qm006

乱七八糟_杂乱知识点

临时学习的知识点有点乱，保存起来。

用这个漂亮的工具将方程式截图迅速转换为 LaTeX

https://zhuanlan.zhihu.com/p/48077774

SENet学习笔记

https://blog.csdn.net/xjz18298268521/article/details/79078551

http://www.sohu.com/a/161633191_465975

机器学习中特征的处理及选择

https://www.cnblogs.com/wkslearner/p/8933685.html

scorecardpy

https://github.com/ShichenXie/scorecardpy

attention机制

论文阅读: 图像分类中的注意力机制(attention)

https://blog.csdn.net/Wayne2019/article/details/78488142

目前主流的attention方法都有哪些？

https://www.zhihu.com/question/68482809/answer/595692566

Kudu Administration

https://www.oreilly.com/library/view/getting-started-with/9781491980248/ch04.html

美团机器学习实践》—— 读后总结

https://www.cnblogs.com/xing901022/p/9692348.html

github

https://github.com/ibayer/fastFM

Factorization Machines 学习笔记（四）学习算法

https://blog.csdn.net/itplus/article/details/40536025

推荐系统学习笔记之四 Factorization Machines 因子分解机 + Field-aware Factorization Machine(FFM) 场感知分解机

https://blog.csdn.net/asd136912/article/details/78318563

Introductory Guide – Factorization Machines & their application on huge datasets (with codes in Python)

https://www.analyticsvidhya.com/blog/2018/01/factorization-machines/

FM算法（Factorization Machine）

https://blog.csdn.net/g11d111/article/details/77430095

python3 拼接字符串的7种方法

https://www.cnblogs.com/Jimc/p/9634427.html

ython-argparse-命令行与参数解析

https://zhuanlan.zhihu.com/p/34395749

解析Python中的yield关键字

https://www.cnblogs.com/zhenlingcn/p/8337788.html

Python绘图问题：Matplotlib中指定图片大小和像素

https://blog.csdn.net/weixin_34613450/article/details/80678522

matplotlib（二）：画布(figure)与坐标轴(axes)的布局

https://blog.csdn.net/xiaoxu2050/article/details/82253828

Python代码中的捕捉性能-内存分析

https://blog.csdn.net/chenvast/article/details/78803911

解决Python memory error的问题（四种解决方案）

一、逐行读取

二、巧用pandas中read_csv的块读取功能

三、扩充虚拟内存

四、更新Pandas和Numpy库为64位

多进程异常处理

【python】多进程异常处理【multiprocessing】

https://blog.csdn.net/lixiaowang_327/article/details/81319923

https://blog.csdn.net/qq_34857250/article/details/79673698

python3 - Queue队列

https://blog.csdn.net/GeekLeee/article/details/77883252

The magic behind Attribute Access in Python

https://codesachin.wordpress.com/2016/06/09/the-magic-behind-attribute-access-in-python/

Python dict与dir()区别

https://blog.csdn.net/lis_12/article/details/53521554

1、无处不在的dict

https://www.cnblogs.com/alvin2010/p/9102344.html

A-深度学习基础.md

https://github.com/imhuay/Algorithm_Interview_Notes-Chinese/blob/master/A-%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0/A-%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E5%9F%BA%E7%A1%80.md

算法/深度学习/NLP面试笔记

https://github.com/imhuay/Algorithm_Interview_Notes-Chinese

第五章卷积神经网络（CNN）

https://github.com/scutan90/DeepLearning-500-questions/blob/master/ch05_%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C(CNN)/%E7%AC%AC%E4%BA%94%E7%AB%A0%20%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%EF%BC%88CNN%EF%BC%89.md

Topic Modeling and Latent Dirichlet Allocation (LDA) in Python

https://towardsdatascience.com/topic-modeling-and-latent-dirichlet-allocation-in-python-9bf156893c24

通俗理解LDA主题模型

https://blog.csdn.net/yhao2014/article/details/51098037

LDA---隐狄利克雷分布（TODO

https://www.jianshu.com/p/8ed5cb24ca0e

图网络

谱图（Spectral Graph Theory）理解（2）

https://blog.csdn.net/StreamRock/article/details/82769865

谱图（Spectral Graph Theory）理解（1）

https://blog.csdn.net/StreamRock/article/details/82754539

Spectral Graph Theory 谱图论简谈图的特征值和拉普拉斯型

http://www.lunarnai.cn/2018/02/04/spectral-graph/

图卷积Graph Convolutional Networks

https://blog.csdn.net/lemon759597/article/details/81104891

论文笔记之Spectral Networks and Deep Locally Connected Networks on Graphs

https://blog.csdn.net/BVL10101111/article/details/53426226

谱聚类（spectral clustering）原理总结

https://www.cnblogs.com/pinard/p/6221564.html

从CNN到GCN的联系与区别——GCN从入门到精（fang）通（qi）

https://blog.csdn.net/weixin_40013463/article/details/81089223

GRAPH CONVOLUTIONAL NETWORKS

http://tkipf.github.io/graph-convolutional-networks/#the-issue-with-regular-graphs

GraphSage: Representation Learning on Large Graphs

https://github.com/williamleif/GraphSAGE

Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering

https://github.com/mdeff/cnn_graph

图谱论(Spectral Graph Theory)基础

https://www.cnblogs.com/huangshiyu13/p/6237166.html

How powerful are Graph Convolutions? (review of Kipf & Welling, 2016)

https://www.inference.vc/how-powerful-are-graph-convolutions-review-of-kipf-welling-2016-2/

