Анализ страницы https://deep-generative-models.github.io/index2020.html
Основное Готовность: 100%
Домен
deep-generative-models.github.io
Состояние доменного имени
?
Проверяем корректность доменного имени и наличие технических проблем на уровне домена.
Используйте для продвижения только домен второго уровня.
Длина домена велика. Но если вы продвигаете запрос, входящий в название домена, то это хорошо.
Ответ сервера
200 Успешный ответ
HTTP-код ответа и цепочка редиректов
?
Код 200 — страница доступна. Коды 3xx — редиректы (цепочки замедляют загрузку и размывают ссылочный вес). Коды 4xx/5xx — ошибки, поисковик не сможет проиндексировать страницу.
Сервер настроен корректно.
Безопасность
Сайт безопасен
Использование HTTPS и SSL-сертификат
?
HTTPS — обязательный стандарт. Google и Яндекс отдают предпочтение защищённым сайтам. Отсутствие SSL или просроченный сертификат ведут к предупреждениям в браузере и снижению позиций.
На сайте работает защищенный протокол ssl и сайт открывается по https.
Ssl-сертификат действителен до 04.10.2026 22:45:22.
Включён HSTS (Strict-Transport-Security) — защита от подмены на http.
Поздравляем! Сайт не содержится в реестре РКН.
Кодировка
utf-8
Кодировка символов страницы
?
Стандарт — UTF-8. Неправильная кодировка вызывает нечитаемые символы и мешает поисковику корректно распознать текст страницы.
Указана кодировка на странице utf-8.
Язык
en
Атрибут lang в HTML-теге
?
Атрибут lang (<html lang="ru">) сообщает поисковикам и браузерам, на каком языке написана страница. Помогает при ранжировании в региональном поиске.
Язык документа указан явно: en.
Скорость загрузки
~0,26сек
Время отклика сервера (TTFB)
?
Time To First Byte — время до получения первого байта от сервера. Норма до 200 мс. Медленный отклик ухудшает пользовательский опыт и ранжирование: Яндекс и Google учитывают скорость страниц.
Скорость загрузки сайта 0,26сек оптимальна.
Объем документа
23Кб
Размер HTML-кода страницы
?
Слишком большой HTML замедляет парсинг браузером и сканирование поисковым роботом. Рекомендуется не более 200 Кб.
Объем html-документа 23Кб оптимален.
Структура html-документа корректна.
Ресурсы
Ресурсы: 1
Внешние ресурсы страницы (CSS, JS, изображения)
?
Количество и тип подключённых ресурсов влияют на скорость загрузки. Большое число запросов увеличивает время рендеринга страницы.
Кол-во файлов ресурсов 1 достаточно.
Показать полный список ресурсов
| Тип | Название | Значение |
|---|---|---|
| stylesheet | /assets/main.css |
Серверные заголовки
Кол-во: 18
HTTP-заголовки ответа сервера
?
Заголовки сервера передают браузеру и поисковику служебную информацию: кеширование, безопасность (CSP, HSTS), сжатие (gzip). Правильная настройка ускоряет загрузку и повышает защищённость.
Найдены серверные заголовки 18шт. Подробнее про серверные заголовки.
Показать полный список серверных заголовков
| Ключ | Значение |
|---|---|
| Server | GitHub.com |
| Access-Control-Allow-Origin | * |
| Strict-Transport-Security | max-age=31556952 |
| ETag | "6268fbe1-5c49" |
| Cache-Control | max-age=600 |
| x-proxy-cache | MISS |
| x-github-request-id | 3C24:779F0:1CE011D:1D1D76D:6A8991B0 |
| x-github-edge-region | fra |
| Accept-Ranges | bytes |
| Age | 0 |
| Date | Sat, 22 Aug 2026 12:10:25 GMT |
| Via | 1.1 varnish |
| X-Served-By | cache-fra-eddf8230222-FRA |
| X-Cache | MISS |
| x-cache-hits | 0 |
| x-timer | S1787400625.036856,VS0,VE120 |
| Vary | Accept-Encoding |
| x-fastly-request-id | 396552edef9c9b801303e96976a69bb36104f0dd |
CMS
Jekyll v3.9.2
Система управления сайтом (движок)
?
CMS — это движок, на котором работает сайт (WordPress, 1C-Bitrix, Tilda и др.). Знание CMS помогает понять возможности SEO-оптимизации и подобрать подходящие инструменты. «Не определена» — вероятно, самописный сайт или нестандартная сборка.
