GUDHI/TDA-tutorial 项目使用指南
2024-09-28 10:51:01作者:庞队千Virginia
1. 项目目录结构及介绍
GUDHI/TDA-tutorial/
├── binder/
├── github/workflows/
├── datasets/
├── utils/
├── .gitignore
├── DTM_filtrations.py
├── LICENSE
├── README.Rmd
├── README.md
├── Tuto-GUDHI-Barycenters-of-persistence-diagrams.ipynb
├── Tuto-GUDHI-ConfRegions-PersDiag-datapoints.ipynb
├── Tuto-GUDHI-DTM-filtrations.ipynb
├── Tuto-GUDHI-Expected-persistence-diagrams.ipynb
├── Tuto-GUDHI-PyTorch-optimization.ipynb
├── Tuto-GUDHI-Quantization-of-persistence-diagrams.ipynb
├── Tuto-GUDHI-alpha-complex-visualization.ipynb
├── Tuto-GUDHI-cover-complex.ipynb
├── Tuto-GUDHI-cubical-complexes.ipynb
├── Tuto-GUDHI-extended-persistence.ipynb
├── Tuto-GUDHI-kPDTM-kPLM.ipynb
├── Tuto-GUDHI-optimization.ipynb
├── Tuto-GUDHI-persistence-diagrams.ipynb
├── Tuto-GUDHI-persistent-entropy.ipynb
├── Tuto-GUDHI-perslay-visu.ipynb
├── Tuto-GUDHI-representations.ipynb
├── Tuto-GUDHI-simplex-Trees.ipynb
├── Tuto-GUDHI-simplicial-complexes-from-data-points.ipynb
├── Tuto-GUDHI-simplicial-complexes-from-distance-matrix.ipynb
└── persistence_statistics.py
目录结构介绍
- binder/: 包含用于Binder服务的配置文件。
- github/workflows/: 包含GitHub Actions的工作流配置文件。
- datasets/: 包含项目使用的数据集。
- utils/: 包含项目使用的工具函数和脚本。
- .gitignore: Git忽略文件配置。
- DTM_filtrations.py: 处理DTM过滤的Python脚本。
- LICENSE: 项目许可证文件。
- README.Rmd: R Markdown格式的README文件。
- README.md: Markdown格式的README文件。
- Tuto-GUDHI-*.ipynb: 一系列Jupyter Notebook教程文件,涵盖了使用GUDHI库进行拓扑数据分析(TDA)的各种主题。
- persistence_statistics.py: 处理持久性统计的Python脚本。
2. 项目启动文件介绍
项目的主要启动文件是Jupyter Notebook文件,这些文件包含了使用GUDHI库进行拓扑数据分析的教程。以下是一些关键的启动文件:
- Tuto-GUDHI-persistence-diagrams.ipynb: 介绍如何计算持久性图和持久性条码。
- Tuto-GUDHI-simplex-Trees.ipynb: 介绍如何使用简单树数据结构进行拓扑数据分析。
- Tuto-GUDHI-alpha-complex-visualization.ipynb: 介绍如何可视化Alpha复形。
3. 项目的配置文件介绍
- .gitignore: 配置Git忽略的文件和目录。
- LICENSE: 项目的开源许可证配置。
- README.md: 项目的介绍和使用说明。
- binder/: 配置Binder服务的文件,用于在线运行Jupyter Notebook。
- github/workflows/: 配置GitHub Actions的工作流,用于自动化项目的CI/CD流程。
通过以上配置文件和启动文件,用户可以快速上手并深入学习使用GUDHI库进行拓扑数据分析。
登录后查看全文
热门项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
ruoyi-plus-soybeanRuoYi-Plus-Soybean 是一个现代化的企业级多租户管理系统,它结合了 RuoYi-Vue-Plus 的强大后端功能和 Soybean Admin 的现代化前端特性,为开发者提供了完整的企业管理解决方案。Vue06- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00
热门内容推荐
项目优选
收起
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
573
3.87 K
Ascend Extension for PyTorch
Python
392
472
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
898
694
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
358
217
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
123
160
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.38 K
784
昇腾LLM分布式训练框架
Python
122
147
暂无简介
Dart
811
199
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
533
235
React Native鸿蒙化仓库
JavaScript
312
363