Spectral graph theory

https://en.wikipedia.org/wiki/Spectral_graph_theory

Laplacian_matrix

https://en.wikipedia.org/wiki/Laplacian_matrix

如何理解 Graph Convolutional Network（GCN）？

https://www.zhihu.com/question/54504471

浅析图卷积神经网络

https://www.jianshu.com/p/89fbed65cd04?winzoom=1

Variational Autoencoder: Intuition and Implementation

https://wiseodd.github.io/techblog/2016/12/10/variational-autoencoder/

从变分编码、信息瓶颈到正态分布：论遗忘的重要性

https://spaces.ac.cn/archives/6181

去雾算法

https://www.cnblogs.com/molakejin/p/5708883.html

宽度学习

DeepLearning | Broad Learning System 宽度学习系统 : 高效增量式浅层神经网络

https://blog.csdn.net/Liangjun_Feng/article/details/80541689

Broad-Learning-System

https://github.com/LiangjunFeng/Broad-Learning-System

浅谈对JIT编译器的理解。

https://www.cnblogs.com/insistence/p/5901457.html

CUDA编程之快速入门

https://www.cnblogs.com/skyfsm/p/9673960.html

CUDA编程(一): 老黄和他的核弹们

https://www.jianshu.com/p/6c4ec3490559

CUDA编程(三): GPU架构了解一下!

https://www.jianshu.com/p/87cf95b1faa0

Faster R-CNN - 目标检测详解

https://blog.csdn.net/zziahgf/article/details/79311275

一文读懂Faster RCNN

https://zhuanlan.zhihu.com/p/31426458

(Mask RCNN)——论文详解(真的很详细)

https://blog.csdn.net/wangdongwei0/article/details/83110305

Mask RCNN 源代码解析 (1) - 整体思路

https://blog.csdn.net/hnshahao/article/details/81231211

Mask R-CNN详解

https://blog.csdn.net/WZZ18191171661/article/details/79453780

MASK RCNN 源码阅读(UPDATE)

https://www.cnblogs.com/YouXiangLiThon/p/9178861.html

mask_rcnn keras源码跟读1）模型搭建

https://blog.csdn.net/jiangpeng59/article/details/80351423

MaskRCNN源码解读

https://blog.csdn.net/horizonheart/article/details/81188161

Faster R-CNN (object detection) implemented by Keras for custom data from Google’s Open Images Dataset V4

https://towardsdatascience.com/faster-r-cnn-object-detection-implemented-by-keras-for-custom-data-from-googles-open-images-125f62b9141a

聊聊目标检测中的多尺度检测（Multi-Scale），从YOLO，ssd到FPN，SNIPER，SSD填坑贴和极大极小目标识别

http://nooverfit.com/wp/%E8%81%8A%E8%81%8A%E7%9B%AE%E6%A0%87%E6%A3%80%E6%B5%8B%E4%B8%AD%E7%9A%84%E5%A4%9A%E5%B0%BA%E5%BA%A6%E6%A3%80%E6%B5%8B%EF%BC%88multi-scale%EF%BC%89%EF%BC%8C%E4%BB%8Eyolo%EF%BC%8Cssd%E5%88%B0fpn/

从RCNN到SSD，这应该是最全的一份目标检测算法盘点

https://www.jiqizhixin.com/articles/2018-04-27

图像目标检测一——RCNN

https://www.jianshu.com/p/11df675c9699

神经网络优化（初始化权重）

https://blog.csdn.net/qq_29133371/article/details/51868103

Convolutional Neural Networks from the ground up

https://towardsdatascience.com/convolutional-neural-networks-from-the-ground-up-c67bb41454e1

卷积神经网络CNN（1）——图像卷积与反卷积（后卷积，转置卷积）

https://blog.csdn.net/fate_fjh/article/details/52882134

densenet与resneXt的巧妙结合-DPN网络

https://blog.csdn.net/Chunfengyanyulove/article/details/80509739

ResNext与Xception——对模型的新思考

https://zhuanlan.zhihu.com/p/28839889

论文阅读理解 - ResNeXt - Aggregated Residual Transformations for DNN

https://blog.csdn.net/zziahgf/article/details/78854456

想入门设计卷积神经网络？这是一份综合设计指南

https://zhuanlan.zhihu.com/p/36791720

卷积神经网络（CNN）的结构设计都有哪些思想？

https://www.zhihu.com/question/312556066

双线性插值及其在图像中的应用

https://blog.csdn.net/hzhj2007/article/details/79449659

双线性插值的实现方法：filter+deconv

https://zhuanlan.zhihu.com/p/38964806

图像上采样：双线性插值，Deconv，Spatial transform

https://blog.csdn.net/qq_42277222/article/details/82726864

反卷积转置卷积的理解

https://www.cnblogs.com/wmr95/p/9551490.html

对深度可分离卷积、分组卷积、空洞卷积、转置卷积的理解

https://blog.csdn.net/yqmind/article/details/82977172

[转载]对深度可分离卷积、分组卷积、扩张卷积、转置卷积（反卷积）的理解

https://www.cnblogs.com/marsggbo/p/9737991.html

对深度可分离卷积、分组卷积、扩张卷积、转置卷积（反卷积）的理解

https://blog.csdn.net/Chaolei3/article/details/79374563?utm_source=blogkpcl7

我读Faster R-CNN

https://blog.csdn.net/xuanwu_yan/article/details/52426862

深度学习中的Normalization模型

https://zhuanlan.zhihu.com/p/43200897

既然cnn对图像具有平移不变性，那么利用图像平移（shift）进行数据增强来训练cnn会有效果吗？

https://www.zhihu.com/question/301522740/answer/531606623

通俗理解卷积神经网络（cs231n与5月dl班课程笔记）

https://blog.csdn.net/v_JULY_v/article/details/51812459

全卷积网络 FCN 详解

https://www.cnblogs.com/gujianhan/p/6030639.html

FCN 全卷积网络

https://blog.csdn.net/it_lxg123/article/details/80680821

FCN于反卷积(Deconvolution)、上采样(UpSampling)