В мета-теге generator указано: Jekyll v3.9.2.
Веб-сервер
GitHub.com
Программное обеспечение сервера
?
Веб-сервер — это ПО, которое отдаёт страницы посетителям (nginx, Apache, IIS, LiteSpeed и др.). Определяется по серверным заголовкам ответа (Server, X-Powered-By и т.п.). «Не определён» — сервер намеренно скрывает эти заголовки, это нормальная практика безопасности.
В заголовке Server указано: GitHub.com.
Мета-теги Готовность: 33%
Title
Deep Generative Models | CFCS, CS Department, Peking Univeristy
Заголовок страницы в браузере и поисковой выдаче
?
Title — главный SEO-заголовок страницы. Влияет на CTR в поиске и ранжирование. Оптимальная длина: 50–70 символов. Ключевые слова — ближе к началу.
Необходимо уменьшить число символов в title (текущее значение: 63, оптимально: от 40 до 45)
Дублей словоформ в title не найдено.
Description
CFCS, CS Department, Peking Univeristy
Описание страницы в поисковой выдаче (сниппет)
?
Meta Description — текст под заголовком в выдаче. Напрямую на позиции не влияет, но влияет на CTR. Оптимальная длина: 120–160 символов.
Необходимо увеличить число символов в description (текущее значение мало: 38, минимум: 80, оптимально: от 120 до 130)
Keywords
Список ключевых слов страницы (устаревший тег)
?
Meta Keywords не учитывается Яндексом и Google для ранжирования с 2009–2012 годов. Заполнение не обязательно, но не вредит. Конкурент может использовать содержимое для анализа.
Установите мета-тег keywords!
Канонический Url
http://github.com/deep-generative-models/index2020.html
Указывает поисковику основную версию страницы
?
Canonical (rel=canonical) предотвращает проблему дублей страниц. Должен точно совпадать с URL проверяемой страницы. Неправильный canonical может передать ссылочный вес на другую страницу.
Домен в каноническом Url не совпадает!
Robots
Ошибок нет
Директивы для поисковых роботов на уровне страницы
?
Meta Robots управляет индексацией конкретной страницы: index/noindex — индексировать ли, follow/nofollow — следовать ли по ссылкам. Noindex полностью исключает страницу из поиска.
Meta-тег robots не указан. Страница свободна для индексации.
Адаптивность
width=device-width, initial-scale=1
Настройка масштабирования на мобильных устройствах
?
Тег viewport (<meta name="viewport">) сообщает браузеру, как масштабировать страницу на мобильных. Стандарт: width=device-width, initial-scale=1. Отсутствие — признак отсутствия мобильной версии.
Meta-тег viewport со значением-константой width=device-width задаёт ширину страницы в соответствии с размером экрана.
Meta-тег viewport со значением initial-scale=1.0 определяет масштаб 1:1, т.е. «не масштабировать».
Разметка OpenGraph
Кол-во: 6
Мета-теги для красивых превью в соцсетях
?
OpenGraph (og:title, og:description, og:image) управляет тем, как страница выглядит при репосте в социальных сетях и мессенджерах. Отсутствие OG-тегов — невзрачный превью при шеринге.
Разметка OpenGraph задана. Страница оптимизирована под социальные сети.
Показать полный список og мета-тегов
| Тип | Значение |
|---|---|
| og:title | Deep Generative Models |
| og:locale | en_US |
| og:description | CFCS, CS Department, Peking Univeristy |
| og:url | http://github.com/deep-generative-models/index2020.html |
| og:site_name | Deep Generative Models |
| og:type | website |
Все мета-теги
Кол-во: 11
Полный список мета-тегов страницы
?
Таблица всех meta-тегов, включая нестандартные. Позволяет найти опечатки, дубли и лишние теги.
Найдены мета-теги 11шт. Мета-теги не видимы для человека и предназначены для обмена информацией между веб-страницей и поисковыми системами, браузерами и другими веб-службами. С ними роботы 🤖 и устройства ведут себя более ожидаемо.
Показать полный список мета-тегов
| Тип | Название | Значение |
|---|---|---|
| name | viewport | width=device-width, initial-scale=1 |
| name | generator | Jekyll v3.9.2 |
| name | description | CFCS, CS Department, Peking Univeristy |
| name | twitter:card | summary |
| property | og:title | Deep Generative Models |
| property | og:locale | en_US |
| property | og:description | CFCS, CS Department, Peking Univeristy |
| property | og:url | http://github.com/deep-generative-models/index2020.html |
| property | og:site_name | Deep Generative Models |
| property | og:type | website |
| property | twitter:title | Deep Generative Models |
Оптимизация Готовность: 73%
Структура
Ошибок нет
Семантические HTML-элементы страницы
?
