Understanding 第14页

深入了解IPFS（1/6）：从入门到高级指南

原文：https://medium.com/hackernoon/understanding-ipfs-in-depth-1-5-a-beginner-to-advanced-guide-e937675a8c8a

Null_Value·2020-08-13 22:58

ZFNet 详细解读（Visualizing and Understanding Convolutional Networks）

❤文章有点长，可以收藏一下慢慢看哦~提出本模型的论文：VisualizingandUnderstandingConvolutionalNetworks一、写在前面的话1.为什么神经网络能够表现这么好？仅靠一个理论上的自学习和一个理论上的多参数和一个理论上的非线性分类是无法令人们满意的。神经网络的黑盒子特性也让充满好奇心的机器学习学者们拼命想解开神经网络的秘密。在解密神经网络的庞大队伍中的重要分支是

木土九日·2020-08-13 18:20

《Improving Langugage Understanding by Generative Pre-Tranining》 —— GPT

目录《ImprovingLangugageUnderstandingbyGenerativePre-Tranining》1、GPT历史意义2、无监督预训练——通过大量未标记语料学习网络的初始参数3、SupervisedFine-Tuning4、Task-specificinputtransformations5、实验结果5.1模型结构5.2GPT模型在不同任务上的表现5.2.1文本蕴含任务5.2.

努力努力努力努力·2020-08-13 17:01

《BERT:Pre-training of Deep Bidirectional Transformers for Language Understanding》

目录《BERT:Pre-trainingofDeepBidirectionalTransformersforLanguageUnderstanding》1、Bert研究意义2、摘要3、Bert衍生模型以及Elmo、GPT、Bert对比3.1RoBERTa3.2ALBERT3.3其它3.4ELMO、GPT、BERT比较4、ModelArchitecture5、Pre-trainingBERT5.1B

努力努力努力努力·2020-08-13 17:01

iptables中DNAT与SNAT的理解

文章出处：http://blog.myhnet.cn/2009/01/12/my-understanding-about-dnat-and-snat-in-iptables/DNAT(DestinationNetworkAddressTranslation

ixidof·2020-08-13 14:55

Video Understanding（3）——Spatio-Temporal Action Localization时空动作定位

刚开始研究动作时，主要学习的是动作识别ActionRecognize方向的内容，它的目标是给一段切割好的视频分类、打上动作类别标签，一般视频的长度在2-5s不等。后来又研究了动作检测ActionDetect方向的内容，区别在于它针对的是未经过切割的原生视频，给出视频中动作的起始/终止时间点、类别信息。在实际场景中，一个画面可能包含不止一个人，这个人可能在同一时间点进行着多种动作（比如，走路时打电话

dagongji10·2020-08-13 11:15

理解I/O：随机和顺序

转自:http://www.violin-memory.com/blog/understanding-io-random-vs-sequential/StorageforDBAs:Everbeentooneofthosesushirestaurantswherethefoodcomesroundindishesonaconveyorbelt

技术菌的blog·2020-08-13 11:03

理解LSTM网络

英文原地址：http://colah.github.io/posts/2015-08-Understanding-LSTMs/中文原地址：http://www.jianshu.com/p/9dc9f41f0b29RecurrentNeuralNetworks

小妖精Fsky·2020-08-11 23:49

[译]深入理解JVM Understanding JVM Internals

英文原版地址：http://www.cubrid.org/blog/dev-platform/understanding-jvm-internals/翻不了墙的可以看这个英文版：https://www.it610

hugeo-coala·2020-08-11 23:30

Understanding Data Sources

https://docs.oracle.com/cd/E17984_01/doc.898/e14695/undrstnd_datasources.htm5UnderstandingDataSourcesThischaptercontainsthefollowingtopics:DataSourcesRequiredDataSourceTypesDatabaseStructuresSystemDat

amy116·2020-08-11 21:02

HBase技术介绍

http://www.searchtb.com/2011/01/understanding-hbase.html一HBase简介HBase–HadoopDatabase，是一个高可靠性、高性能、面向列、

和大黄·2020-08-11 16:17

分享java采坑解决问题的链接

lyndonchin.gitbooks.io/kotlin-docs-zh/content/basics/00_basic-types.htmlJWThttp://blog.leapoahead.com/2015/09/06/understanding-jwt

灬点点·2020-08-10 19:09

div+css - 工具 - Internet Explorer Developer Toolbar - IE开发工具栏

BriefDescription简述TheMicrosoftInternetExplorerDeveloperToolbarprovidesavarietyoftoolsforquicklycreating,understanding

