使用G2做出丰富多彩的词云

G2绘制词云效果 根据官网https://antv.alipay.com/zh-cn/g2/3.x/demo/other/word-cloud-mask.html代码,完善在vue中的使用过程 aaaaaaaaaaaaaaaaaaaa,我看了一整天才弄出来~但是词云有重叠的部分,不知道是不是因为我的父元素很小 ,大小给的是100*200 上图: 首先需要引入官方中插入的lodash npm i lod... 阅读详情

1.网上的词云demo大多千篇一律,图形没办法自定义,所以并不能满足客户的要求

2.经过一番百度谷歌终于找到G2,

参照官网的例子

https://antv.alipay.com/g2/doc/tutorial/advance/draw-word-cloud.html

3.G2可以根据给定图形生成词云,所以就能够生成自己想要的词云,注意给定的模板图片一定要轮廓分明,最好是外围都是白色

话不多说,直接上代码:

<!DOCTYPE html>
<html>
<head>
    <meta charset="utf-8">
    <title>词云</title>
    <script src="https://a.alipayobjects.com/jquery/jquery/1.11.1/jquery.js"></script>
    <script src="https://a.alipayobjects.com/g/datavis/g2/2.3.2/g2.js"></script>
</head>
<body>
<div id="c1"></div>
<script src="https://a.alipayobjects.com/g/datavis/g-cloud/1.0.2/index.js"></script>
<script>
    var Util = G2.Util;
    var Shape = G2.Shape;
    function getTextAttrs(cfg) {
        var textAttrs = Util.mix(true, {}, {
            fillOpacity: cfg.opacity,
            fontSize: cfg.size,
            rotate: cfg.origin._origin.rotate,
            text: cfg.origin._origin.text,
            textAlign: 'center',
            fill: cfg.color,
            textBaseline:'Alphabetic'
        }, cfg.style);
        return textAttrs;
    }
    // 给point注册一个词云的shape
    Shape.registShape('point', 'cloud', {
        drawShape: function(cfg, container) {
            cfg.points = this.parsePoints(cfg.points);
            var attrs = getTextAttrs(cfg);
            // 给容器添加text类型的shape
            // 坐标仍然是原来的坐标
            // 文字样式为通过getTextAttrs方法获取的样式
            var shape = container.addShape('text', {
                attrs: Util.mix(attrs, {
                    x: cfg.points[0].x,
                    y: cfg.points[0].y
                })
            });
            return shape;
        }
    });
    //json数据的地址:https://antv.alipay.com/static/data/g2pv.json
    $.getJSON('./g2pv.json', function(data) {
        data.sort(function(a,b){
            return b.pv-a.pv;
        });
        // 获取数据的最大值和最小值
        var max = data[0].pv;
        var min = data[data.length-1].pv;
        // 构造一个词云布局对象
        var imageCloud = new Cloud({
            // 传入数据源
            words: data,
            // 设定宽高(默认为500*500)
            width: 650,
            height: 450,
            // 设定文字大小配置函数(默认为12-40px的随机大小)
            size: function(words){
                // 将pv映射到canvas可绘制的size范围14-100(canvas默认最小文字为12px)
                return ((words.pv - min)/(max - min)) * (100 - 14) + 14;
            },
            // 设定文字内容
            text: function(words){
                // 将网址处理成用'.'分隔开的第一个字符串
                var index = words.site.indexOf('.');
                var text = words.site;
                if(index > 0 && index < words.site.length){
                    text = words.site.substr(0,index);
                    // 当字符串是'www'时获取下一个
                    if(text === 'www'){
                        text = words.site.substr(index + 1);
                        index = text.indexOf('.');
                        text = text.substr(0,index);
                    }
                    // 当字符串是数字时获取整个网址
                    if(/^[0-9]*$/g.test(text)) {
                        text = words.site;
                    }
                }
                return text;
            }
        });

