欢迎使用您的教程资料库！ 了解如何通过SourceTree（最好的Git客户端之一）或通过命令行使用Git来使用Git和Bitbucket。 无论您选择哪种方式，都将学习如何设置Git，在本地克隆此存储库。 然后学习如何在本地进行和提交更改，并将更改推回Bitbucket。 从这里开始 选择SourceTree，Atlassian的Git客户端或命令行以使用Bitbucket和Git学习源代码控制。 在Windows和Mac上使用 在Windows，Mac和Linux上使用 最后，如果您需要完整的端到端教程：请参阅我们的 。 协作是Git的核心 与SVN不同，Git在工作副本和中央存储库之间没有区别，它们都是成熟的Git存储库。 Git与远程存储库通信的能力是每个基于Git的协作工作流程的基础。 要了解有关Git和Git工作流程的更多信息，请访问。 源树 下载，安装和配置Source

JavaECC 椭圆曲线密码学 - El Gamal (ECCEG) 算法在 Java 中的实现

D * -Lite类 该软件是D * -Lite算法的实现，如[Koenig，2002]中所述。 这是非优化版本，如本文图5所述。 在下面的第3节中说明了对该算法所做的一些小改进。 该资源是根据GNU通用公共许可证版本3（2007年6月29日发布）发布的，该版本可在以下获得： ： 请注意，这是一个早期版本，该软件仍然存在一些小错误。 运行dstar测试程序： 您需要先安装OpenGL / GLUT库，然后才能运行。 但是您不需要他们在自己的程序中使用Dstar类。 $ tar -xzf dstar.tgz $ cd dstar $ make $ ./dstar 指令 [q / Q]-退出 [r / R]-重新计划 [a / A]-切换自动重新计划 [c / C]-清除（重新启动） 鼠标左键-使单元格不可遍历（成本-1） 鼠标中键-将目标移至单元格 右键单击-将开始移至单元

哈希管P4_16 这是在SDN Research（SOSR）2017专题讨论会的“整个数据平面中的重击检测”中提出的HashPipe算法的非官方P4_16实现。 运行程序 要运行该程序，请导航到src目录并发出命令make 。

PyTorch中高效的视频数据集加载和增强 作者： 如果您发现该代码很有用，请给存储库加注星标。 如果您完全不熟悉使用torch.utils.data.Dataset和torch.utils.data.DataLoader在PyTorch中加载数据集，建议您首先通过或来熟悉它们。 概述：本示例演示VideoFrameDataset的用法 VideoFrameDataset类（ torch.utils.data.Dataset的实现）用于easily ， efficiently effectively从PyTorch的视频数据集中加载视频样本。 之所以容易，是因为该数据集类可以与自定义数据集一起使用，而无需花费任何努力，也无需修改。 该类仅希望视频数据集在磁盘上具有某种结构，并希望使用.txt注释文件枚举每个视频样本。 可以在下面以及https://video-dataset-loa

分块 LOD 分块 LOD 算法的实验实现。 灵感来自

重新实现CRAFT-字符区域感知以进行文本检测 客观的 复制论文提到的弱监督培训 在所有流行的数据集上生成字符bbox。 使用命令行界面公开经过预训练的模型，以在自定义图像上合成结果 克隆存储库 git clone https://github.com/autonise/CRAFT-Remade.git cd CRAFT-Remade 选项1：Conda环境安装 conda env create -f environment.yml conda activate craft 选项2：Pip安装 pip install -r requirements.txt 在自定义图像上运行 将图像放在文件夹中。 从预先训练的模型列表中获取预先训练的模型（当前仅可使用SYNTH-Text进行严格监督） 运行命令- python main.py synthesize --model=./mo

Deepvoice3_pytorch 基于卷积网络的文本到语音合成模型的PyTorch实现： ：深度语音3：通过卷积序列学习将文本转换为语音。 ：基于深度卷积网络并具有指导性注意力的高效可训练的文本语音转换系统。 音频示例可从。 民间 ：具有WORLD声码器支持的DeepVoice3。 在线TTS演示 可以在上执行的笔记本可用： 强调 卷积序列到序列模型，用于文本到语音合成 DeepVoice3的多扬声器和单扬声器版本 音频样本和预训练模型 用于 ， 和数据集以及兼容的自定义数据集（JSON格式） 取决于语言的英语和日语前端文本处理器 样品 预训练模型 注意：预训练的模型与母版不兼容。 即将更新。 网址 模型 数据 超参数 Git提交 脚步 深度语音3 LJSpeech 64万 Nyanko LJSpeech builder=nyanko,preset=nyanko_ljspeech 585k 多扬声器DeepVoice3 VCTK builder=deepvoice3_multispeaker,preset=deepvoice3_vctk 300k

可变形卷积的TensorFlow实现 这是以下论文的TensorFlow实现： 戴继峰，齐浩志，熊玉文，李毅，张国栋，韩寒，魏一辰。 2017。可变形卷积网络。 arXiv [cs.CV]。 arXiv。 该代码只能在。 旋转训练图 采样地点 基本用法 DeformableConvLayer是自定义的Keras图层，因此您可以像其他任何标准图层（例如Dense ， Conv2D一样使用它。 这是一个简单的示例： inputs = tf . zeros ([ 16 , 28 , 28 , 3 ]) model = tf . keras . Sequential () model . add ( DeformableConvLayer ( filters = 6 , kernel_size = 3 , strides = 1 , padding = 'valid' , dilat

AES-CUDA NVIDIA CUDA中的简单AES实现 运行该工具时，第一个参数必须为'a'或'h'，它指示输入文件应读取为ASCII值还是十六进制数据。 第二个参数是输入文件，第三个参数是密钥文件，最后一个参数是输出文件。 此代码是根据MIT许可授权的，并且可以根据许可条款使用。 必须注明出处。