胡争辉·2020-08-09 21:12

Visualizing and Understanding convolutional networks

LargeconvolutionalnetworksmodelonImageNet(Krizhevsky,A.,Sutskever,I.andHinton,G.E.ImageNetClassificationwithDeepConvolutionalNeuralNetworks,AdvancesinNeuralInformationProcessing25,2012)Whytheyperforms

依海之燕·2020-08-09 16:25

【论文笔记】Global Textual Relation Embedding for Relational Understanding

一句话概括：使用全局共同出现的文本和知识库(KB)数据统计来训练embeddingIntroduction动机在词级别、entity级别至句子级别之间的embedding是缺失的许多任务需要relation的理解。相比于自己之前提出来的GloRE(globalrelationembedding)（挺无聊的，就是借鉴了一下glove，创新点非常小，换了个domain耍猴），强调了自己这一波要训练一个

DrogoZhang·2020-08-09 14:11

Understanding Convolutions

http://colah.github.io/posts/2014-07-Understanding-Convolutions/PostedonJuly13,2014neuralnetworks,convolutionalneuralnetworks

weixin_33690367·2020-08-09 14:32

Visualizing and Understanding Convolutional Networks

前言：研究卷积神经网络，把阅读到的一些文献经典的部分翻译一下，写成博客，代码后续给出，不足之处还请大家指出。本文来自:tony-tan.comGithub:github.com/Tony-Tan大型卷积神经网络在图片分类上很成功，然而我们不知道他为什么能表现的如此不错，或者如何提高。#Abstract：Inthispaperweaddressbothissues.Weintroduceanovel

weixin_30608503·2020-08-09 13:43

Understanding Deep Image Representations by Inverting Them

核心公式：Thispaperproposedanoptimisationmethodtoinvertshallowanddeeprepresentationsbasedonoptimizinganobjectivefunctionwithgradientdescent.核心：文章提出的是用基于梯度的方法优化一个目标函数来实现浅层和深层表达的反转。公式含义解释：代码理解：invert.nn是核心代码

echo爱毛毛1990·2020-08-09 13:27

Understanding CNN

首先介绍BP的概念：简单的描述就是，输入层将刺激传递给隐藏层，隐藏层通过神经元之间联系的强度（权重）和传递规则（激活函数）将刺激传到输出层，输出层整理隐藏层处理的后的刺激产生最终结果。若有正确的结果，那么将正确的结果和产生的结果进行比较，得到误差，再逆推对神经网中的链接权重进行反馈修正，从而来完成学习的过程。这就是BP神经网的反馈机制，也正是BP（BackPropagation）名字的来源：运用向

Alanyannick·2020-08-09 12:12

11g Understanding Automatic Diagnostic Repository.

BeginningwithRelease11g,OracleDatabaseincludesanadvancedfaultdiagnosabilityinfrastructureforpreventing,detecting,diagnosing,andresolvingproblems.Thisnotehelpstounderstandthenew11ginfrastructureknownas

Dave·2020-08-09 12:34

GAN Dissection: Visualizing and Understanding Generative Adversarial Networks

GANDissection:VisualizingandUnderstandingGenerativeAdversarialNetworks该论文介绍了一个可视化和理解生成网络学得结构的框架，通过定义一些可解释的单元并通过干涉这些单元来探究生成网络中的因果关系。GANpaint工具本文还提供了一个非常有意思的demo，只要鼠标划过，GAN就可以立即在你指定的地方画出云彩、草地、门和树等景物，并直接

EwanRenton·2020-08-09 12:37

『论文阅读』Understanding deep learning requires rethinking generalization

ABSTRACTINTRODUCTION1CONTRIBUTIONS11Randomizationtests12Theroleofexplicitregularization13有限的样本表达Finitesampleexpressivity14TheroleofimplicitregularizationEFFECTIVECAPACITYOFNEURALNETWORKS使用随机标签和像素FITTI

立刻有·2020-08-09 12:45

（翻译）Understanding Convolutional Neural Networks for NLP

原文：UnderstandingConvolutionalNeuralNetworksforNLP当我们听说卷积神经网络（CNN）时，我们通常会想到计算机视觉。CNN负责图像分类方面的重大突破，是目前大多数计算机视觉系统的核心，从Facebook的自动照片标签到自动驾驶汽车。最近，我们也开始将CNN应用于自然语言处理中的问题，并获得了一些有趣的结果。在这篇文章中，我将尝试总结CNN是什么，以及它们

qubeijun·2020-08-09 11:33

【Deep Learning】笔记：Understanding the difficulty of training deep feedforward neural networks