Проверяет наличие основных структурных элементов: nav, header, footer, main. Корректная семантическая структура помогает поисковику понять архитектуру страницы.
Структура документа корректна (теги <html> и <body> присутствуют по одному на документ).
Контент
Есть ошибки
Объём и качество текстового содержимого
?
Анализирует объём полезного текста на странице. Слишком мало — страница может считаться малополезной. Слишком много — ухудшается читаемость и восприятие.
Абзацев с текстом 7 слишком мало. Добавьте больше абзацев с текстом (тег <p>)!
Кол-во слов 742 не очень много. Добавьте побольше текста (хотя бы 800 слов)!
Слова из title 8 встречаются в тексте достаточно.
Среднее число слов в абзаце 10 достаточно.
Кол-во знаков контента 5420 на странице оптимально.
Заголовки
Ошибок нет
Иерархия заголовков H1–H6
?
H1 должен быть один и содержать ключевой запрос. H2–H6 описывают подразделы. Пропуск уровней (H1 → H3) и несколько H1 — типичные ошибки, снижающие понятность страницы для поисковика.
На странице присутствуют заголовки <h1> 4. Это прекрасно.
На странице присутствуют заголовки <h2> 4. Это хорошо.
Тошнота
6
Насколько одно слово доминирует в тексте
?
Классическая тошнота = √(частота самого повторяющегося слова). Норма до 7–8: текст воспринимается естественно. Выше — поисковик может счесть страницу переспамленной.
Тошнота превышает норму 3. Измените текст страницы!
Академич. тошнота
4,99%
Насколько текст перенасыщен ключевыми словами
?
Академическая тошнота = (частота слова / общее количество слов) × 100%. Показывает долю конкретного слова в тексте. Норма 5–15%.
Академическая тошнота не дотягивает до нормы 5-15%. Измените текст страницы!
Семантическое ядро
20
Наиболее часто встречающиеся слова на странице
?
Топ слов по частоте использования. Показывает, какие слова доминируют в тексте с точки зрения поисковика.
Контент страницы содержит осмысленный текст и слова.
Показать список слов
| Слово | Кол-во | Частота |
|---|---|---|
| lecture | 36 | 4,85% |
| models | 17 | 2,29% |
| generative | 16 | 2,16% |
| generation | 11 | 1,48% |
| adversarial | 8 | 1,08% |
| networks | 5 | 0,67% |
| variational | 5 | 0,67% |
| learning | 5 | 0,67% |
| neurips | 5 | 0,67% |
| language | 5 | 0,67% |
| tensorlayer | 5 | 0,67% |
| tensorflow | 5 | 0,67% |
| latent | 4 | 0,54% |
| translation | 4 | 0,54% |
| introduction | 3 | 0,40% |
| representation | 3 | 0,40% |
| autoregressive | 3 | 0,40% |
| neural | 3 | 0,40% |
| autoencoders | 3 | 0,40% |
| autoencoder | 3 | 0,40% |
Индексация Готовность: 0%
Индексирование
Ошибок нет
Разрешено ли индексирование страницы
?
Проверяет, не закрыта ли страница от индексации через robots.txt, meta robots или X-Robots-Tag. Страница, закрытая от индексации, не появится в поисковой выдаче.
Анкоров на странице 119 оптимально. Поисковые роботы обязательно проиндексируют сайт.
Robots.txt
Не найден
Файл управления сканированием сайта роботами
?
Robots.txt указывает поисковым роботам, какие страницы сканировать, а какие — нет. Ошибки в файле могут случайно закрыть важные разделы от индексации.
Файл robots.txt не найден (ошибка 404). Крайне рекомендуем добавить файл robots.txt, это правило хорошего тона для поисковых роботов.
Sitemap
Кол-во: 0
XML-карта сайта для поисковиков
?
Sitemap.xml помогает поисковику быстрее находить и индексировать страницы. Особенно важен для крупных сайтов и новых страниц, на которые ещё нет входящих ссылок.
Robots.txt не содержит ссылку на карту сайта. Рекомендуется добавить карту сайта и указать ссылку на нее в robots.txt.
