轻量端excel导入的代码，文件里面有 js样例

针对单目深度估计网络庞大的参数量和计算量，提出一种轻量金字塔解码结构的单目深度估计网络，可以在保证估计精度的情况下降低网络模型的复杂度、减少运算时间。该网络基于编解码结构，以端到端的方式估计单目图像的深度图。编码端使用ResNet50网络结构；在解码端提出了一种轻量金字塔解码模块，采用深度空洞可分离卷积和分组卷积以提升感受野范围，同时减少了参数量，并且采用金字塔结构融合不同感受野下的特征图以提升解码模块的性能；此外，在解码模块之间增加跳跃连接实现知识共享，以提升网络的估计精度。在NYUD v2数据集上的实验结果表明，与结构注意力引导网络相比，轻量金字塔解码结构的单目深度估计网络在误差RMS的指标上降低约11.0%，计算效率提升约84.6%。

HiddenLayer - 面向PyTorch/Tensorflow的神经网络图和训练度量的轻量库

Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Everything轻量搜索软件Ever

深层神经网络拥有更强特征表达能力的同时, 也带来了优化难、训练成本高及梯度弥散等问题; 参数数量的激增则导致模型过于臃肿, 不利于其在移动端及工业控制设备等算力弱、存储小的平台上的部署. 针对这些问题, 构建了一种融合空洞卷积和多尺度稀疏结构的轻量神经网络对图像进行特征提取, 实现对带有彩色图形噪声且字符扭曲粘连严重的验证码图像的端到端识别. 将包含100万张验证码图像的数据集按98:1:1的比例划分为训练集、验证集和测试集, 逐批参与训练. 实验结果表明, 该网络在大大减少参数数量的同时, 具有测试集上98.9%的识别成功率.

测试环境 php7.0+ng+redis+云数据库RDS 8.0 1、导入sql数据库文件 2、修改配置文件 config/database.php 数据库配置 config/sms.php 短信配置 config/redis.php redis配置

openGauss_3.0.0 轻量版（openGauss-Lite-3.0.0-openEuler-x86_64.tar.gz）适用于openeuler_x86_64

openGauss_3.0.0 轻量版（openGauss-Lite-3.0.0-CentOS-x86_64.tar.gz）适用于centos_x86_64

openGauss_3.0.0 轻量版（openGauss-Lite-3.0.0-openEuler-aarch64.tar.gz）适用于openeuler_aarch64

海面目标检测图像中的小目标数量居多,而基于深度学习的目标检测方法通常针对通用目标数据集设计检测模型,对图像中的小目标检测效果并不理想。 使用一般目标检测模型检测海面目标图像的特征时,通常会出现小目标漏检情况,而一些特定的小目标检测模型对海面目标的检测效果还有待验证。 为此,在标准的SSD( single shot multiBox detector)目标检测模型基础上,结合 Xception 深度可分卷积,提出一种轻量 SSD 模型用于海面目标检测。 方法 在标准的 SSD 目标检测模型基础上,使用基于 Xception 网络的深度可分卷积特征提取网络网络中的 exit flow 层和 Conv1 层引入轻量级注意力机制模块来提高检测精度,并与在其他层引入轻量级注意力机制模块的模型进行检测效果对比;使用注意力机制改进的轻量 SSD 目标检测模型和其他几种模型分别对海面目标检测数据集中的小目标和正常目标进行测试。