这几天读了这篇论文，在这里将大致内容写在这里。Abstract介绍这篇论文的主要内容就是尝试更好的理解为什么使用“标准随机初始化”来计算使用标准梯度下降的网络效果通常来讲都不是很好。首先研究了不同的非线性激活函数的影响，发现sigmoid函数它的均值会导致在隐层中很容易到达函数的饱和区域，因此sigmoid激活函数在随机初始化的深度网络中并不合适。但同时惊喜的发现，处于饱和的神经元能够自己“逃脱出

S大幕·2020-08-09 10:08

[深度学习]Visualizing and Understanding Convolutional Networks阅读笔记

现在我需要用到深度学习做图像分类的任务，虽然之前对CNN有过一定的了解，但我还是第一次真正使用它来解决问题，相关论文看的也比较少，最近恶补了一下近几年比较有名的关于深度学习的论文，写到博客上总结一下，接下来应该会陆续写一个系列。《VisualizingandUnderstandingConvolutionalNetworks》一文是Matthew和Rob两人在2013年发表的论文，文章的主要贡献是

lhanchao·2020-08-09 09:38

Understanding g

Understanding5GANALYSISUnderstanding5G:PerspectivesonfuturetechnologicaladvancementsinmobileDecember2014

yuanmeng001·2020-08-09 05:43

[翻译]深入理解Tornado——一个异步web服务器

本人的第一次翻译，转载请注明出处：http://www.cnblogs.com/yiwenshengmei/archive/2011/06/08/understanding_tornado.html原文地址

weixin_33795806·2020-08-09 00:26

Understanding Automatic Memory Management Other Versions Leave feedback Execution Order of Event Fun

InUnityscripting,thereareanumberofeventfunctionsthatgetexecutedinapredeterminedorderasascriptexecutes.Thisexecutionorderisdescribedbelow:FirstSceneLoadThesefunctionsgetcalledwhenascenestarts(onceforea

兔角姑娘·2020-08-08 18:36

ZFNet: Visualizing and Understanding Convolutional Networks (2013) 全文翻译

作者：MatthewD.ZeilerandRobFergus（Dept.ofComputerScience,NewYorkUniversity,USA,{zeiler,fergus}@cs.nyu.edu）摘要大型卷积网络模型最近在ImageNetbenchmark中Krizhevsky等人身上展示了令人印象深刻的分类性能。但是，对于它们为什么表现如此出色或如何进行改进尚无明确的解释。在本文中，我

魏晓蕾·2020-08-08 15:29

【论文笔记】Birthday, Name and Bifacial-security Understanding Passwords of Chinese Web Users"

title:“【论文笔记】Birthday,NameandBifacial-securityUnderstandingPasswordsofChineseWebUsers”date:2019-10-24lastmod:2019-10-24description:“对中文密码进行实证分析，发现中文密码中有趣的结构和特征，揭示了中文密码的双相安全性（Bifacial-security）。”tags:[

M2kar·2020-08-08 00:17

NLU（Natural Language Understanding）太难了

原文链接：https://github.com/fighting41love/hardNLUNLUishard!!!一直关注刘群老师的微博，常常看见他分享的一些好玩的#自然语言理解太难了#。遂整理了NLU实在是太难了系列语句，大家一笑无妨。这里列举了一些关于分词、实体识别、知识图谱相关的语句，按照难度从低到高排列，最高难度的放在了最后（需要强大的知识图谱哦，欢迎大家把答案开在issue里）。难度：

shiter·2020-08-06 13:53

【论文笔记】BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

本文主要用于记录谷歌发表于2018年的一篇论文。该论文提出的BERT模型被各地学者媒体美誉为NLP新一代大杀器。本笔记主要为方便初学者快速入门，以及自我回顾。论文链接：https://arxiv.org/pdf/1706.03762.pdf基本目录如下：摘要核心思想总结------------------第一菇-摘要------------------1.1论文摘要本文作者推出了一套新的语言表达模

