使用PyTorch逐步搭建神经网络代码（附逐句讲解） 逐句讲解位于本人的“使用PyTorch构建神经网络（详细步骤讲解+注释版）”系列博客中。 与经典版代码相比，优化了建模过程，提升了模型表现

反激变换器中高频变压器是核心部件，其效率直接关系到变换器的效率，因此优化设计高频变压器就成为提高效率的关键。通过对反激变压器绕组采用不同结构时所带来不同的涡流损耗和漏感进行分析，得到本文所设计绕组结构二维模型。利用有限元分析软件进行数值仿真，获得的数据证明此模型是可行的。制作出实验样机对其进行实验比较，验证了所设计的高频变压器绕组结构合理，漏感小，效率高，输出的电压的谐波含量低。

基于ML.Net部署的Yolov5-6.1 ONNX模型，应用于材料化学领域的筑基融合检测，采用C#-Winform界面部署。

Mesh Baker 3.35.0

通过绘制机器学习模型店学习曲线，找出最合适的参数，实现对模型进行优化

人工智能-短期电力负荷预测的神经网络模型优化研究及应用.pdf

这是时间序列处理器 (TSPROC) 的开发源代码树。 最初的 TSPROC 开发由 Watermark Numerical Computing 的 John Doherty 完成。它是地表水实用程序包的一部分，旨在支持使用参数估计 (PEST) 套件或程序优化模型参数。PEST 也是由 John Doherty 开发的。 构建过程总结 在源目录结构之外创建一个构建目录并更改目录。如果您已克隆此存储库，那么您应该在“build”子目录中找到几个子目录，其中包含旨在在调用 CMake 之前设置环境变量和编译选项的脚本。CMake 获取这些环境变量，解析源代码，确定依赖关系（即首先构建哪些模块），并创建一个makefile。然后用户可以调用 makefile 来触发各种模块的实际编译和链接。 更多详情、使用方法，请下载后阅读README.md文件

Polygon Cruncher v12.25 – Maya3DsMax模型优化插件.7z

TensorFlow Model Optimization Toolkit是一套用于优化ML模型的工具，用于部署和执行。在许多用途中，该工具包支持的技术有如下使用: - 降低云和边缘设备(如移动、物联网)的延迟和t推理成本。 - 将模型部署到对处理、内存、功耗、网络使用和模型存储空间有限制的边缘设备。 - 支持对现有的硬件或加速器运行和优化。 参考博文：https://blog.csdn.net/weixin_38346042/article/details/125232613?spm=1001.2014.3001.5501

本文根据题目要求，以研究飞机对战游戏的人机对战中最容易取得胜利的游戏策略及其两架飞机的游戏方式在策略上的不同点为目的，利用概率、折半查找、逐次代入等方法建立了三个模型对两个问题进行分析求解，最终得出飞机容易取胜的战略。 问题一：将7X7的方格转化成对应坐标系里的点。由于飞机形式固定，因此，将对飞机的研究转化成对机头的研究。由对称性，再将问题转化成机头向上的情况。综上，我们将飞机对战游戏转化为通过概率，再根据折半查找算法寻找单一方向上的机头所在点的坐标的问题。 问题二：建立在问题一的数学模型的基础上，将7X7方格扩大到9X9方格，用类似的方法，现查找出第一个机头的位置。由于第二个机头的位置在第一个机头位置确定的前提下，可以确定具体范围。再用类似的办法，结合此前过程中的反馈信息，继续查找。利用逐次代入法直至查找到第二架飞机的机头。即可取得游戏的胜利。