Внутренние ссылки
Кол-во: 77
Ссылки на другие страницы своего сайта
?
Внутренние ссылки распределяют ссылочный вес между страницами и помогают поисковику обходить сайт. Пустые анкоры и ссылки на запрещённые robots.txt страницы — типичные ошибки.
Внутренних ссылок на странице 77 оптимально.
Показать внутренние ссылки
| Url | Анкор | Состояние |
|---|---|---|
| / |
Deep Generative Models
|
|
| /about/ |
About
|
|
| /files/ppt/2021/Lecture%2016-18%20Code/ |
Reference Code
|
|
| /files/ppt/2020/Lecture%201%20Introduction.pdf |
Lecture 1: Introduction
|
|
| /files/ppt/2020/Lecture%202%20Data%20Representation.pdf |
Lecture 2: Data Representation
|
|
| /files/ppt/2020/Lecture%204%20Sequential%20Models%20-%20Recurrent%20Neural%20Networks.pdf |
Lecture 4: Sequential Models - Recurrent Neural Networks
|
|
| /files/ppt/2020/Lecture%205%20Autoregressive%20Models.pdf |
Lecture 5: Autoregressive Models 1
|
|
| /files/ppt/2020/Lecture%206%20Autoregressive%20Models.pdf |
Lecture 6: Autoregressive Models 2
|
|
| /files/ppt/2020/Lecture%207-8%20From%20Autoencoder%20to%20VAE.pdf |
Lecture 7: From Autoencoder to VAE <br> Lecture 8: Variational Autoencoder
|
|
| /files/ppt/2020/Lecture%209%20VAE%20variants.pdf |
Lecture 9: VAE Variants
|
|
| /files/ppt/2020/Lecture%2010%20Normalizing%20Flow%20Models.pdf |
Lecture 10: Normalising Flow Background
|
|
| /files/ppt/2020/Lecture%2011%20Normalizing%20Flow%20Models.pdf |
Lecture 11: Normalising Flow Models
|
|
| /files/ppt/2020/Lecture%2012%20TensorLayer%202.0.pdf |
Lecture 12: Deep Learning Development
|
|
| /files/ppt/2020/Lecture%2013%20Vanilla%20GAN.pdf |
Lecture 13: Introduction of GAN
|
|
| /files/ppt/2020/Lecture%2014%20Understanding%20GANs.pdf |
Lecture 14: Understanding GAN
|
|
| /files/ppt/2020/Lecture%2015%20Selected%20GANs.pdf |
Lecture 15: Selected GANs
|
|
| /files/ppt/2020/Lecture%2016-18%20Practice.pdf |
Lecture 16: Variational Autoencoders <br> Lecture 17: Generative Adversarial Networks <br> Lecture 18: More: WGAN, LSGAN, VAE-GAN …
|
|
| /files/ppt/2020/Lecture%2016-18%20Code.zip |
GAN/VAE
|
|
| /files/ppt/2020/Lecture%2019%20Evaluation%20-%20Sampling%20Quality.pdf |
Lecture 19: Sampling Quality
|
|
| /files/ppt/2020/Lecture%2020%20Evaluation%20-%20Density%20Evaluation%20&%20Latent%20Representation.pdf |
Lecture 20: Density Evaluation & Latent Representation
|
|
| /files/ppt/2020/Lecture%2021%20Evaluation%20-%20Practice.pdf |
Lecture 21: Practice
|
|
| /files/ppt/2020/Lecture%2022%20Energy-based%20Models%20-%20Hopfield%20Network.pdf |
Lecture 22: Hopfield Network
|
|
| /files/ppt/2020/Lecture%2023%20Energy-based%20Models%20-%20Boltzmann%20Machine.pdf |
Lecture 23: Boltzmann Machine
|
|
| /files/ppt/2020/Lecture%2024%20Energy-based%20Models%20-%20Deep%20Belief%20Network%20&%20GAN.pdf |
Lecture 24: GANs
|
|
| /files/ppt/2020/Lecture%2025%20Discreteness%20in%20Generative%20Models%20-%20Discrete%20Sequence%20Generation.pdf |
Lecture 25: Discrete Sequence Generation
|
|
| /files/ppt/2020/Lecture%2027%20Discreteness%20in%20Generative%20Models%20-%20Generating%20Graphs.pdf |
