Vicus Tuscus
Multi tool use
Vicus Tuscus[1]Romae fuit ea via quae ducit ab foro Romano inter basilicam Iuliam et aedem Castoris, ad meridiem sub clivo occidentali Palatini, ab qua multum commutatum erat inter forum Romanum et forum Boarium Circumque Maximum,[2] atque ad finem orientalem Velabri.
Nomen est dictum derivatum ab Etruscis ibi colentibus, aut qui Romam fugissent Porsenna apud Ariciam expulso,[3] aut qui succursum Romanis contra T. Tatium properavissent.[4] Credibilius est autem cultum fuisse illud locum fabris qui Romae aedem Iovis Capitolini aedificarent--quam explicationem Tacitus fortasse leviter suggessit.[5]
statua Vortumni in hac via stetit, quem deum Etruriae principem dixit Varro.[6] propter loci statum frequentatissimus fuisset hic vicus, et variae tabernae ibi erant.[7]
turarii videntur praeclarissimi, sicut commentarii posteriores mentionem vicum Turarium pro vico Tusco faciunt.[8]
fama vici Tusci subflagidiosa videtur.[9] anno 1899, extracto pavimento ex aevo serio classico vel mediaevali inter basilicam Iuliam et aedem Castoris, patebant interim aliud pavimentum latericulicum 15 metra mensum, quod originem ante aedem a Tiberio restauratum habet, attinens verisimiliter ad templum ei priorem; sed iam hoc effossum est rursus obtectum.[10]
Notae |
↑ hoc est in Latinum conversum ab articulo anglice Plater-Ashbey 1929 per Thayerem accesso
↑ Liv. 26.37.15, 33.26.9; Dionys. 5.36.4
↑ Fest. 354, 355; Liv. 2.14.9; Dionys. 5.36
↑ Varro, LL 5.46; Serv. ad Aen. 5.560; Prop. 4.2.79‑80
↑ Tac. Ann. IV.65
↑ Varro loc. cit.
↑ Mart. 11.27.11: de Tusco Serica vico; CIL 6.9976, 33923, vestiarius; xiv.2433, purpurarius; cf. Fest. 340: magistro de vico Tusco.
↑ Porphyr. ad Hor. Epist. i.20.1; ii.1.269; Comm. Cruq. ad Hor. Epist. i.20.1; Ps. Ascon. ad Cic. in Verr. II.1.154; Or. p200; Jord. I.2.469; Thédenat 174
↑ Plaut. Curc. 482: in Tusco vico ibi sunt homines qui ipsi sese venditant; Hor. Sat. II.3.228: Tusci turba impia vici
↑ BC 1899, 253; CR 1899, 466; JRS 1922, 16‑17). v. Iord. I.1.273-274, 295; 2.469; Gilb. II.101-118; iii.416; Thédenat 174, 213; DR 509, 510
DLtl slF5vJ6
Popular posts from this blog
Tabula multilinguis Rosettana in Museo Britannico ostenditur. Tabula Rosettana, [1] etiam titulo OGIS 90 agnita, est stela decreto de rebus sacris in Aegypto anno 196 a.C.n. lato inscripta. Tabula iuxta Rosettam Aegypti, urbem in delta Nili et ad oram maris Mediterranei iacentem, anno 1799 a milite Francico reperta est. Inventio stelae, linguis duabus scripturisque tribus inscriptae, eruditis Instituti Aegypti statim nuntiata est; ibi enim iussu imperatoris Napoleonis eruditi omnium scientiarum (sub aegide Commissionis Scientiarum et Artium) properaverant cum expeditione Francica. Qua a Britannis mox debellata, tabula Rosettana Londinium missa hodie apud Museum Britannicum iacet. Textus Graecus cito lectus interpretationi textuum Aegyptiorum (in formis hieroglyphica et demotica expressorum) gradatim adiuvit. Denique textum plene interpretatus est Ioannes Franciscus Champollion. Ab opere eruditorum cumulativo coepit hodiernus scripturae hieroglyphicae linguaeque Aegyptiae a...
1
$begingroup$
This is what I mean as document text image: I want to label the texts in image as separate blocks and my model should detect these labels as classes. NOTE: This is how the end result should be like: The labels like Block 1, Block 2, Block 3,.. should be Logo, Title, Date,.. Others, etc. Work done: First approach : I tried to implement this method via Object Detection, it didn't work. It didn't even detect any text. Second approach : Then I tried it using PixelLink. As this model is build for scene text detection, it detected each and every text in the image. But this method can detect multiple lines of text if the threshold values are increased. But I have no idea how do I add labels to the text blocks. PIXEL_CLS_WEIGHT_all_ones = 'PIXEL_CLS_WEIGHT_all_ones' PIXEL_C...
1
$begingroup$
I have this LSTM model model = Sequential() model.add(Masking(mask_value=0, input_shape=(timesteps, features))) model.add(LSTM(100, dropout=0.2, recurrent_dropout=0.2, return_sequences=False)) model.add(Dense(features, activation='softmax')) model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) and shapes X_train (21, 11, 5), y_train (21, 5) . Each timestep is represented by 5 features and return_sequences is set to False because I want to predict one 5D array (the next timestep) for each input sequence of 11 timesteps. I get the error ValueError: y_true and y_pred have different number of output (5!=1) If I reshape the data as X_train (21, 11, 5), y_train (21, 1, 5) instead I get the error ValueError: Inva...
