注意力 机器
[机器学习复习笔记] RNN 循环神经网络
RNN 循环神经网络 1. RNN 1.1 RNN 示意图及时序展开 此处的 \(\text{RNN}\) 模型采用的是 \(\text{BPTT}\) 算法（随时间反向传播） \(x^{(t)}\) 表示输入层的输入 \(U\) 为输入层到隐藏层的权值参数 \(h^{(t)}\) 表示隐藏层的输出 ......
[机器学习复习笔记] CNN 卷积神经网络
CNN 卷积神经网络 1. 二维卷积公式（机器学习） \[O(i, j) = \sum^{kh}_{i = 0} \sum^{kw}_{j = 0} w(i, j) * I(i + kh, j + kw) \]上述公式中，\(O\) 为输出矩阵，\(I\) 为输入矩阵，\(w\) 为卷积核，\(kh ......
配置局域网下其他机器通过SSH连接到本机的WSL
本机要打火影，所以不能开WSL，但是又想用本机写代码，所以想着在局域网下的另一台机器上开了一个WSL2，通过本机去SSH到另一台机器上写代码。以下方案适用于WSL2。 重装ssh 首先要在那台运行着WSL的机器上重装一下ssh服务： sudo apt remove openssh-server su ......
机器视觉在农业、医疗等领域的应用与拓展
机器视觉在农业、医疗等领域有着广泛的应用和拓展，以下是具体的介绍： 在农业领域，机器视觉技术可以用于农作物生长状态监测、品质检测、产量预测等方面。通过对农作物的生长状态进行实时监测，可以及时发现病虫害、营养不足等问题，采取相应的补救措施，提高农作物的质量和产量。同时，机器视觉技术还可以用于农产品质量 ......
机器学习——卷积神经网络
对于表格数据（其中行对应样本，列对应特征），我们寻找的模式可能涉及特征之间的交互，但是我们不能预先假设任何与特征交互相关的先验结构。 此时，多层感知机可能是最好的选择，然而对于高维感知数据，这种缺少结构的网络可能会变得不实用。原因如下： 当特征数非常高维时，全连接网络的参数会变得极大，导致计算成本大 ......
Jmeter分布式测试的注意事项和常见问题
Jmeter分布式测试的注意事项和常见问题 Jmeter是一款开源的性能测试工具，使用Jmeter进行分布式测试时，也需要注意一些细节和问题，否则可能会影响测试结果的准确性和可靠性。 Jmeter分布式测试时需要特别注意的几个方面 1. 参数化文件的位置和内容 如果使用csv文件进行参数化，即通过读 ......
使用LIME解释各种机器学习模型代码示例
机器学习模型变得越来越复杂和准确，但它们的不透明性仍然是一个重大挑战。理解为什么一个模型会做出特定的预测，对于建立信任和确保它按照预期行事至关重要。在本文中，我们将介绍LIME，并使用它来解释各种常见的模型。 LIME LIME (Local Interpretable Model-agnostic ......
无法获得锁 /var/lib/dpkg/lock-frontend。锁正由进程 3701（unattended-upgr）持有 N: 请注意，直接移除锁文件不一定是合适的解决方案，且可能损坏您的系统。 E: 无法获取 dpkg 前端锁 (/var/lib/dpkg/lock-frontend)，是否有其他进程正占用它？
当用apt-get时遇到无法获得锁 /var/lib/dpkg/lock-frontend。锁正由进程 3701（unattended-upgr）持有N: 请注意，直接移除锁文件不一定是合适的解决方案，且可能损坏您的系统。E: 无法获取 dpkg 前端锁 (/var/lib/dpkg/lock-fr ......
二手房买卖注意事项
产权确认★★★★★ 产权证上的房主是否与卖房人是同一个人，核对卖方身份证或工商档案中的名称与房产证上的房屋所有人是否一致，原则上是一个字也不能错。 产权证上注明的面积与实际面积是否有不符之处 。 看该房屋是否有房屋共有权人，如果房屋为多人共有，则须卖房人提供所有共有人的身份证件及同意出卖房屋的书面文 ......
VS中使用svn注意事项
VS中使用svn注意事项 1、程序需定期编译通过后上传SVN，每天可上传多次，根据个人程序开发进度决定，但每天晚下班前必须将当天的程序编译调试通过并上传SVN。每天早上上班首先需要更新SVN最新版本。 上传的工作流程应该是，更新——编译运行——上传。这个工作流程那一步也不能缺少。更新是在把 别人提交 ......
机器学习——GPU
张量与GPU 不同GPU之间操作 神经网络与GPU 总结 我们可以指定用于存储和计算的设备，例如CPU或GPU。默认情况下，数据在主内存中创建，然后使用CPU进行计算。 深度学习框架要求计算的所有输入数据都在同一设备上，无论是CPU还是GPU。 不经意地移动数据可能会显著降低性能。一个典型的错误如下 ......
机器学习——模型保存和加载
以PyTorch为例 class MLP(nn.Module): def __init__(self): super().__init__() self.hidden = nn.Linear(20, 256) self.output = nn.Linear(256, 10) def forward( ......
机器学习——自定义层
深度学习成功背后的一个因素是神经网络的灵活性： 我们可以用创造性的方式组合不同的层，从而设计出适用于各种任务的架构。 例如，研究人员发明了专门用于处理图像、文本、序列数据和执行动态规划的层。 有时我们会遇到或要自己发明一个现在在深度学习框架中还不存在的层。 在这些情况下，必须构建自定义层。本节将展示 ......