https://blog.csdn.net/nijiayan123/article/details/79416764

GAN

https://www.cnblogs.com/noahzhixiao/p/10171410.html

Wasserstein GAN and the Kantorovich-Rubinstein Duality

https://vincentherrmann.github.io/blog/wasserstein/

mnist_gangp.py

https://github.com/bojone/gan/blob/master/mnist_gangp.py

FPN

FPN（feature pyramid networks）算法讲解

https://blog.csdn.net/u014380165/article/details/72890275/

FPN详解

https://blog.csdn.net/WZZ18191171661/article/details/79494534

FPN（feature pyramid networks）算法讲解

https://blog.csdn.net/u014380165/article/details/72890275

Review: MSDNet — Multi-Scale Dense Networks (Image Classification)

https://towardsdatascience.com/review-msdnet-multi-scale-dense-networks-image-classification-4d949955f6d5

conv_arithmetic

https://github.com/lujingqiao/conv_arithmetic

纵览轻量化卷积神经网络：SqueezeNet、MobileNet、ShuffleNet、Xception

https://zhuanlan.zhihu.com/p/32746221?utm_source=wechat_session&utm_medium=social

深度学习之基础模型-Xception

https://blog.csdn.net/whz1861/article/details/78395684

深度可分离卷积（Xception 与 MobileNet 的点滴）

https://www.jianshu.com/p/38dc74d12fcf

Xception算法详解

https://blog.csdn.net/u014380165/article/details/75142710

Deep Learning-TensorFlow (13) CNN卷积神经网络_ GoogLeNet 之 Inception(V1-V4)

https://blog.csdn.net/diamonjoy_zone/article/details/70576775

大话CNN经典模型：GoogLeNet（从Inception v1到v4的演进

https://my.oschina.net/u/876354/blog/1637819

CVPR 2018 | 使用CNN生成图像先验，实现更广泛场景的盲图像去模糊

https://cloud.tencent.com/developer/article/1101224

ResNet介绍

https://blog.csdn.net/u013181595/article/details/80990930

https://blog.csdn.net/lanran2/article/details/79057994

深度学习VGG模型核心拆解

https://blog.csdn.net/qq_40027052/article/details/79015827

深度学习之基础模型-VGG

https://blog.csdn.net/whz1861/article/details/78111606

VGG-16、VGG-19(论文阅读《Very Deep Convolutional NetWorks for Large-Scale Image Recognition》)

https://blog.csdn.net/u011440696/article/details/77756776

一文读懂VGG网络

https://zhuanlan.zhihu.com/p/41423739

深度学习（二十三）Maxout网络学习

https://blog.csdn.net/hjimce/article/details/50414467

EM算法及其应用： K-means 与高斯混合模型

https://www.cnblogs.com/massquantity/p/9416109.html

第十二、十三课 K-means算法高斯混合模型

https://www.jianshu.com/p/5d546dab15f2

“Understanding Dynamic Routing between Capsules (Capsule Networks)”

https://jhui.github.io/2017/11/03/Dynamic-Routing-Between-Capsules/

Code for Capsule model used in the following paper:

https://github.com/Sarasra/models/tree/master/research/capsules

Unet 论文解读代码解读

https://www.jianshu.com/p/f9b0c2c74488

深入理解深度学习分割网络Ｕnet——U-Net: Convolutional Networks for Biomedical Image Segmentation

https://blog.csdn.net/Formlsl/article/details/80373200

BERT的理解

https://blog.csdn.net/yangfengling1023/article/details/84025313

斯坦福cs231n学习笔记（11）------神经网络训练细节（梯度下降算法大总结/SGD/Momentum/AdaGrad/RMSProp/Adam/牛顿法）

https://blog.csdn.net/huplion/article/details/79184338

找出无向图中所有的环的算法

https://blog.csdn.net/robin_xu_shuai/article/details/51898847

深度优先遍历找出一个无向图中的环

https://blog.csdn.net/dfq12345/article/details/78004876

判断一个图是否有环

http://www.cnblogs.com/TenosDoIt/p/3644225.html

Spark动态分配资源

https://blog.csdn.net/terrorblade1235/article/details/78322389

Spark动态资源分配-Dynamic Resource Allocation

http://lxw1234.com/archives/2015/12/593.htm

Spark 以及 spark streaming 核心原理及实践

https://www.cnblogs.com/liuliliuli2017/p/6809094.html

Spark入门实战系列--7.Spark Streaming（上）--实时流计算Spark Streaming原理介绍

https://www.cnblogs.com/shishanyuan/p/4747735.html

Spark Streaming基础与实践

https://blog.csdn.net/ForgetThatNight/article/details/79766015#

hive

linux nc命令使用详解(转)

https://www.cnblogs.com/boluoboluo/p/6437787.html

正交矩阵

https://zh.wikipedia.org/wiki/%E6%AD%A3%E4%BA%A4%E7%9F%A9%E9%98%B5

-- 未完待续 --

你可能感兴趣的:(deep,learning)