一只进阶的程序媛·2020-08-06 13:13

阅读笔记：BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

简介转自：https://baijiahao.baidu.com/s?id=1619193829009842342&wfr=spider&for=pcgoogleAI团队发布，被NLP业内公认为里程碑式的进步。回顾原文链接：https://blog.csdn.net/triplemeng/article/details/83053419现在有很多利用预训练的语言表征来完成下游NLP任务的研究，作者

tangpoza·2020-08-06 13:04

BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

引言Google在2018年发出来的论文，原文地址：BERT:Pre-trainingofDeepBidirectionalTransformersforLanguageUnderstandingBERT实际上是一个语言编码器，或者说做的是representaion方面的工作，主要作用是将输入的句子或者段落转化为相应的语义特征。作者提到当前的很多工作都限制了pre-train的潜力，传统语言模型是

lpty·2020-08-06 13:26

论文翻译：BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

BERT:Pre-trainingofDeepBidirectionalTransformersforLanguageUnderstandingBERT：用于语言理解的深度双向变换器的预训练摘要我们引入了一个新的语言表示模型BERT，它代表了来自Transformers的双向编码器表示。与最近的语言表示模型不同（Peters等人，2018a;Radford等人，2018），BERT旨在通过在所有层

s_tatic_·2020-08-06 12:59

bert论文解析——BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

BERT:Pre-trainingofDeepBidirectionalTransformersforLanguageUnderstanding前言bert是google在NLP方面的一个重要的工作，可以说一定程度上改变了NLP领域的研究方式。bert获得了2019NAACL的最佳长论文奖。简介预训练模型bert，连同之前的ELMO和GPT，可以说开创了NLP的『预训练模型时代』。这3个模型，总体

da_kao_la·2020-08-06 12:45

Multi-Task Deep Neural Networks for Natural Language Understanding的理解

今天分享的这篇论文是最近微软提出一个新的多任务深度神经网络模型——MT-DNN。MT-DNN结合了多任务学习和BERT的优点，并在10大自然语言理解任务上超越了BERT。首先，学习文本的向量表示（语言嵌入）是许多自然语言理解任务的基础，因为该过程是由自然语言文本到语义向量表示的转化。目前，获得向量表示的方式有两种，一种是多任务学习，另一种是语言模型预训练。多任务学习是一种归纳迁移机制，基本目标是提

小川PK立波·2020-08-06 12:24

Multi-Task Deep Neural Networks for Natural Language Understanding阅读笔记

MT-DNNIntroduction学习文本的向量空间表达对许多自然语言理解问题都很重要.现在两个比较流行的方法是multi-tasklearninglanguagemodelpre-training在这篇论文中,作者提出结合两种方法的网络–Multi-TaskDeepNeuralNetwork(MT-DNN).1.Multi-Tasklearningmulti-tasklearning优点:监督

Leokb24·2020-08-06 12:34

在Bert上利用多域数据继续预训练+多域分类器：Multi-Task Deep Neural Networks for Natural Language Understanding

用于自然语言理解的多任务深度神经网络Abstract1Introduction2Tasks3TheProposedMT-DNNModel3.1TheTrainingProcedure4ExperimentsSNLISciTailAbstract在本文中，我们提出了一个多任务深度神经网络(MT-DNN)，用于跨多个自然语言理解(NLU)任务的学习反应。MT-DNN不仅利用了大量的跨任务数据，而且还得

三重极简·2020-08-06 12:22

HT for Web基于HTML5的图像操作（三）

属性达到了染色效果，其实CSS也提供了一些常规图像变化的设置参数，关于CSS的过滤器Filter设置可参考http://www.html5rocks.com/en/tutorials/filters/understanding-css

图扑软件·2020-08-05 20:33

深入理解Express

https://github.com/syaning/understanding-express本文同时发布于我的博客本文主要通过是对Express的一个较为深入的分析，至于对Express的源码分析，

linsujue·2020-08-05 13:10

如何可视化PyTorch的网络模型计算图和后传路径图（可视化PyTorch网络结构）

pytorchviz）可以用来方便地绘制PyTorch正向网络计算图和后传计算路径，本文讲解如何使用PyTorchViz包，主要参考网站包括：https://towardsdatascience.com/understanding-pytorch-with-an-example-a-step-by-step-tut

亲亲Friends·2020-08-05 02:38

理解TCP/IP协议栈(1)

翻译自:https://www.cubrid.org/blog/understanding-tcp-ip-network-stack目前我们的internet服务都是基于TCP/IP来开发的,无法想像没有

moxiaomomo·2020-08-05 01:21

理解TCP/IP协议栈(3)

翻译自:https://www.cubrid.org/blog/understanding-tcp-ip-network-stack如何处理中断及接收包中断处理很复杂,而你需要理解与之相关的到达包处理的性能