Lecture 27: Generating Graphs
|
|
| /files/ppt/2020/Lecture%2028%20Challenge%20-%20High-dimensional%20Data%20Generation.pdf |
Lecture 28: High-dimensional Data Generation
|
|
| /files/ppt/2020/Lecture%2029%20Challenge%20-%20Learning%20Large%20Encoder.pdf |
Lecture 29: Learning Large Encoder
|
|
| /files/ppt/2020/Lecture%2030%20Challenge%20-%20Others.pdf |
Lecture 30: Other Challenges
|
|
| /files/ppt/2020/Lecture%2031%20Application%20of%20Generative%20Models%20-%20Image-to-Image%20Translation.pdf |
Lecture 31: Image Synthesis, Translation and Manipulation
|
|
| /files/ppt/2020/Lecture%2032%20Application%20-%20X%20learning.pdf |
Lecture 32: X Learning
|
|
| /files/ppt/2020/Lecture%2033%20Application%20-%20Advanced%20topics.pdf |
Lecture 33: Advanced Topics
|
|
| /files/ppt/2020/Lecture34%20Generative%20Model%20Variants%20-%20GLO%20IMLE%20GLANN.pdf |
Lecture 34: GLO, IMLE, GLANN
|
|
| /files/ppt/2020/11-1-%E8%91%A3%E5%92%8C%E9%91%AB-Multi-source%20Domain%20Adaptation%20for%20Semantic%20Segmentation-NeurIPS2019.pdf |
11-1 Multi-source Domain Adaptation for Semantic Segmentation, NeurIPS 2019
|
|
| /files/ppt/2020/11-2%20%E6%88%BF%E6%99%A8%20%E6%A1%91%E5%AE%87%E8%BE%B0_Generating%20Natural%20Language%20Adversarial%20Examples%20on%20a%20Large%20Scale%20with%20Generative%20Models_arxiv2020.pdf |
11-2 Generating Natural Language Adversarial Examples on a Large Scale with Generative Models, arxiv 2020
|
|
| /files/ppt/2020/11-3_%E8%92%8B%E9%B8%BF%E8%BE%BE_StructureNet_SIGGRAPH_Asia_2019.pptx |
11-3 StructureNet, SIGGRAPH Asia 2019
|
|
| /files/ppt/2020/11-4_%E6%9C%B1%E5%B3%B0_GANimation_ECCV2018.pdf |
11-4 GANimation: Anatomically-aware Facial Animation from a Single Image, ECCV 2018
|
|
| /files/ppt/2020/11-5_%E8%83%A1%E6%99%9F&%E9%99%88%E4%BC%9F%E6%9D%B0_NICE-GAN_CVPR2020.pptx |
11-5 Reusing Discriminators for Encoding: Towards Unsupervised Image-to-Image Translation, CVPR 2020
|
|
| /files/ppt/2020/13-1_%E6%B2%88%E5%BF%83%E6%80%A1_Learning_Discourse-level_Diversity_for_Neural_Dialog_Models_using_Conditional_Variational_Autoencoders_ACL2017.pdf |
13-1 Learning Discourse-level Diversity for Neural Dialog Models using Conditional Variational Autoencoders, ACL 2017
|
|
| /files/ppt/2020/13-2_LiZiyao_MaXiaojun_GCPN_NeurIPS2018.pdf |
13-2 Graph Convolutional Policy Network for Goal-Directed Molecular Graph Generation, NeurIPS 2018
|
|
| /files/ppt/2020/13-3_Te+Su_PointFlow_ICCV2019.pdf |
13-3 PointFlow: 3D Point Cloud Generation with Continuous Normalizing Flows, ICCV 2019
|
|
| /files/ppt/2020/13-4_%E9%9F%A9%E4%BD%B3%E4%B9%98_PRE-TRAINING%20TEXT%20ENCODERS%20AS%20DISCRIMINATORS%20RATHER%20THAN%20GENERATORS_ICLR2020.pptx |
13-4 Pretraining Text Encoders As Discriminators Rather Than Generators, ICLR 2020
|
|
| /files/ppt/2020/13-5_%E5%B0%B9%E8%A1%A1%E9%97%AF%20%E9%99%B6%E5%AE%9B%E7%8E%89_ClusterGAN_AAAI2019.pptx |
13-5 ClusterGAN, AAAI 2019
|
|
| /files/ppt/2020/13-6_%E9%99%88%E5%BE%B7%E9%87%8C_UNILM_NIPS2019.pptx |