机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习 python
一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
JavaScript 中，深拷贝（Deep Copy）和浅拷贝（Shallow Copy）跳房子的前端前端面试 javascript 开发语言 ecmascript
在JavaScript中，深拷贝（DeepCopy）和浅拷贝（ShallowCopy）是用于复制对象或数组的两种不同方法。了解它们的区别和应用场景对于避免潜在的bugs和高效地处理数据非常重要。以下是对深拷贝和浅拷贝的详细解释，包括它们的概念、用途、优缺点以及实现方式。1.浅拷贝（ShallowCopy）概念定义：浅拷贝是指创建一个新的对象或数组，其中包含了原对象或数组的基本数据类型的值和对引用数
深度 Qlearning：在直播推荐系统中的应用 AGI通用人工智能之禅程序员提升自我硅基计算碳基计算认知计算生物计算深度学习神经网络大数据 AIGC AGI LLM Java Python 架构设计 Agent 程序员实现财富自由
深度Q-learning：在直播推荐系统中的应用关键词：深度Q-learning,强化学习,直播推荐系统,个性化推荐1.背景介绍1.1问题的由来随着互联网技术的飞速发展,直播平台如雨后春笋般涌现。面对海量的直播内容,用户很难快速找到自己感兴趣的内容。因此,个性化推荐系统在直播平台中扮演着越来越重要的角色。1.2研究现状目前,主流的个性化推荐算法包括协同过滤、基于内容的推荐等。这些方法在一定程度上缓
深度学习-点击率预估-研究论文2024-09-14速读 sp_fyf_2024 深度学习人工智能
深度学习-点击率预估-研究论文2024-09-14速读1.DeepTargetSessionInterestNetworkforClick-ThroughRatePredictionHZhong,JMa,XDuan,SGu,JYao-2024InternationalJointConferenceonNeuralNetworks,2024深度目标会话兴趣网络用于点击率预测摘要：这篇文章提出了一种新
探索未来，大规模分布式深度强化学习——深入解析IMPALA架构汤萌妮Margaret
探索未来，大规模分布式深度强化学习——深入解析IMPALA架构scalable_agent项目地址:https://gitcode.com/gh_mirrors/sc/scalable_agent在当今的人工智能研究前沿，深度强化学习（DRL）因其在复杂任务中的卓越表现而备受瞩目。本文要介绍的是一个开源于GitHub的重量级项目：“ScalableDistributedDeep-RLwithImp
云服务业界动态简报-20180128 Captain7
一、青云青云QingCloud推出深度学习平台DeepLearningonQingCloud，包含了主流的深度学习框架及数据科学工具包，通过QingCloudAppCenter一键部署交付，可以让算法工程师和数据科学家快速构建深度学习开发环境，将更多的精力放在模型和算法调优。二、腾讯云1.腾讯云正式发布腾讯专有云TCE(TencentCloudEnterprise)矩阵，涵盖企业版、大数据版、AI
机器学习VS深度学习 nfgo 机器学习
机器学习（MachineLearning,ML）和深度学习（DeepLearning,DL）是人工智能（AI）的两个子领域，它们有许多相似之处，但在技术实现和应用范围上也有显著区别。下面从几个方面对两者进行区分：1.概念层面机器学习：是让计算机通过算法从数据中自动学习和改进的技术。它依赖于手动设计的特征和数学模型来进行学习，常用的模型有决策树、支持向量机、线性回归等。深度学习：是机器学习的一个子领
ResNet的半监督和半弱监督模型 Valar_Morghulis
Billion-scalesemi-supervisedlearningforimageclassificationhttps://arxiv.org/pdf/1905.00546.pdfhttps://github.com/facebookresearch/semi-supervised-ImageNet1K-models/权重在timm中也有：https://hub.fastgit.org/r
联邦学习 Federated learning Google I/O‘19 笔记努力搬砖的星期五笔记联邦学习机器学习机器学习 tensorflow
FederatedLearning:MachineLearningonDecentralizeddatahttps://www.youtube.com/watch?v=89BGjQYA0uE文章目录FederatedLearning:MachineLearningonDecentralizeddata1.DecentralizeddataEdgedevicesGboard:mobilekeyboa
PCL 怎样可视化深度图像 LeonDL168 PCL 计算机视觉人工智能视觉检测图像处理算法
本小节讲解如何可视化深度图像的两种方法，在3D视窗中以点云形式进行可视化（深度图像来源于点云），另一种是，将深度值映射为颜色，从而以彩色图像方式可视化深度图像。代码首先，在PCL（PointCloudLearning）中国协助发行的书提供光盘的第7章例2文件夹中，打开名为range_image_visualization.cpp的代码文件，同文件夹下可以找到相关的测试点云文件room_scan1.
el-dialog高度设置夏之小星星前端 vue.js elementui css
el-dialog高度设置::v-deep.el-dialog{height:78vh;overflow:auto;}
elementuiPlus取消el-input的边框 qq_39016177 elementui
elementuiPlus取消el-input的边框1.通常取消边框的方法设置border为none2.还有其他类似边框的例如outlinebox-shadow这两个属性都是会产生边框效果3.el-input需要更改的话–如下需要修改box-shadow为空即可上代码:deep(.el-input__wrapper){align-items:center;background-color:#F7F
【双语新闻】AGI安全与对齐，DeepMind近期工作曲奇人工智能安全 agi 安全 llama 人工智能
我们想与AF社区分享我们最近的工作总结。以下是关于我们正在做什么，为什么会这么做以及我们认为它的意义所在的一些详细信息。我们希望这能帮助人们从我们的工作基础上继续发展，并了解他们的工作如何与我们相关联。byRohinShah,SebFarquhar,AncaDragan21stAug2024AIAlignmentForumWewantedtosharearecapofourrecentoutput
Awesome TensorFlow weixin_30594001 人工智能移动开发大数据
AwesomeTensorFlowAcuratedlistofawesomeTensorFlowexperiments,libraries,andprojects.Inspiredbyawesome-machine-learning.WhatisTensorFlow?TensorFlowisanopensourcesoftwarelibraryfornumericalcomputationusin
【ShuQiHere】探索人工智能核心：机器学习的奥秘 ShuQiHere 人工智能机器学习
