras下的加载方式。 模型列表 GPT 以GPT为代表的单向语言模型预训练。 GPT Base（NEZHE-GEN） 链接： 大小：1亿参数，体积390M 说明：结构跟BERT Base一致，通用语料训练，官方github提供了下载链接，不过保存了多余的meta导致体积过大，笔者对原始权重进行了转换，可以从笔者提供的链接（，验证码xynn）下载，结果跟原版一样，体积更小。 使用： CDial-GPT 链接： （原版链接： ） 大小：1亿参数，体积350M 说明：模型为GPT模型，使用闲聊型对话语料训练。原版为pytorch模型，笔者对原始权重进行了转换。 使用： GPT2-ML 链接： 大小：15亿参数，体积5.3G 说明：基于BERT代码修改，跟最

leach_ns3 ns3中对传统Leach聚类模型的修改，也称为预处理Leach。 我们（我和Wuxiucheng）已经上传了整个ns3文件夹为了运行代码，需要下载/克隆leach_ns3，然后像使用ns3一样进行编译。/waf代码位于草稿文件夹中，名称为leach.cc，可以使用命令：./waf --run scratch / leach我们有plot.py文件，该文件读取leach.cc生成的输出文件，而plots leach.cc将产生三个txt格式的文件，该文件保存每轮的平均整个网络能量。 仅针对簇头百分比0.05进行修改，并且将接收器固定在（500,500），网络中的50个节点放置在（100,100）中，能量为0.75焦耳 这项工作是2018年Spring无线传感器网络项目课程完整报告的一部分，可以在这里找到

拉索瓦尔 用Lasso估计和预测VAR模型。 该软件包是glmnet软件包的包装，旨在促进VAR模型的估计和预测。 该软件包用于： 免责声明 该软件包正在进行中。 用法 lassovar函数可通过套索或自适应套索（使用套索，OLS或岭回归作为初始估计量）来估计矢量自回归。 使用信息标准（BIC或AIC）选择惩罚参数。 套索后OLS也可以估算。 forecast.lassovar用于直接或递归地预测（！）。 summary ， residuals和predict方法。

DrugCell：用于药物React预测的可见神经网络模型 DrugCell 是一种基于神经网络的可解释模型，可预测细胞对多种药物的React。 与完全连接的神经网络不同，DrugCell 中神经元的连接反映了生物层次结构（例如基因本体论），因此在模型训练期间，信息仅在具有已知层次关系的子系统（或通路）之间传播。 框架的此功能允许识别层次结构中对模型的预测很重要的子系统，从而有必要进一步研究细胞对治疗的React的潜在生物学机制。 DrugCell 模型的当前版本 (v1.0) 使用 1,235 个肿瘤细胞系和 684 种药物的 509,294（细胞系、药物）对进行训练。 从癌症数据库中的药物敏感性基因组学（GDSC）和癌症治疗React门户网站（CTRP）v2中检索训练数据。 DrugCell 使用其基因型表征每个细胞系； 每个细胞的特征向量是一个二元向量，代表癌症中前 15% 最常