【专题】2023中国工业机器人应用与趋势研究报告PDF合集分享（附原数据表）
原文链接：https://tecdat.cn/?p=34132 自18世纪中期工业革命以来，人类进入工业社会。在历次工业革命中，人类通过发明创造和管理革新，改进生产方式、降低成本、提高效率，随之而来的是生活、物质、文化、教育等各方面的变化，人际关系和社会结构也得以重塑。如今，数字化技术的发展为工业注 ......
移动端注意事项及坑位2(JS)
学习 中高级前端必须注意的40条移动端H5坑位指南 | 网易三年实践 1.禁止点击穿透 在移动端浏览器上不使用click事件而使用touch事件是因为click事件有着明显的延迟，后续又出现fastclick。该解决方案监听用户是否做了双击操作，可正常使用click事件，而点击穿透就交给fastcl ......
【专题】2023年中国仿生机器人产业全景报告PDF合集分享（附原数据表）
原文链接：https://tecdat.cn/?p=34144 原文出处：拓端数据部落公众号 仿生机器人作为一类结合了仿生学原理的机器人，具备自主决策和规划行动的能力，正逐渐进入大众视野。它们的核心技术要素包括感知与认知技术、运动与控制技术、人机交互技术和自主决策技术。 阅读原文，获取专题报告合集全 ......
移动端注意事项及坑位1(CSS)
学习 中高级前端必须注意的40条移动端H5坑位指南 | 网易三年实践 1.调用系统功能 a标签能快速调用移动设备电话/短信/邮件功能，input标签可快速调用移动设备相册文件 <!-- 拨打电话 --> <a href="tel:10086">拨打电话给10086小姐姐</a> <!-- 发送短信 ......
我们在开发第一个flutter小程序时需要注意什么
Flutter这些年发展的很快，特别是在 Google 持续的加持下，Flutter SDK 的版本号已经来到了 3开头，也正式开始对 Windows、macOS 和 Linux 桌面环境提供支持。如果从 Flutter 特有的优势来看，我个人认为主要是它已经几乎和原生的性能表现没什么太大的差别，这... ......
机器学习从入门到放弃：硬train一发手写数字识别
一、前言 前面我们了解了关于机器学习使用到的数学基础和内部原理，这一次就来动手使用 pytorch 来实现一个简单的神经网络工程，用来识别手写数字的项目。自己动手后会发现，框架里已经帮你实现了大部分的数学底层逻辑，例如数据集的预处理，梯度下降等等，所以只要你有足够棒的idea，你大部分都能相对轻松去 ......
使用async和await获取axios的数据注意事项
使用async和await获取axios的数据的注意事项 确定正确使用 async function getInfo() { const res = await axios.get('http://example.com') return res.data } 上述代码等同于 async funct ......
三维模型的顶层合并构建几个注意事项探讨
三维工厂K3DMaker是一款三维模型浏览、分析、轻量化、顶层合并构建、几何校正、格式转换、调色裁切等功能专业处理软件。可以进行三维模型的网格简化、纹理压缩、层级优化等操作，从而实现三维模型轻量化。轻量化压缩比大，模型轻量化效率高，自动化处理能力高；采用多种算法对三维模型进行几何精纠正处理，精度高，... ......
字符串的一些注意事项
字符串的一些注意事项 如何把数字转换成字符串 在Java中，您可以使用多种方法将数字类型转换为字符串类型。以下是一些常见的方法： 使用 String.valueOf() 方法： int number = 42;String str = String.valueOf(number); 使用字符串拼接（ ......
[机器学习] 5. 一致收敛性 Uniform Convergency
回顾不可知 PAC 的定义 定义 一个假设类 \(\mathcal H\) 是不可知 PAC 可学习的，如果存在函数 \(m_{\mathcal H} : (0, 1)^2 \to \mathbb N\) 和一个学习算法满足，对任意 \(\epsilon, \delta \in (0, 1)\)、\ ......
机器学习中的优化方法——两种梯度下降法的Python实验报告
1 背景 考虑正则逻辑回归的反对函数（Consider the objection function of regularized logistic regression）： \[\begin{gather*} \mathop{min}\limits_{x\in\mathbb{R}^d}f(x)=\ ......
影响机器视觉精度的关键因素
1、最小测量单位为所需测量公差带的十分之一。 2、当试图测量非常小的特征（例如分辨率低于0.001mm）时，可以使用长波长的颜色，例如蓝色或紫色来提高对比度。如果零件处于运动状态，请考虑使LED照明器频闪以获得最佳强度和灯泡寿命。 ......
2022 CCPC 华为云计算挑战赛 机器人
题目链接 其实是补2023CCPC秦皇岛热身赛C 主要思路跟IOI2021分糖果是一样的，区别就是这里不是对总的区间二分，而是指定区间 所以先做一次区间询问把对应的log个线段树区间拿出来，然后就是二分一样的思路，不过是在序列上，所以要先逆序找到第一个不满足条件的线段树区间，然后进到它对应的子树里二 ......
机器学习——延后初始化
到目前为止，我们忽略了建立网络时需要做的以下这些事情： 我们定义了网络架构，但没有指定输入维度。 我们添加层时没有指定前一层的输出维度。 我们在初始化参数时，甚至没有足够的信息来确定模型应该包含多少参数。 有些读者可能会对我们的代码能运行感到惊讶。 毕竟，深度学习框架无法判断网络的输入维度是什么。 ......
机器学习——参数管理
参数访问 我们从已有模型中访问参数。 当通过Sequential类定义模型时， 我们可以通过索引来访问模型的任意层。 这就像模型是一个列表一样，每层的参数都在其属性中。 如下所示，我们可以检查第二个全连接层的参数。 print(net[2].state_dict()) OrderedDict([(' ......