Religio Germanica
Multi tool use
|
Haec commentatio vicificanda est ut rationibus qualitatis propositis obtemperet.
Quapropter rogamus ut corrigas praecipue introductionem, formam, nexusque extra et intra Vicipaediam.
|
Nomina Latina deorum Germanicorum |
Pauca scimus de religione prisca Germanica ex fontibus Romanis, quorum primus omnium est Cornelii Taciti de Origine et Situ Germanorum libri, unde scimus haec (inter alia) nomina:
Mars Thingsius (id est Tiw, Tyr)
Mercurius (id est Othinus)
Hercules (id est Thorus)
Nerthus (id est, plus minusve, Njörðr)
Quando gentes Germanicae nomina dierum hebdomadis acceperunt, hasce aequationes fecerunt:
Mars = Tiw
Mercurius = Othinus
Iuppiter = Thorus
Venus = Freyja (vel fortasse Frigga)
Habemus nonnulla nomina apud fontes seriores:
Apud Originem gentis Langobardorum:
Apud Adamum Bremensem:
Thor, -is (=Iuppiter)
Wodan, -is ("id est furor" =Mars)
Fricco, -nis (=Priapus)
Apud Willielmum Malmesburiensem
Voden (indecl.)
Frea, -ae uxor eius.
Apud Galfridum Monemutensem
Saturnus (=?)
Woden (indecl.) =Mercurius
Apud Saxonem Grammaticum:
Othinus (Óðinn)
Thor (indecl.), vel Thorus (Þórr)
Frigg, vel Frigga, vel Frig ("Paulo teste, auctore Frig dea Longobardorum vocabulum") (Frigg)
Balderus (Baldr)
- Høtherus (Höðr)
- Nanna, -ae uxor eius (Nanna)
- Frø, "deorum satrapa" (Freyr)
- Geruthus (Geirröðr)
- Utgarthilocus (Útgarða-Loki)
Apud Flores Historiarum
- Saturnus
- Iuppiter
Voden (Indecl.), Mercurius
Frea, -ae, Venus
Mythologia Nordica |
- Res principalis: Mythologia Nordica
Mythologia Nordica, subcategoria mythologiae Germanicae, est nomen mythis, legendis, et fidibus a populis Nordicis creditum.
.mw-parser-output .stipula{padding:3px;background:#F7F8FF;border:1px solid grey;margin:auto}.mw-parser-output .stipula td.cell1{background:transparent;color:white}
|
Haec stipula ad mythologiam spectat. Amplifica, si potes!
|
fdIZlLk PzP,cJw924S66p4q7m1Ksooy 8zYyXSVTcRUio6EmOyOogNHYAE3,D3l5Cd,clpDnYPdiTmbFjMQBfS76YsCh,Nrd9r8F 8 FW
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...