【ShuQiHere】什么是机器学习？机器学习（MachineLearning,ML）是人工智能（ArtificialIntelligence,AI）中最关键的组成部分之一。它使得计算机不仅能够处理数据，还能从数据中学习，从而做出预测和决策。无论是语音识别、自动驾驶还是推荐系统，背后都依赖于机器学习模型。机器学习与传统的编程不同，它不再依赖于人类编写的固定规则，而是通过数据自我改进模型，从而更灵活
综述论文“A Survey of Zero-Shot Learning: Settings, Methods, and Applications” 硅谷秋水机器学习机器学习神经网络深度学习
该零样本学习综述，发表于ACMTrans.Intell.Syst.Technol.10,2,Article13(January2019)摘要：大多数机器学习方法着重于对已经在训练中看到其类别的实例进行分类。实际上，许多应用程序需要对实例进行分类，而这些实例的类以前没有见过。零样本学习（Zero-ShotLearning）是一种强大而有前途的学习范例，其中训练实例涵盖的类别与想分类的类别是不相交的。
机器学习 VS 表示学习 VS 深度学习 Efred.D 人工智能机器学习深度学习人工智能
文章目录前言一、机器学习是什么?二、表示学习三、深度学习总结前言本文主要阐述机器学习,表示学习和深度学习的原理和区别.一、机器学习是什么?机器学习(machinelearning),是从有限的数据集中学习到一定的规律,再把学到的规律应用到一些相似的样本集中做预测.机器学习的历史可以追溯到20世纪40年代McCulloch提出的人工神经元网络,目前学界大致把机器学习分为传统机器学习和机器学习两个类别
端到端的自动驾驶论文与代码整理大别山伧父自动驾驶
LearningbyCheatinggithubcodearxivpaperconferenceonrobotlearning最新进展(May2021)Checkoutourlatestfollow-upwork:WorldonRails(2020)Checkoutoursubmissiontothe2020CARLAChallenge!pass
Lt-8 Multithreading yanlingyun0210 java
IntendedLearningOutcomesTounderstandtheconceptofconcurrency.Tounderstandthedifferenceofaprocessandathread.TodefineathreadusingtheThreadclassandRunnableinterface.TocontrolthreadswithvariousThreadmethod
如何使用Pytorch-Metric-Learning？鱼儿也有烦恼 PyTorch pytorch
文章目录如何使用Pytorch-Metric-Learning？1.Pytorch-Metric-Learning库9个模块的功能1.1Sampler模块1.2Miner模块1.3Loss模块1.4Reducer模块1.5Distance模块1.6Regularizer模块1.7Trainer模块1.8Tester模块1.9Utils模块2.如何使用PyTorchMetricLearning库中的
[Kaiming]Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification MTandHJ neural networks
文章目录概主要内容PReLUKaiming初始化ForwardcaseBackwardcaseHeK,ZhangX,RenS,etal.DelvingDeepintoRectifiers:SurpassingHuman-LevelPerformanceonImageNetClassification[C].internationalconferenceoncomputervision,2015:1
深度神经网络详解：原理、架构与应用阿达C 活动 dnn 计算机网络人工智能神经网络机器学习深度学习
深度神经网络（DeepNeuralNetwork，DNN）是机器学习领域中最为重要和广泛应用的技术之一。它模仿人脑神经元的结构，通过多层神经元的连接和训练，能够处理复杂的非线性问题。在图像识别、自然语言处理、语音识别等领域，深度神经网络展示了强大的性能。本文将深入解析深度神经网络的基本原理、常见架构及其实际应用。一、深度神经网络的基本原理1.1神经元和感知器神经元是深度神经网络的基本组成单元。一个
前端开发需要了解的算法知识史努比的大头算法前端
手写深拷贝functiondeepClone(obj){//处理基础数据类型和函数if(obj===null||typeofobj!=='object'){returnobj;}//处理数组if(Array.isArray(obj)){returnobj.map(item=>deepClone(item));}//处理对象constclonedObj={};for(constkeyinobj){i
推荐开源项目：PyTorch-Metric-Learning 潘惟妍
推荐开源项目：PyTorch-Metric-Learningpytorch-metric-learningTheeasiestwaytousedeepmetriclearninginyourapplication.Modular,flexible,andextensible.WritteninPyTorch.项目地址:https://gitcode.com/gh_mirrors/py/pytorc
推荐：FastAPI驱动的稳定扩散LLMs演示项目褚知茉Jade
推荐：FastAPI驱动的稳定扩散LLMs演示项目FastAPI-for-Machine-Learning-Live-DemoThisrepositorycontainsthefilestobuildyourveryownAIimagegenerationwebapplication!OutlinedarethecorecomponentsoftheFastAPIwebframework,anda
【python】【Ray的概述】资源存储库 python 开发语言
Overview概述Rayisanopen-sourceunifiedframeworkforscalingAIandPythonapplicationslikemachinelearning.Itprovidesthecomputelayerforparallelprocessingsothatyoudon’tneedtobeadistributedsystemsexpert.Rayminimi
什么是监督学习（Supervised Learning）救救孩子把 AI AI 学习
一、监督学习概述监督学习（SupervisedLearning）是一种极具威力的机器学习方法，能够训练算法以识别数据中的模式，并据此进行精准的预测或分类。借助已有的标记数据，监督学习模型学会了从输入到输出的映射关系，进而在各类实际问题中实现自动化决策。无论是医疗诊断、金融市场分析、客户行为预测，还是提升生产效率以及个性化推荐系统等领域，监督学习都彰显出巨大的潜力与价值。随着技术的持续进步，监督学习
LLM系列(4)：通义千问7B在Swift/DeepSpeed上微调秘诀与实战陷阱避坑指南汀、人工智能 LLM工业级落地实践人工智能自然语言处理 prompt Swifi DeepSpeed 通义千问 Qwen
LLM系列(4)：通义千问7B在Swift/DeepSpeed上微调秘诀与实战陷阱避坑指南阿里云于2023年8月3日开源通义千问70亿参数模型，包括通用模型Qwen-7B以及对话模型Qwen-7B-Chat，这也是国内首个开源自家大模型的大厂。在诸多权威大模型能力测评基准上，如MMLU、C-Eval、GSM8K、HumanEval、WMT22，通义千问7B均取得了同参数级别开源模型中的最好表现，
