ntakouris

function y = f(x)
    y = x.^4 * cos(x) - x.^2 * sin(x.^3);
end

x = -10:.01:10;
y = f(x);
plot(x, f(x))

min(y)
max(y)

ntakouris

function [mean_per_class, num_fail_students] = courses_calc(data_vec) 
    mean_per_class = mean(data_vec(:).grades, 1);
    failed_students = data_vec(:).grades > 5;

    num_fail_students = sum(failed_students, 1);
end

ntakouris

function students_calc(data_vec) 
    mean_grades = mean(data_vec(:).grades, 1);
    file_data = [data_vec(:).name, data_vec(:).surname, mean_grades];

    file = fopen('student_mean.txt','w');
    fprintf(file,'%s %s %f\n', file_data);
    fclose(fileID);

    [argvalue, argmax] = max(mean_grades);
    best_student_name = data_vec(argmax).name;

ntakouris

Setup and Requirements

• A tensorflow supported python version (3.6-3.8)
• (Optionally) CUDA Drivers for your nvidia GPU
• A TF SavedModel to use
• Run pip install -r requirements.txt to install required packages (tensorflow, scipy)
• A mat file with an array of proper size named 'x'

Sample Usage

ntakouris

class VFELayer(keras.Model):
    def __init__(self, name='VFELayer', l1=32, l2=32, l3=48, dropout=0, **kwargs):
        super().__init__(name=name, **kwargs)
        self.bn_a = keras.layers.BatchNormalization()
        self.local_mlp_a = keras.layers.Dense(l1, kernel_initializer='glorot_uniform', activation='swish')
        self.bn_b = keras.layers.BatchNormalization()
        self.local_mlp_b = keras.layers.Dense(l2, kernel_initializer='glorot_uniform', activation='swish')

        self.bn_g = keras.layers.BatchNormalization()
        self.global_mlp = keras.layers.Dense(l3, kernel_initializer='glorot_uniform', activation='swish')

ntakouris

Αγαπητοί συνάδελφοι καλησπέρα σας. Έχω γράψει και διαγράψει παρόμοια μηνύματα αρκετές φορές στο παρελθόν, καθώς ένα μέρος μου θεωρεί άσκοπο το να εκφράσω όσα σκέφτομαι κάθε φορά που βλέπω αντίστοιχη ανακοίνωση του συλλόγου. Όπως έχει πει ο Όσκαρ Ουάιλντ "είμαι πολύ μεγάλος πια για να τα ξέρω όλα", αλλά όχι τόσο μεγάλος ώστε να ξεχάσω ότι υπήρξα στην ηλικία σας και στην "φάση" σας, στην περίοδο που ένοιωθα ότι οι μεγαλύτεροι είναι απογοητευμένοι, συμβιβασμένοι και άλλα -μένοι, και ότι το σύστημα δεν φτιάχνεται, θέλει να διαλυθεί και να χτιστεί από την αρχή. Επιπρόσθετα, είχα την -αμφίβολη- τιμή να ανήκω στην γενιά που παρέλαβε λίγο πριν το πέμπτο της έτος τον λογαριασμό για τις υπερβολές των προηγουμένων γενιών. Μπήκαμε με την πεποίθηση ότι θα βγαίναμε από την σχολή και θα βρίσκαμε δουλειά, και είδαμε την φούσκα να σπάει με τη μορφή κρίσης και ΔΝΤ και να παρασέρνει πολλά σχέδια και όνειρα μαζί.

Δυστυχώς, αυτό που παρέμεινε σταθερό είναι η ρητορική των παρατάξεων που, αν τις κρίνω με όσα έμαθα εκ των υστέρων α

ntakouris

class ConcordantPercentage(keras.metrics.Metric):
    def __init__(self, name='concordant_pct', baseline=1, **kwargs):
        baseline_suffix = '' if baseline == 1 else f'_{baseline}'
        _name = f'{name}{baseline_suffix}'
        super().__init__(name=_name, **kwargs)
        self.baseline = baseline
        self.concordant_samples = self.add_weight(name='concordant_samples', shape=(1,), initializer='zeros', dtype=tf.int32)
        self.num_samples = self.add_weight(name='num_samples', shape=(1,), initializer='zeros', dtype=tf.int32)

    def update_state(self, y_true, y_pred, **kwargs):

ntakouris

z_prev=0
        f_grad_prev=0
        v=0
        y_prev = 0
        d_grad_prev = 0

        generated_prev = 0
        d_out_prev = 0

        print(f'Using m : {self.config.m}')

ntakouris

class MultiHotAccuracy(keras.metrics.Metric):
    def __init__(self, name='multihot_accuracy', absolute=False, **kwargs):
        name = f'multihot{"_absolute" if absolute else ""}_accuracy'
        super().__init__(name=name, **kwargs)
        self.absolute = absolute

        self.binary_accuracy = self.add_weight(name='binary_accuracy', shape=(1,), initializer='zeros', dtype=tf.float32)
        self.num_samples = self.add_weight(name='num_samples', shape=(1,), initializer='zeros', dtype=tf.int32)

    def update_state(self, y_true, y_pred, **kwargs):

ntakouris

jacobian_generator = tf.reshape(

                self.gh_jacobian(tf.reshape(generator_output, [self.batch_size, 64* 64 * 3]), self.gi), 
                
                [self.batch_size, 64, 64, 3, self.z_dim])