土
Jerome Friedman的scikit-learn样式的Multivariate Adaptive Regression Splines算法的Python实现。 py-earth包使用Cython实现了多元自适应回归样条，并提供了与scikit-learn的Estimator，Predictor，Transformer和Model接口兼容的接口。 有关多变量自适应回归样条曲线的更多信息，请参见下面的参考。
现在有了缺少的数据支持！
py-earth包现在支持其预测变量中的缺失。 构造Earth对象时只需设置allow_missing=True 。
要求反馈
如果您希望在py-earth中看到其他功能或改进，请给我发送电子邮件或打开或评论问题。 特别是，请让我知道以下任何一项对您是否很重要：
速度提高
将模型导出为其他格式
在安装过程中支持共享内存多处理
支持周期预测器（例如
2021-09-25 16:26:57
1.07MB
1
共享内存区
一个非常简单的字典实现。
要求：Python> = 3.8
>> from shared_memory_dict import SharedMemoryDict
>> smd = SharedMemoryDict ( name = 'tokens' , size = 1024 )
>> smd [ 'some-key' ] = 'some-value-with-any-type'
>> smd [ 'some-key' ]
'some-value-with-any-type'
arg name定义了内存块的位置，因此，如果要在进程之间共享内存，请使用相同的名称
安装
使用pip ：
pip install shared-memory-dict
锁具
要使用共享内存字典的写操作，请设置环境变量SHARED_MEMORY_USE_LOCK=1 。
Django缓存实现
有
2021-09-25 00:52:14
30KB
1
PointRend
PointRend的PyTorch实现PointRend: Image Segmentation as Rendering
此回购用于PascalVOC数据集上的“仅语义分割”。
许多细节与纸张的可行性检查有所不同。
复制图5。
在狗图像上显示来自不同策略的采样点。
参见
原始图
参考：
如何使用：
首先，在修复数据路径
多GPU培训请参阅Single GPU Training详细信息
➜ python3 -m torch.distributed.launch --nproc_per_node={your_gpus} main.py -h
Sinle GPU培训
➜ python3 main.py -h
usage: main.py [-h] config save
PyTorch Object Detection Training
positional
2021-09-24 21:02:52
3.61MB
1
Spring_Nats
Spring实现。 带注释的Java Bean实例可以基于健壮的NATS消息传递系统相互通信。
在Spring_Nats中可以使用以下方法注释：
@Publish：调用bean方法时，发布一条消息，该消息带有带有@Key注释的参数作为键，并返回String作为值。 每次方法调用时都会对注释进行评估。
@Subscribe：订阅可以指定为纯文本或bean属性的主题。 仅在bean创建期间评估此注释。
@Request：向订阅者发送请求以进行响应。 请求字符串可以指定为纯文本或bean属性。 仅在bean创建期间评估此注释。
入门
向Maven pom.xml添加依赖项
com.github.tyagihas
spring_nats</ artifact
2021-09-24 18:43:29
159KB
1
http://blog.csdn.net/penngo/archive/2010/12/17/6081283.aspx附件源码
2021-09-24 17:08:40
1.01MB
1
Interactive Brokers API客户端的异步实现。
设计
该库是由于对ib_api和ibridgepy的质量感到沮丧而ibridgepy 。 这些库是官方IB C ++ / Java客户端库的直接端口，因此，在Python世界中不太适合。
相反， ib_async是从最终用户的角度设计的。 它试图易于使用和易于学习。 目前，该库尚未尝试完成功能。 相反，它尝试很好地实现常用功能。
例子
获取仪器：
import ib_async
client = ib_async . IBClient ()
client . connect ( '127.0.0.1' , 4001 , 100 ) # 100 is the client_id.
instrument = client . get_instrument_by_id ( 'US0378331005' , 'ISIN' )
2021-09-24 16:24:41
62KB
1
注意就是您所需要的：Pytorch实现
这是“”中的变压器模型的PyTorch实现（Ashish Vaswani，Noam Shazeer，Niki Parmar，Jakob Uszkoreit，Llion Jones，Aidan N.Gomez，Lukasz Kaiser，Illia Polosukhin，arxiv，2017年）。
一种新颖的序列到序列框架利用自我注意机制，而不是卷积运算或递归结构，在WMT 2014英德翻译任务上实现了最先进的表现。 （2017/06/12）
官方Tensorflow实现可在以下位置找到： 。
要了解有关自我注意机制的更多信息，您可以阅读“”。
该项目现在支持使用训练有素的模型进行培训和翻译。
请注意，该项目仍在进行中。
BPE相关部件尚未经过全面测试。
如果有任何建议或错误，请随时提出问题以通知我。 :)
需求
python 3.4+
pytorch 1.3.1
火炬文字0.4.0
Spacy 2.2.2+
tqdm
莳萝
麻木
用法
WMT'16多式联运翻译：de-en
WMT'16多模式翻译任务的培训示例（ ）。
2021-09-24 16:20:09
26KB
1
PyTorch_DistractedDriverDetection
1 项目概述：
1.1 项目来源：
kaggle中的【State Farm Distracted Driver Detection】比赛的实现。
1.2 问题概述:
对一张关于驾驶员行为的图片进行分类，共10类：安全驾驶/左手打字/右手打电话/左右打电话/...
1.3 问题解决思路：
采用resnet34进行finetune
1.4 数据集下载地址：
2 程序运行相关：
2.1 运行环境：
windows/python3.5/pytorch0.4/visdom
2.2 运行前的准备：
s1:下载本repository至本地；
s2:在本目录下，建立文件夹如下,并下载train数据集至data文件夹下：
----data
--train
----trained_models
2.3运行：
s1.打开visdom后台：pyt
2021-09-24 10:13:34
182KB
1
EAkit
实体对齐工具包（EAkit），是许多实体对齐算法的轻量级，易于使用且高度可扩展的PyTorch实现。 算法列表来自 。
目录
设计
我们对现有的实体对齐算法进行排序并对其组成进行模块化，然后将抽象结构定义为1 Encoder-N Decoder（s） ，其中将不同的模块视为不同编码器和解码器的特定实现，以恢复算法的结构。
组织
./EAkit
├── README.md # Doc of EAkit
├── _runs # Tensorboard log dir
├── data # Datasets. (unzip data.zip)
│ └── DBP15K
├── examples
2021-09-23 18:02:10
1.98MB
1