//图片地址
        imageCloud.image("https://ss3.bdstatic.com/70cFv8Sh_Q1YnxGkpoWK1HF6hhy/it/u=1185508753,3294372198&fm=23&gp=0.jpg",function(Cloud){
            Cloud.exec(function(texts){
                var chart = new G2.Chart({
                    id : 'c1',
                    // canvas的宽高需要和布局宽高一致
                    width: 850,
                    height: 600,
                    plotCfg : {
                        margin : 0
                    }
                });
                chart.legend(false);
                chart.source(texts);
                chart.axis(false);
                chart.tooltip({
                    title:false
                });
                // 将词云坐标系调整为G2的坐标系
                chart.coord().reflect();
                // 绘制点图,在x*y的坐标点绘制自定义的词云shape,颜色根据text字段进行映射,大小根据size字段的真实值进行映射,文字样式配置为词云布局返回的样式,tooltip显示site*pv两个字段的内容
                chart.point().position('x*y').color('text').size('size',function(size){
                    return size;
                }).shape('cloud').style({
                    fontStyle: texts[0].style,
                    fontFamily: texts[0].font,
                    fontWeight: texts[0].weight
                }).tooltip('site*pv');
                chart.render();

            });
        });

    });
</script>



</body>
</html>




g2pv.json格式:


[{"site":"125.88.160.114","pv":1,"type":0},{"site":"140.205.137.163","pv":1,"type":0},{"site":"192.168.31.247","pv":1,"type":0},{"site":"localhost","pv":2750,"type":0}]



4.词云效果:


可以通过改变img去改变词云样式,注意宽度和高度的设置,以及模型图片的选择。


词云图指定图片色系以及指定单词组颜色 文章目录1 指定图片色系2 指定单词组颜色 1 指定图片色系 默认颜色 找到自己想要的颜色,这里选择彩虹色 保存为图片 用截图软件,截取大概 500x500 的样子 import pandas as pd import numpy as np import wordcloud from wordcloud import WordCloud import numpy as np from collections import Counter import PIL import imageio from 阅读详情

相关推荐

complete-cloud:谷歌自动完成词云

完全云 一个简单的世界云可视化,可以显示最常见的google自动完成有关国家/地区问题的信息。 单击任何标签以查看查询: 注意:如果您在移动设备上-触摸并按住标签两秒钟,以查看完成情况。 这个怎么做的? 对于每个国家/地区,我都会向Google查询自动填充内容: 然后将每个建议记录并存储为json格式: { " state " : " Albania " , " suggestions " : [ " why does albania<b> hate greece</b> " , " why does albania<b> love america</b> " , " why does albania<b> have a bad reputation</b> " , " why does albania<b> hate serbia</b>

数据可视化展示—用户词云

词云 用户词云是用来来展示大量文本数据,由词汇组成类似云的彩色图形,铜虫用于展示数据中的标签等,它可以根据标签的权重来控制展示文字的大小,它有以下的优点: 快速感知最突出的文字 快速定位按字母顺序排列的文字中相对突出的部分 本质上,词云是特殊的点图,就是在画布上绘制点,每一个点代表一个词,点的大小是权重,根据颜色区分类别,最后将点替换为文字,配置上旋转和图形即可。 这里我们使用的是蚂蚁...

wengqt的博客 4014

词云(标签云)demo

词云(标签云)demo 源码下载:http://down.alixixi.com 模板下载:http://mb.alixixi.com 电子书籍:http://book.alixixi.com 网页特效:http://js.alixixi.com 韩国酷站:http://cool.alixixi.com/ 技术论坛:http://bbs.alixixi.com

ggplot2绘制词云

ggwordcloud包绘制词云 ```r library(ggwordcloud) library(see) #library(wordcloud2) #选择category,term和count列 data<-circ[1:169,c(1,3,4)] library(dplyr) #删除重复行 data<-distinct(data) color<-c('#8DC62A','#737F84','#BAE0D9') ggplot(data=data)+geom_text_wordclo