13-6 Unified Language Model Pre-training for Natural Language Understanding and Generation, NeurIPS 2019
|
|
| /files/ppt/2020/13-7_%E6%9D%8E%E5%96%86%E7%90%9B_%E5%88%9D%E6%B5%8E%E7%BE%A4_LSGAN_ICCV2017&TPAMI2019.pdf |
13-7 LSGAN: Least Squares Generative Adversarial Networks, ICCV 2017 & PAMI 2019
|
|
| /files/ppt/2020/13-8_%E5%88%98%E8%BE%89_%E6%9E%97%E5%93%B2_leakGAN%20Long%20Text%20Generation%20via%20Adversarial%20Training%20with%20Leaked%20Information_AAAI18.pptx |
13-8 LeakGAN: Long Text Generation via Adversarial Training with Leaked Information, AAAI 2018
|
|
| /files/ppt/2020/13-9_%E8%A6%81%E6%9B%99%E4%B8%BD_GANPaint%20Studio_SIGGRAPH2019.pdf |
13-9 Semantic Photo Manipulation with a Generative Image Prior, SIGGRAPH 2019
|
|
| /files/ppt/2020/13-10_%E5%86%AF%E6%96%8C_%E5%88%98%E6%B3%BD%E7%BE%A4A%20Style-Based%20Generator%20Architecture%20for%20Generative_CVPR2019.pptx |
13-10 StyleGAN: A Style-Based Generator Architecture for Generative, CVPR 2019
|
|
| /files/ppt/2020/14-1_%E9%AB%98%E5%9B%AD%E5%9B%AD_Reconstruction%20of%203D%20Porous%20Media%20From%202D%20Slices_arXiv2019.pdf |
14-1 Reconstruction of 3D Porous Media From 2D Slices, arXiv 2019
|
|
| /files/ppt/2020/14-2_%E5%88%98%E7%95%85_%E6%9D%A8%E8%BF%90%E6%98%8C_LevenshteinTransformer_NeurIPS19.pptx |
14-2 Levenshtein Transformer, NeurIPS 2019
|
|
| /files/ppt/2020/14-3_%E9%92%B1%E6%B5%A9_PF-Net%20Point%20Fractal%20Network%20for%203D%20Point%20Cloud%20Completion_CVPR2020.pptx |
14-3 PF-Net Point Fractal Network for 3D Point Cloud Completion, CVPR 2020
|
|
| /files/ppt/2020/14-4_%E5%88%98%E6%AC%A3_ESRGAN%20Enhanced%20Super-Resolution%20Generative%20Adversarial%20Networks_ECCV2018.pptx |
14-4 ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks, ECCV 2018
|
|
| /files/ppt/2020/14-5_%E9%99%88%E9%80%B8%E5%87%A1_Synthesizing%20Programs%20for%20Images%20using%20Reinforced%20Adversarial%20Learning_ICML18.pptx |
14-5 Synthesizing Programs for Images using Reinforced Adversarial Learning, ICML 2018
|
|
| /files/ppt/2020/14-6_%E6%B1%AA%E6%96%87%E9%9D%96_%E5%86%AF%E5%AE%B6%E5%B1%95_Self-supervised%20GAN_NIPS19.pdf |
14-6 Self-supervised GAN, NeurIPS, 2019
|
|
| /files/ppt/2020/14-7_%E6%9E%97%E5%A4%A7%E8%B6%85_a%20closer%20look%20at%20the%20optimization%20landscapes%20of%20GANs_ICLR2020.pptx |
14-7 A Closer Look at the Optimization Landscapes of GANs, ICLR 2020
|
|
| /files/ppt/2020/14-8_%E8%B0%A2%E7%BB%B4%E6%96%B0_%E5%88%98%E5%AE%B6%E8%BE%89_Junction%20Tree%20Variational%20Autoencoder%20for%20Molecular%20Graph%20Generation_ICML2018.pptx |
14-8 Junction Tree Variational Autoencoder for Molecular Graph Generation, ICML 2018
|
|
| /files/ppt/2020/15-1_%E6%B2%88%E5%BF%83%E6%80%A1_cvae_gpt2_chatbot.pdf |
15-1 CVAE-GPT2 Architecture for Diverse Responses Generation
|
|
| /files/ppt/2020/15-2_%E8%B0%A2%E7%BB%B4%E6%96%B0_%E5%88%98%E5%AE%B6%E8%BE%89_MolLVAE%20de%20novo%20drug%20design%20with%20hierarchical%20latent%20representation.pptx |
15-2 MolLVAE: de novo drug design with hierarchical latent representation
|
|
| /files/ppt/2020/15-3_%E5%88%98%E8%BE%89_%E6%9E%97%E5%93%B2_CVAE_caption.pptx |