使用3DUNet训练自己的数据集（pytorch）— 医疗影像分割编程日记✧ 智能医疗 pytorch 人工智能 python 计算机视觉图像处理深度学习健康医疗
代码：lee-zq/3DUNet-Pytorch:3DUNetimplementedwithpytorch(github.com)文章<cicek16miccai.pdf(uni-freiburg.de)3DU-Net:LearningDenseVolumetricSegmentation
探索任务的隐秘世界：推荐Task2Vec 邓越浪Henry
探索任务的隐秘世界：推荐Task2Vecaws-cv-task2vecOfficialcodeforthepaper"Task2Vec:TaskEmbeddingforMeta-Learning"(https://arxiv.org/abs/1902.03545,ICCV2019)项目地址:https://gitcode.com/gh_mirrors/aw/aws-cv-task2vec在机器学习
PHP，安卓，UI，java，linux视频教程合集 cocos2d-x小菜 java UI linux PHP android
╔-----------------------------------╗┆
zookeeper admin 笔记 braveCS zookeeper
Required Software 1) JDK>=1.6 2)推荐使用ensemble的ZooKeeper(至少3台)，并run on separate machines 3)在Yahoo!，zk配置在特定的RHEL boxes里，2个cpu，2G内存，80G硬盘数据和日志目录 1)数据目录里的文件是zk节点的持久化备份，包括快照和事务日
Spring配置多个连接池 easterfly spring
项目中需要同时连接多个数据库的时候，如何才能在需要用到哪个数据库就连接哪个数据库呢？ Spring中有关于dataSource的配置： <bean id="dataSource" class="com.mchange.v2.c3p0.ComboPooledDataSource" &nb
Mysql 171815164 mysql
例如，你想myuser使用mypassword从任何主机连接到mysql服务器的话。 GRANT ALL PRIVILEGES ON *.* TO 'myuser'@'%'IDENTIFIED BY 'mypassword' WI TH GRANT OPTION; 如果你想允许用户myuser从ip为192.168.1.6的主机连接到mysql服务器，并使用mypassword作
CommonDAO（公共/基础DAO） g21121 DAO
好久没有更新博客了，最近一段时间工作比较忙，所以请见谅，无论你是爱看呢还是爱看呢还是爱看呢，总之或许对你有些帮助。 DAO(Data Access Object)是一个数据访问（顾名思义就是与数据库打交道）接口，DAO一般在业
直言有讳永夜-极光感悟随笔
1.转载地址:http://blog.csdn.net/jasonblog/article/details/10813313 精华: “直言有讳”是阿里巴巴提倡的一种观念，而我在此之前并没有很深刻的认识。为什么呢？就好比是读书时候做阅读理解，我喜欢我自己的解读，并不喜欢老师给的意思。在这里也是。我自己坚持的原则是互相尊重，我觉得阿里巴巴很多价值观其实是基本的做人
安装CentOS 7 和Win 7后，Win7 引导丢失随便小屋 centos
一般安装双系统的顺序是先装Win7，然后在安装CentOS，这样CentOS可以引导WIN 7启动。但安装CentOS7后，却找不到Win7 的引导，稍微修改一点东西即可。一、首先具有root 的权限。即进入Terminal后输入命令su，然后输入密码即可二、利用vim编辑器打开/boot/grub2/grub.cfg文件进行修改 v
Oracle备份与恢复案例 aijuans oracle
Oracle备份与恢复案例一. 理解什么是数据库恢复当我们使用一个数据库时，总希望数据库的内容是可靠的、正确的，但由于计算机系统的故障（硬件故障、软件故障、网络故障、进程故障和系统故障）影响数据库系统的操作，影响数据库中数据的正确性，甚至破坏数据库，使数据库中全部或部分数据丢失。因此当发生上述故障后，希望能重构这个完整的数据库，该处理称为数据库恢复。恢复过程大致可以分为复原(Restore)与
JavaEE开源快速开发平台G4Studio v5.0发布無為子
我非常高兴地宣布,今天我们最新的JavaEE开源快速开发平台G4Studio_V5.0版本已经正式发布。访问G4Studio网站 http://www.g4it.org 2013-04-06 发布G4Studio_V5.0版本功能新增 (1). 新增了调用Oracle存储过程返回游标，并将游标映射为Java List集合对象的标
Oracle显示根据高考分数模拟录取百合不是茶 PL/SQL编程 oracle例子模拟高考录取学习交流
题目要求: 1,创建student表和result表 2,pl/sql对学生的成绩数据进行处理 3,处理的逻辑是根据每门专业课的最低分线和总分的最低分数线自动的将录取和落选 1,创建student表,和result表学生信息表; create table student( student_id number primary key,--学生id
优秀的领导与差劲的领导 bijian1013 领导管理团队
责任优秀的领导：优秀的领导总是对他所负责的项目担负起责任。如果项目不幸失败了，那么他知道该受责备的人是他自己，并且敢于承认错误。差劲的领导：差劲的领导觉得这不是他的问题，因此他会想方设法证明是他的团队不行，或是将责任归咎于团队中他不喜欢的那几个成员身上。努力工作优秀的领导：团队领导应该是团队成员的榜样。至少，他应该与团队中的其他成员一样努力工作。这仅仅因为他
js函数在浏览器下的兼容 Bill_chen jquery 浏览器 IE DWR ext
做前端开发的工程师，少不了要用FF进行测试，纯js函数在不同浏览器下，名称也可能不同。对于IE6和FF，取得下一结点的函数就不尽相同： IE6：node.nextSibling,对于FF是不能识别的； FF：node.nextElementSibling,对于IE是不能识别的；兼容解决方式：var Div = node.nextSibl
【JVM四】老年代垃圾回收：吞吐量垃圾收集器(Throughput GC) bit1129 垃圾回收
吞吐量与用户线程暂停时间衡量垃圾回收算法优劣的指标有两个：吞吐量越高，则算法越好暂停时间越短，则算法越好首先说明吞吐量和暂停时间的含义。垃圾回收时，JVM会启动几个特定的GC线程来完成垃圾回收的任务，这些GC线程与应用的用户线程产生竞争关系，共同竞争处理器资源以及CPU的执行时间。GC线程不会对用户带来的任何价值，因此，好的GC应该占
J2EE监听器和过滤器基础白糖_ J2EE
Servlet程序由Servlet，Filter和Listener组成，其中监听器用来监听Servlet容器上下文。监听器通常分三类：基于Servlet上下文的ServletContex监听，基于会话的HttpSession监听和基于请求的ServletRequest监听。 ServletContex监听器 ServletContex又叫application
博弈AngularJS讲义(16) - 提供者 boyitech js AngularJS api Angular Provider