bbxjh1994的博客 621

Hi3516CV610开发板实战:从零搭建智能视觉监控系统

本文详细介绍了从零开始基于Hi3516CV610开发板搭建智能视觉监控系统的完整实战流程。涵盖硬件连接、系统配置、摄像头集成、网络设置、固件烧录到视频处理与智能分析功能开发,提供了丰富的实践经验和调试技巧,帮助开发者快速掌握嵌入式视觉系统开发。

vvv99的博客 563

ovs实现lb负载均衡

负载均衡器的实现原理是通过硬件或软件设备将客户端访问流量根据转发策略分发到多个服务器或设备上,以确保系统的负载均衡。二层负载均衡‌:使用虚拟MAC地址方式,根据OSI模型的二层进行负载均衡。‌四层负载均衡‌:基于IP+端口的负载均衡,主要分析IP层及TCP/UDP层,实现四层负载均衡。‌七层负载均衡‌:从应用层开始,根据虚拟的URL或IP、主机名接收请求,再转向相应的处理服务器。

bobi的博客 953

科普一下:1G, 2G, 3G,4G,5G历史发展和定义

声明文章转载:http://www.sohu.com/a/300604151_120110137 年通讯行业最火的词是什么 当然是5G!5G!5G! 大家都在期待着5G手机的出现 但是大部分人都说不清5G是什么 其实G是指Generation 1、2、3、4、5G分别指 第一、二、三、四、五代移动通信系统 1G 第一代即1G称为「语音时代」,简单来说就是“大哥大”时代,采用的...

健康平安的活着的专栏 1万+

在Simulink中进行基于模拟信号数字化处理的仿真

模拟信号数字化处理通常包括以下几个步骤:采样、量化、编码以及数字信号处理(如滤波、变换等)。Simulink提供了丰富的模块库,可以方便地实现这些步骤,并支持对整个系统的实时仿真与调试。首先明确你的系统需求,比如输入信号类型(正弦波、方波等)、采样率、需要执行的数字信号处理操作(低通滤波、频谱分析等)。假设我们需要处理一个50Hz的正弦波信号,采样率为1kHz,并希望对该信号进行低通滤波以去除高频噪声。本文介绍了如何在Simulink中进行基于模拟信号数字化处理的仿真。

xiaoheshang_123的博客 625

2G:通信长河里的旧时光与新回响

《2G时代的通信记忆:从辉煌到隐退》 这篇短文回顾了2G通信技术的发展历程及其时代影响。文章从2G作为移动通信先锋的辉煌岁月讲起,详细介绍了其技术特点(GSM和CDMA制式)和应用场景(短信、简单游戏等)。随着3G/4G/5G技术的快速发展,2G逐渐退居幕后,但在物联网和偏远地区仍发挥作用。文末强调2G作为通信技术发展基石的重要地位,并唤起人们对这段通信历史的集体记忆。全文以怀旧笔调,展现了2G技术从兴起到转型的完整历程,及其对现代通信的深远影响。

大雨淅淅的博客 870

2023 ICRA《Visual Language Maps for Robot Navigation》阅读笔记

视觉语言导航可以使用预先训练的现有的视觉语言模型来将图像与对象目标的自然语言描述相匹配,但它与绘制环境的过程仍然脱节,缺乏经典几何地图的空间精度。为了解决这个问题,我们提出了VLMaps,这是一种空间地图表示,它将预训练的视觉语言特征与物理世界的3D重建直接融合在一起。VLMaps可以使用标准探索方法从机器人上的视频馈送中自主构建,并在没有额外标记数据的情况下实现地图的自然语言索引。具体来说,当与大型语言模型(LLM)相结合时,VLMaps可以用于。

qq_44100524的博客 1990

基于 Qt C++ 的金融行情交易终端

由于完整的商业级源码非常庞大,我将为你提供一个 **结构完整、可直接编译运行的基础框架**,并详细说明各模块的实现思路和扩展方向。double波动 = quote.lastPrice * (rand()%200 - 100) / 10000.0;// 订单缓存(orderId -> Order)

寒寒豆豆软件公司的博客 191

谱半径一定大于0_邹军:加工中心刀具半径补偿G41G42怎么用?