15-3 CVAE Image Captioning
|
|
| /files/ppt/2020/15-4_%E9%99%88%E5%BE%B7%E9%87%8C_ACT.pptx |
15-4 Attention-Constrained Transformer
|
|
| /files/ppt/2020/15-5_%E6%9D%8E%E5%96%86%E7%90%9B_%E5%88%9D%E6%B5%8E%E7%BE%A4_improved_Least_Squares_GAN_______.pdf |
15-5 Improving Least Squares GAN
|
|
| /files/ppt/2020/15-7_刘畅_杨运昌_PLM.pptx |
15-6 Neural Machine Translation with Permutation Language Modeling
|
|
| /files/ppt/2020/15-7_%E5%86%AF%E6%96%8C_%E5%88%98%E6%B3%BD%E7%BE%A4_Personalizing%20Adaptation%20for%20Meta-Learning-based%20Dialogue%20Generation.pdf |
15-7 Personalizing Adaptation for Meta- Learning-based Dialogue Generation
|
|
| /15-8_蒋鸿达_IM-NET.pptx |
15-8 IM-Net1 and Sampling Optimization
|
|
| /files/ppt/2020/15-9_%E6%9E%97%E5%A4%A7%E8%B6%85_More%20Closer%20Look%20at%20the%20Optimization%20Landscapes%20of%20GANs.pptx |
15-9 More Closer Look at the Optimization Landscapes of GANs
|
|
| /files/ppt/2020/16-1_Yuanyuan%20Gao_Application%20CGAN%20on%20Addictive%20Manufacturing.pdf |
16-1 Application CGAN on Addictive Manufacturing
|
|
| /files/ppt/2020/16-2-Li,Ziyao_Ma,Xiaojun-Solving_Mode_Collapse_in_MolGAN.pdf |
16-2 An effort of solving mode collapse in MolGAN
|
|
| /files/ppt/2020/16-3_%E6%9C%B1%E5%B3%B0%20%E8%A6%81%E6%9B%99%E4%B8%BD_%20GANimation%20on%20TensorLayer%20and%20thoughts%20about%20a%20better%20dataset.pdf |
16-3 GANimation on TensorLayer and thoughts about a better dataset
|
|
| /files/ppt/2020/16-4_%E5%B0%B9%E8%A1%A1%E9%97%AF_%E9%99%B6%E5%AE%9B%E7%8E%89_NB%20latent%20clustring%20in%20GANdocx.pptx |
16-4 NB Latent Space Clustering in GAN
|
|
| /files/ppt/2020/16-5_%E9%92%B1%E6%B5%A9_A%20Experiment%20on%20Point%20Cloud%20Completion.pptx |
16-5 A Experiment on Point Cloud Completion
|
|
| /files/ppt/2020/16-6_%E6%B1%AA%E6%96%87%E9%9D%96_%E5%86%AF%E5%AE%B6%E5%B1%95_Unsupervised%20Vid2Vid%20Translation.pdf |
16-6 Unsupervised Vid2Vid Translation
|
|
| /files/ppt/2020/16-7_%E7%89%B9%E5%8F%A4%E6%96%AF_%E8%8B%8F%E5%98%89%E4%BF%8A_Animation_Generation_with_Speech_Signal.pdf |
16-7 Animation Generation with Speech Signal
|
|
| /files/ppt/2020/16-8_%E6%88%BF%E6%99%A8_%E6%A1%91%E5%AE%87%E8%BE%B0_Generating%20Natural%20Language%20Adversarial%20Examples.ppt |
16-8 Generating Natural Language Adversarial Examples
|
|
| /files/ppt/2020/16-9-%E8%91%A3%E5%92%8C%E9%91%AB-Multi-source%20Domain%20Adaptation%20for%20Semantic%20Segmentation.pdf |
16-9 Multi-source Domain Adaptation for Semantic Segmentation
|
|
| /files/ppt/2020/16-10_%E8%83%A1%E6%99%9F_%E9%99%88%E4%BC%9F%E6%9D%B0_CT2MR_Stroke_%20detection.pptx |
16-10 CT to MR translation: Stroke Detection
|
|
| /files/ppt/2020/16-11_%E5%88%98%E6%AC%A3_%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E5%9C%A8%E5%9B%BE%E5%83%8F%E8%B6%85%E5%88%86%E8%BE%A8%E7%8E%87%E5%A4%8D%E5%8E%9F%E4%B8%AD%E5%BA%94%E7%94%A8.ppt |
16-11 Super Resolution
|
|
| /files/ppt/2020/16-12-%E9%9F%A9%E4%BD%B3%E4%B9%98-SeqGAN%20in%20Text%20Generation.pptx |
16-12 SeqGAN in Text Generation
|
|
Внешние ссылки
Кол-во: 26
Ссылки на сторонние сайты
?