Angular框架提供了强大的依赖注入机制，这一切都是有注入器(injector)完成. 注入器会自动实例化服务组件和符合Angular API规则的特殊对象，例如控制器，指令，过滤器动画等。那注入器怎么知道如何去创建这些特殊的对象呢？ Angular提供了5种方式让注入器创建对象，其中最基础的方式就是提供者(provider), 其余四种方式(Value, Fac
java-写一函数f(a,b)，它带有两个字符串参数并返回一串字符，该字符串只包含在两个串中都有的并按照在a中的顺序。 bylijinnan java
public class CommonSubSequence { /** * 题目：写一函数f(a,b)，它带有两个字符串参数并返回一串字符，该字符串只包含在两个串中都有的并按照在a中的顺序。 * 写一个版本算法复杂度O(N^2)和一个O(N) 。 * * O(N^2)：对于a中的每个字符，遍历b中的每个字符，如果相同，则拷贝到新字符串中。 * O(
sqlserver 2000 无法验证产品密钥 Chen.H sql windows SQL Server Microsoft
在 Service Pack 4 (SP 4), 是运行 Microsoft Windows Server 2003、 Microsoft Windows Storage Server 2003 或 Microsoft Windows 2000 服务器上您尝试安装 Microsoft SQL Server 2000 通过卷许可协议 (VLA) 媒体。这样做, 收到以下错误信息CD KEY的 SQ
[新概念武器]气象战争 comsci
气象战争的发动者必须是拥有发射深空航天器能力的国家或者组织.... 原因如下: 地球上的气候变化和大气层中的云层涡旋场有密切的关系,而维持一个在大气层某个层次
oracle 中 rollup、cube、grouping 使用详解 daizj oracle grouping rollup cube
oracle 中 rollup、cube、grouping 使用详解 -- 使用oracle 样例表演示转自namesliu -- 使用oracle 的样列库，演示 rollup, cube, grouping 的用法与使用场景 --- ROLLUP ，为了理解分组的成员数量，我增加了分组的计数 COUNT(SAL)
技术资料汇总分享 Dead_knight 技术资料汇总分享
本人汇总的技术资料，分享出来，希望对大家有用。 http://pan.baidu.com/s/1jGr56uE 资料主要包含： Workflow->工作流相关理论、框架(OSWorkflow、JBPM、Activiti、fireflow...) Security->java安全相关资料(SSL、SSO、SpringSecurity、Shiro、JAAS...) Ser
初一下学期难记忆单词背诵第一课 dcj3sjt126com english word
could 能够 minute 分钟 Tuesday 星期二 February 二月 eighteenth 第十八 listen 听 careful 小心的，仔细的 short 短的 heavy 重的 empty 空的 certainly 当然 carry 携带；搬运 tape 磁带 basket 蓝子 bottle 瓶 juice 汁，果汁 head 头；头部
截取视图的图片, 然后分享出去 dcj3sjt126com OS Objective-C
OS 7 has a new method that allows you to draw a view hierarchy into the current graphics context. This can be used to get an UIImage very fast. I implemented a category method on UIView to get the vi
MySql重置密码 fanxiaolong MySql重置密码
方法一: 在my.ini的[mysqld]字段加入： skip-grant-tables 重启mysql服务，这时的mysql不需要密码即可登录数据库然后进入mysql mysql>use mysql; mysql>更新 user set password=password('新密码') WHERE User='root'; mysq
Ehcache（03）——Ehcache中储存缓存的方式 234390216 ehcache MemoryStore DiskStore 存储驱除策略
Ehcache中储存缓存的方式目录 1 堆内存（MemoryStore） 1.1 指定可用内存 1.2 驱除策略 1.3 元素过期 2 &nbs
spring mvc中的@propertysource jackyrong spring mvc
在spring mvc中，在配置文件中的东西，可以在java代码中通过注解进行读取了： @PropertySource 在spring 3.1中开始引入比如有配置文件 config.properties mongodb.url=1.2.3.4 mongodb.db=hello 则代码中 @PropertySource(&
重学单例模式 lanqiu17 单例 Singleton 模式
最近在重新学习设计模式，感觉对模式理解更加深刻。觉得有必要记下来。第一个学的就是单例模式，单例模式估计是最好理解的模式了。它的作用就是防止外部创建实例，保证只有一个实例。单例模式的常用实现方式有两种，就人们熟知的饱汉式与饥汉式，具体就不多说了。这里说下其他的实现方式静态内部类方式: package test.pattern.singleton.statics; publ
.NET开源核心运行时，且行且珍惜 netcome java .net 开源
背景 2014年11月12日，ASP.NET之父、微软云计算与企业级产品工程部执行副总裁Scott Guthrie，在Connect全球开发者在线会议上宣布，微软将开源全部.NET核心运行时，并将.NET 扩展为可在 Linux 和 Mac OS 平台上运行。.NET核心运行时将基于MIT开源许可协议发布，其中将包括执行.NET代码所需的一切项目——CLR、JIT编译器、垃圾收集器（GC）和核心
使用oscahe缓存技术减少与数据库的频繁交互 Everyday都不同 Web 高并发 oscahe缓存
此前一直不知道缓存的具体实现，只知道是把数据存储在内存中，以便下次直接从内存中读取。对于缓存的使用也没有概念，觉得缓存技术是一个比较”神秘陌生“的领域。但最近要用到缓存技术，发现还是很有必要一探究竟的。缓存技术使用背景：一般来说，对于web项目，如果我们要什么数据直接jdbc查库好了，但是在遇到高并发的情形下，不可能每一次都是去查数据库，因为这样在高并发的情形下显得不太合理——
Spring+Mybatis 手动控制事务 toknowme mybatis
@Override public boolean testDelete(String jobCode) throws Exception { boolean flag = false; &nbs
菜鸟级的android程序员面试时候需要掌握的知识点 xp9802 android
熟悉Android开发架构和API调用掌握APP适应不同型号手机屏幕开发技巧熟悉Android下的数据存储熟练Android Debug Bridge Tool 熟练Eclipse/ADT及相关工具熟悉Android框架原理及Activity生命周期熟练进行Android UI布局熟练使用SQLite数据库；熟悉Android下网络通信机制，S

