1.【Python深度学习系列】网格搜索神经网络超参数：丢弃率dropout（案例+源码）
2.科学可视化软件介绍 – Polyscope
3.开源科学工程技术软件介绍 – 点云处理软件CloudCompare
4.Recast Navigation 源码剖析 01 - Meadow Map论文解析与实验
5.科学可视化软件介绍 – 3D Slicer医学图像计算平台
6.量化交易 | 网格交易大法

【Python深度学习系列】网格搜索神经网络超参数：丢弃率dropout（案例+源码）

       本文探讨了深度学习领域中网格搜索神经网络超参数的技术，以丢弃率dropout为例进行案例分析并提供源码。社区社区

       一、源码源码引言

       在深度学习模型训练时，网格网格选择合适的社区社区超参数至关重要。常见的源码源码茶楼模式麻将源码超参数调整方法包括手动调优、网格搜索、网格网格随机搜索以及自动调参算法。社区社区本文着重介绍网格搜索方法，源码源码特别关注如何通过调整dropout率以实现模型正则化、网格网格降低过拟合风险，社区社区从而提升模型泛化能力。源码源码

       二、网格网格实现过程

       1. 准备数据与数据划分

       数据的社区社区准备与划分是训练模型的基础步骤，确保数据集的源码源码合理分配对于后续模型性能至关重要。

       2. 创建模型

       构建模型时，需定义一个网格架构函数create_model，并确保其参数与KerasClassifier对象的参数一致。在定义分类器时，自定义表示丢弃率的参数dropout_rate，并设置默认值为0.2。

       3. 定义网格搜索参数

       定义一个字典param_grid，包含超参数名称及其可选值。在本案例中，需确保参数名称与KerasClassifier对象中的参数一致。

       4. 进行参数搜索

       利用sklearn库中的GridSearchCV类进行参数搜索，将模型与网格参数传入，系统将自动执行网格搜索，编译源码驱动尝试不同组合。

       5. 总结搜索结果

       经过网格搜索后，确定了丢弃率的最优值为0.2，这一结果有效优化了模型性能。

       三、总结

       本文通过案例分析与源码分享，展示了如何利用网格搜索方法优化神经网络模型的超参数，特别是通过调整dropout率以实现模型的正则化与泛化能力提升。在实际应用中，通过合理选择超参数，可以显著改善模型性能，降低过拟合风险。

科学可视化软件介绍 – Polyscope

       Polyscope

       Polyscope是一个轻量级通用三维可视化库、数据查看器和用户交互界面。它适用于三维数据，如网格和点云等。通过编程方式首先注册数据，然后即可通过编程或动态图形用户界面快速生成信息丰富、美观的可视化图形。

       Polyscope官网地址：polyscope.run

       GitHub源代码地址：github.com/nmwsharp/pol...

       Polyscope于年3月首次发布到开源社区，最新的版本是年1月发布的v2.1.0。

       使用Python语言时，可通过pip命令安装Polyscope：pip install Polyscope

       以下是一些Polyscope提供的可视化截图和案例，供参考：polyscope.run

       观看两小段体绘制切面的视频：此处省略链接

       了解更多科学可视化软件，可参考以下系列文章：《科学可视化软件介绍 – VisIt》、《科学可视化软件介绍 – Inviwo》等。

       Polyscope官网提供详细的scipopt编译源码文档和教程，可帮助用户快速上手。更多关于Polyscope的信息和案例，请访问官网：polyscope.run

开源科学工程技术软件介绍 – 点云处理软件CloudCompare

       点云（Point Cloud）是一种空间中的点数据集，主要用于表示三维形状或对象，通常通过三维扫描仪、激光雷达、摄像头、RGB-D相机等设备获取。每个点的位置由一组笛卡尔坐标（X，Y，Z）描述，可能还包含色彩信息（R，G，B）或物体反射面强度（Intensity）信息。

       点云广泛应用于多个领域，例如建模、设计、质量控制、逆向工程、虚拟现实、增强现实等。CloudCompare就是一款专门用于处理三维点云和三角形网格的软件，最初设计目的是在两个三维点云或点云与三角形网格之间进行比较，即“云比较”。它采用八叉树结构进行优化，能够处理大量点云数据，通常超过万个点，韩国源码网站甚至高达1.2亿个点，内存占用超过2GB。

       CloudCompare使用C++开发，用户界面基于Qt，图形渲染使用OpenGL，支持Windows、MacOS和Linux操作系统。用户可以从其官方网站cloudcompare.org下载安装程序，源代码则在Github上：/ProjectPhysX/CloudCompare。该软件自年开始开发，年开源，年7月开始在GitHub上发布版本，最新的2..1版发布于年3月。

       CloudCompare功能丰富，包括但不限于数据导入、导出、可视化、滤波、统计、对齐、几何变换等操作。用户可以访问官方网站获取更多详细信息和功能介绍，或者在GitHub上查找最新的开发动态和用户社区。

       在科学工程领域，还有许多其他开源软件，如用于数据处理的Silx，用于机器人开发的招标采集源码rviz，用于可视化中间件的Visualization Library，用于科学可视化分析的Graphia等。此外，还有用于科学可视化和数据可视化的工具，如用于医学图像计算平台的3D Slicer，用于数据可视化的PyVista，用于地理信息的GeoJS等。

Recast Navigation 源码剖析 - Meadow Map论文解析与实验

       本文深入解析了Meadow Map论文及其在Recast Navigation中的应用。Recast Navigation是一款常见的游戏开发寻路库，源于芬兰开发者Mikko Mononen的初始工作。Meadow Map方法，由Ronald C. Arkin于年提出，为现代Navmesh系统奠定了基础，特别强调长时间存储地图的有效策略。

       Meadow Map通过凸多边形化动机，提出了一种优化存储和访问3D地图数据的方法。相较于传统的基于网格的寻路方法，Meadow Map采用凸多边形化来减少节点数量，从而提高性能效率，特别是针对平坦区域。凸多边形化的核心在于利用凸多边形内部任意两点直接相连的特性，构建寻路图。

       Recast Navigation系统使用凸多边形化来处理3D场景，通过算法自动将3D场景转换为2.5D形式，以便于寻路。与Meadow Map类似，Recast也采用了基于凸多边形边缘中点作为寻路节点的策略，构建寻路图以供A*算法使用。这种方法简化了搜索空间，提高了寻路效率。

       在实现Meadow Map时，需解决多边形分解成多个凸多边形的问题。此过程通过不断消除多边形中的非凸角，递归生成凸多边形，实现多边形化。同时，处理多边形内部的障碍物（holes）时，需找到与可见顶点相连的内部对角线，将空洞并入多边形内部。

       路径改进方面，Recast Navigation采用String Pulling方法，旨在优化路径，避免路径的抖动和非最优行为。这一策略在实际应用中提升了路径质量，使得寻路过程更为流畅。

       总之，Meadow Map和Recast Navigation在采用凸多边形化来构建寻路图的基础上，通过不同实现细节和优化策略，有效提高了游戏中的路径寻路效率和性能。通过深入理解这两种方法，游戏开发者可以更好地选择和应用合适的寻路库，以满足不同游戏场景的需求。

科学可视化软件介绍 – 3D Slicer医学图像计算平台

       3D Slicer是一款开源软件，专门用于医学、生物医学及其他3D图像和Mesh网格的可视化、处理、分割和分析。历经多年发展，3D Slicer已成为专注于临床和生物医学应用的桌面平台软件。个人与机构开发了基于其的免费或商用插件、定制化软件，形成了一个知识丰富的医疗计算社区。这款软件起源于年，由哈佛医学院的外科规划实验室与麻省理工学院人工智能实验室合作项目。年发布了Slicer 3的全新版本，年5月发布Slicer 3.2，年1月发布Slicer 4，图形用户界面迁移到QT。最新版本为年6月发布的Slicer 5.0，截至年月，版本为5.6.1。

       3D Slicer的官方网站是slicer.org，其源代码在GitHub上，地址为github.com/Slicer/Slice...。以下是一些3D Slicer的可视化应用截图，提供直观的展示。更多关于3D Slicer的信息可参考slicer.org/wiki/Main_Page、openhealthnews.com/news、ilp.mit.edu/node/、slicer.org/wiki/Slicer4、discourse.slicer.org/t/...等资料。

       此外，还有其他多款科学可视化软件介绍系列文章，覆盖VisIt、Inviwo、Voreen、MegaMol、Paraview、ROOT、Mayavi、PyQtGraph、vedo、Glumpy、SCIRun、Vispy、K3D-jupyter、VTK、yt、Veusz、PyVista、TTK、Ipyvolume、Polyscope等。这些软件各具特色，广泛应用于科学计算、数据可视化等领域。

量化交易 | 网格交易大法

       网格交易是一种仓位策略，用于动态调整仓位。其核心原则是“仓位策略比选股策略更重要”。以下是网格交易的基本概念、特点与局限、策略步骤、回测结果与结论，以及策略源码。

       基本概念：

       1. 底仓价：作为建仓与调仓的重要依据。

       2. 低吸高抛：根据网格设置买卖价位，避免追涨杀跌。

       3. 网格大小：买入网格小于卖出网格，旨在捕捉利润。

       特点与局限：

       1. 没有万能策略，趋势决定策略成败。

       2. 选股应集中在波动大、成长性好的中小市值股票。

       3. 底仓价格设定需在安全边际内，避免估值顶部建仓。

       4. 在牛市中策略表现可能不佳，分散仓位可能导致阿尔法较低。

       5. 买卖规则较为固定，可能忽略重要突破点。

       策略步骤：

       1. 选股：重点关注互联网和软件信息服务业，PE小于，市值小，波动率高。

       2. 网格设置：[-3%买，5%卖]、[-5%买，%卖]、[-8%买，%卖]、[-%买，%卖]。

       3. 资金安排：在仓位控制时，满仓概念为总资金除以股票池总数乘以2.5，提高资金利用率。

       回测结果与

       1. 熊市中大网格表现较好，震荡期小网格效果更优，长周期中网格策略效果显著。

       2. 最佳结果包括：熊市盈利%，长周期%，震荡期%，年化回报率分别为%、%、.6%。

       3. 策略源码提供了执行流程，包括行业筛选、股票选择、网格交易执行与调整。