点击上方,关注我哈(文章底部可以评论,欢迎对文章进行点评和知识补充)数控编程教学订单 | 技术 | 干货 | 编程关注可加入机械行业群‍数控铣或加工中心使用G41G42半径补偿无非是方便编写程序,利用现场调试。你不使用G41或G42,现场加工零件的时候,如果刀具直径要改变,或者产品出现尺寸不合格,需重新编写程序……。所以有必要和大家分享这两个指令的补偿原理,你理解了G41G42为你玩软件...

weixin_29380121的博客 2874

YOLO26 改进 | (教师:YOLOv8L,学生:YOLO26) | 知识蒸馏 (Knowledge Distillation)

本文介绍了基于YOLO26框架的知识蒸馏实战方法,通过教师模型指导学生模型训练,在不增加推理成本的情况下提升模型精度。文章详细阐述了基于响应的知识蒸馏实现方案,通过最小化教师与学生模型预测Logits间的KL散度实现知识迁移。核心实现包括:1) 创建DistillationModel包装器类,同时运行师生模型;2) 自定义DistillationLoss,在原检测损失基础上增加KL散度损失。该方法适用于希望保持YOLO26轻量级特性同时获得接近大模型精度的场景,文中提供了完整的代码实现方案。

weixin_51988935的博客 510

Xsolla带你参观2014年韩国游戏展G-Star

G-Star 2014终于到来了,全世界的玩家怀着无比兴奋的心情聚集韩国釜山,来参加全球第四大游戏展。 来韩国釜山的Gstar,与Xsolla一起享受游戏盛宴!️   今年是全球游戏展会十周年,大家都很清楚,今年参展人数又破纪录了。去年一共有1235个企业参加,而今天的数字达到了1397. G-Star开始于2004年,是韩国最大的游戏展会。韩国最大的游

Xsolla的专栏 1221

C#与欧姆龙PLC 通信——fins udp协议

该调试助手专门为了帮助大家学习以及测试Fins-Udp通信,下面进行详细介绍。

qq_34059233的博客 2874

【反封禁策略】集成 Undetected-Chromedriver:让 Browser-Use 绕过 Cloudflare 五秒盾

摘要:AI Agent如何突破Cloudflare检测的实战指南 本文针对AI Agent在Cloudflare检测下频繁受阻的问题,深入分析了undetected-chromedriver的工作原理与局限性。文章指出,Cloudflare 2026年的检测体系已升级为"浏览器指纹+IP信誉+协议指纹+行为模式"的多维交叉验证,单一伪装方案难以奏效。 核心内容包括: undetected-chromedriver的三层补丁体系解析 v2与v3版本的适用场景对比 两种Browser-Use集成方案:Selen

ZDQ58818的博客 284

Q20331G9 4*10G SFP和5*intel 2.5 Gigabit LAN嵌入式无风扇迷你工业电脑

2个M.2插槽(PCIe 3.0 x 2)、1个Mini SAS和2个SATA 3.0接口,提供了充足的存储选择,适用于各种场景,从数字娱乐到网络存储都能轻松胜任。在保持高性能的同时,消除了机器运行时可能带来的噪音,使其在办公室和会议室等要求安静环境的场所得心应手。10G SFP+接口提供了更大的带宽,使网络管理员能够设计更灵活、高性能的网络拓扑结构,适用于大规模数据传输的环境。对于需要高带宽和低延迟的实时应用,如视频会议和远程办公,这些接口提供了可靠的网络性能。