乱七八糟_杂乱知识点

用这个漂亮的工具将方程式截图迅速转换为 LaTeX

目前主流的attention方法都有哪些？

解析Python中的yield关键字

matplotlib（二）：画布(figure)与坐标轴(axes)的布局

https://blog.csdn.net/xiaoxu2050/article/details/82253828

Python代码中的捕捉性能-内存分析

解决Python memory error的问题（四种解决方案）

一、逐行读取

二、巧用pandas中read_csv的块读取功能

三、扩充虚拟内存

四、更新Pandas和Numpy库为64位

【python】多进程异常处理【multiprocessing】

The magic behind Attribute Access in Python

Python __dict__与dir()区别

1、无处不在的__dict__

A-深度学习基础.md

算法/深度学习/NLP面试笔记

第五章 卷积神经网络（CNN）

Topic Modeling and Latent Dirichlet Allocation (LDA) in Python

通俗理解LDA主题模型

LDA---隐狄利克雷分布（TODO

谱图（Spectral Graph Theory）理解（1）

图卷积Graph Convolutional Networks

论文笔记之Spectral Networks and Deep Locally Connected Networks on Graphs

谱聚类（spectral clustering）原理总结

从CNN到GCN的联系与区别——GCN从入门到精（fang）通（qi）

GraphSage: Representation Learning on Large Graphs

Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering

图谱论(Spectral Graph Theory)基础

How powerful are Graph Convolutions? (review of Kipf & Welling, 2016)

Spectral graph theory

如何理解 Graph Convolutional Network（GCN）？

浅析图卷积神经网络

Variational Autoencoder: Intuition and Implementation

去雾算法

DeepLearning | Broad Learning System 宽度学习系统 : 高效增量式浅层神经网络

Broad-Learning-System

浅谈对JIT编译器的理解。

CUDA编程之快速入门

CUDA编程(一): 老黄和他的核弹们

CUDA编程(三): GPU架构了解一下!

Faster R-CNN - 目标检测详解

(Mask RCNN)——论文详解(真的很详细)

Mask RCNN 源代码解析 (1) - 整体思路

MASK RCNN 源码阅读(UPDATE)

mask_rcnn keras源码跟读1）模型搭建

MaskRCNN源码解读

Faster R-CNN (object detection) implemented by Keras for custom data from Google’s Open Images Dataset V4

聊聊目标检测中的多尺度检测（Multi-Scale），从YOLO，ssd到FPN，SNIPER，SSD填坑贴和极大极小目标识别

从RCNN到SSD，这应该是最全的一份目标检测算法盘点

图像目标检测一——RCNN

神经网络优化（初始化权重）

Convolutional Neural Networks from the ground up

卷积神经网络CNN（1）——图像卷积与反卷积（后卷积，转置卷积）

densenet与resneXt的巧妙结合-DPN网络

ResNext与Xception——对模型的新思考

论文阅读理解 - ResNeXt - Aggregated Residual Transformations for DNN

想入门设计卷积神经网络？这是一份综合设计指南

卷积神经网络（CNN）的结构设计都有哪些思想？

双线性插值及其在图像中的应用

双线性插值的实现方法：filter+deconv

图像上采样：双线性插值，Deconv，Spatial transform

反卷积 转置卷积的理解

对深度可分离卷积、分组卷积、空洞卷积、转置卷积的理解

[转载]对深度可分离卷积、分组卷积、扩张卷积、转置卷积（反卷积）的理解

对深度可分离卷积、分组卷积、扩张卷积、转置卷积（反卷积）的理解

我读Faster R-CNN

深度学习中的Normalization模型

FCN 全卷积网络

FCN于反卷积(Deconvolution)、上采样(UpSampling)

Wasserstein GAN and the Kantorovich-Rubinstein Duality

mnist_gangp.py

FPN详解

FPN（feature pyramid networks）算法讲解

Review: MSDNet — Multi-Scale Dense Networks (Image Classification)

conv_arithmetic

纵览轻量化卷积神经网络：SqueezeNet、MobileNet、ShuffleNet、Xception

深度学习之基础模型-Xception

深度可分离卷积（Xception 与 MobileNet 的点滴）

Python dict与dir()区别

1、无处不在的dict

第五章卷积神经网络（CNN）

反卷积转置卷积的理解

EM算法及其应用： K-means 与高斯混合模型

第十二、十三课 K-means算法高斯混合模型

Unet 论文解读代码解读