Исходящие внешние ссылки передают часть ссылочного веса на чужие сайты. Ссылки на авторитетные ресурсы безопасны; ссылки на мусорные сайты могут навредить репутации страницы.
Внешних ссылок на странице 26 слишком много. Спрячьте лишние ссылки в тег noindex или атрибут rel='nofollow'!
Показать внешние ссылки
| Url | Анкор |
|---|---|
| github.com |
DCGAN
|
| github.com |
CycleGAN
|
| github.com |
SRGAN
|
| github.com |
<strong>torch</strong>
|
| github.com |
<strong>torch</strong>
|
| github.com |
<strong>torch</strong>
|
| github.com |
<strong>torch</strong>
|
| github.com |
<strong>tensorlayer</strong>
|
| github.com |
<strong>torch</strong>
|
| github.com |
<strong>torch</strong>
|
| github.com |
<strong>torch</strong>
|
| github.com |
<strong>tensorlayer</strong>
|
| github.com |
<strong>torch</strong>
|
| github.com |
<strong>tensorflow</strong>
|
| github.com |
<strong>tensorlayer</strong>
|
| github.com |
<strong>tensorflow</strong>
|
| github.com |
<strong>torch</strong>
|
| github.com |
<strong>torch</strong>
|
| github.com |
<strong>tensorflow</strong>
|
| github.com |
<strong>tensorflow</strong>
|
| github.com |
<strong>tensorflow</strong>
|
| github.com |
<strong>torch</strong>
|
| github.com |
<strong>tensorlayer</strong>
|
| github.com |
<strong>torch</strong>
|
| zsdonghao.github.io |
Hao Dong
|
| github.com |
<svg class="svg-icon"><use xlink:href="/assets/minima-social-icons.svg#github"></use></svg> <span class="username">zsdonghao</span>
|
Конкуренты Готовность: 0%
Конкуренты в Яндексе
Кол-во: 0
Топ сайтов-конкурентов в Яндексе
?
Сайты, чаще всего появляющиеся в ТОПе Яндекса по запросам из семантического ядра этой страницы.
Мы не нашли у вас конкурентов в Яндексе. Сайт или очень молодой или плохо продвигается.
Конкурентов в ТОП-10 Яндекса не нашлось.
Конкуренты в Google
Кол-во: 0
Топ сайтов-конкурентов в Google
?
Сайты, чаще всего появляющиеся в ТОПе Google по запросам из семантического ядра этой страницы.
Конкуренты в Google тоже не найдены. Займитесь продвижением сайта!
Конкурентов в ТОП-10 Google не нашлось.
ЗоЗПП: права потребителей Готовность: 100%
Нарушения
Не выявлены
Признаков дистанционной продажи товаров (интернет-магазина) не обнаружено — требования ЗоЗПП о раскрытии информации продавца к сайту не применяются. Нарушений нет.
ФЗ-149: рекомендательные технологии Готовность: 100%
Нарушения
Не выявлены
Рекомендательные блоки («с этим покупают», «похожие товары» и т.п.) на сайте не обнаружены — требования ст. 10.7 ФЗ-149 к сайту не применяются. Нарушений нет.
ФЗ-38: реклама Готовность: 100%
Нарушения
Не выявлены
Рекламных тематик с обязательными оговорками (медицина, БАД, кредиты и займы, новостройки) на сайте не обнаружено. Нарушений нет.
ФЗ-436: защита детей Готовность: 100%
Нарушения
Не выявлены
Признаков информационной продукции (новости, видео, книги, игры, курсы) не обнаружено — обязательная возрастная маркировка по ФЗ-436 сайту не требуется. Нарушений нет.
Вердикт
Страница https://deep-generative-models.github.io/index2020.html готова к продвижению на 52%. Чтобы еще улучшить страницу и попасть на первые места поисковой выдачи необходимо:
Исправьте ошибки в мета-тегах.
Исправьте ошибки индексации.
Поделитесь с друзьями: