realamirhe
/ .env
Created
April 30, 2021 06:28
configuring redis docker-compose.yml file using password from .env file
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
| # redis | |
| REDIS_PORT=6379 | |
| REDIS_PASSWORD=pass1234 |
realamirhe
/ embed ltr between rtl in latex.py
Last active
July 19, 2020 17:51
fix: major bug caused in replacement
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
| import clipboard | |
| paragraph = """ | |
| مجموعه دادگان بررسی شده که مورد پذیرش قرار نگرفتندcaltech101،cats_vs_dogs، caltech_birds2010، colorectal_histology، coil100، dmlabو DTD | |
| برای سادگی و ادامه توضیحات نام گذاری‌ها را فارسی میکنیم | |
| lfw (صورت‌های برچسب‌گذاری غرب (ص.ب.غ))، celeb_a ( مشهور الف ) | |
| توضیح کلی در مورد دو مجموعه مورد پذیرش بالاهر دو در منابع مجموعه دادگان tensorflow موجود هستند. اندازه (مشاهیرالف) تقریبا 8 برابر (ص.ب.غ) است پس در صورت انتخاب نیاز به منابع بیشتری برای مرحله‌ی آموزش داریم. | |
| ( صورت‌های برچسب‌گذاری‌شده غرب ) | |
| تصاویر برچسب گذاری‌شده که برای تشخیص تصویر در شرایط بدون قید بررسی شده‌اند. | |
| نسخه‌ای که در دسترس هست نسخه ۰.۱.۰ است | |
| تعداد ۱۳۲۳۳ داده در مجموعه آموزش موجود هست |
realamirhe
/ DoG_filters.py
Last active
July 12, 2020 04:52
Difference of Gaussian Filter with numpy
This file contains bidirectional Unicode text that may be interpreted or compiled differently than what appears below. To review, open the file in an editor that reveals hidden Unicode characters.
Learn more about bidirectional Unicode characters
| # http://fourier.eng.hmc.edu/e161/lectures/gradient/node9.html | |
| """ | |
| σ1 := width or std for first gussian distribution | |
| σ2 := width or std for second gussian distribution | |
| """ | |
| def DoG(σ1, σ2, shape): | |
| if (σ1 == 0 or σ2 == 0): | |
| print("WARNING: Result Filter gonna be all zero. σ1 and σ2 must be non zero") | |
| return np.zeros(shape) |
NewerOlder