QotomPC的博客 1125

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

02|YUV & RGB:原来图像是这么丰富多彩的

只有我们都按照标准来做事,那么不同厂家生产出来的产品才能对接上。BT601 是标清的标准,而 BT709 是高清的标准。下面我们来看看这两种标准分别在 Full Range 和 Limited Range 下的 RGB 和 YUV 之间的转换公式吧。具体如下图所示:从上图我们可以看到每种标准下不同 Color Range 的转换公式是不同的。所以。

qq_37756660的博客 1118

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

丰富多彩的随机数

 随机数,美丽的地方就在于不确定。    java里面生成随机数大体上来分为两种:   1.调用Math类的静态方法random()去生成一个在0-1之间的double型随机数,如果需要整型,那么就用以下代码(int)(Math.random()*10)的方法来生成一个0-9的随机数。   2.用Random类中生成随机数的方法,如生成一个随机整数就可以用一下代码生成new Ran...

u014663203的专栏 189

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

ACM MM 2024,复旦&腾讯优图等提出MDT-A2G,可根据说话语音同步生成手势

Diffusion Transformer领域的最新进展大大提高了高质量二维图像、三维视频和三维形状的生成。然而,Transformer 架构在同语音手势生成领域的有效性仍然相对未被探索,因为之前的方法主要采用卷积神经网络 (CNN) 或简单的几个变换器层。为了弥补这一研究空白,我们引入了一种用于同语音手势生成的新型掩蔽Diffusion Transformer,称为 MDT-A2G,它直接在手势序列上实现去噪过程。为了增强时间对齐的语音驱动手势的上下文推理能力,我们采用了一种新型的掩蔽扩散变换器。

AIGC Studio:分享AIGC前沿知识和好玩应用,公众号同名。 999

小鹏汽车服务怎么样?提车小鹏G3的过程很新鲜

作为小鹏汽车最早一批的车主,小鹏汽车不仅给我的出行带来了诸多便利,服务也相当到位,工作之余还让我结交了很多鹏友,为我乏味的生活增添了很多色彩。下面和大家分享一下我的用车经历吧! 1.外观内饰 初见小鹏G3时,不禁感叹小鹏G3是真的好看,极具科技感的造型让我有种想马上开着它去兜风的冲动,鲨鱼式的前脸,犀利的目光怒视前方,超级炫酷有没有,这要开出去不知得有多拉风,收回我的目光坐进车内,这块儿全景风挡视线也太好了吧,还有NAPA真皮座椅,不仅看着高端,坐着也非常舒适,皮质的方向盘手感也很nice,这么棒的初体验

weixin_38975266的博客 423

GSM、GPRS、EDGE、2G、3G与WAP的关系

最近查询Android当中当前网络判断的功能,无意间查到了一篇扫盲贴,讲解手机各种网络类型的关系,感觉不错,共享出来。 -------------------------------------------------------------------------------------------------------------------------------------------...

weixin_30793643的博客 223

全国产化方案实现NVMe over 100G RDMA,解决智算超算中“存算”不匹配问题

全国产化方案实现NVMe over 100G RDMA,解决智算超算中“存算”不匹配问题

qq_41667729的博客 1454

Vue-G6-Editor:轻松构建专业级流程图编辑器的完整指南

Vue-G6-Editor 是一个基于 Vue 和 G6 3.0 构建的流程图编辑器,专为需要可视化流程图的开发者设计。由于 G6-Editor 不开源且存在商用限制,开发者可以通过这个开源项目实现流程图编辑功能,无需担心授权问题。 ## 🌟 核心功能亮点 Vue-G6-Editor 提供了丰富的交互行为和组件,让流程图编辑变得简单直观: - **多样化节点交互**:支持节点悬停(hove

gitblog_00555的博客 981
上一篇: solr6使用ansj做中文分词
下一篇: centos常用命令
programmeryu
博客等级 码龄11年 23粉丝 67原创
评论 5
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值