applications approaches extraction learning
From monolithic application to microservice framework
challenges: 1. version control After testing the branch A, pull the latest code(merged B) -> confilcts ? no conflicts? -> regression testing 2. change ......
SAP: 1、Large time difference between application server and database. 求解决
1、Large time difference between application server and database. 请解决 环境： WIN2003(X64) + SQL SERVER2008 + SAP ECC6 EHP7 ......
Data truncation: Invalid JSON text in argument 1 to function json_extract: "The document is empty." at position 0.问题解决
问题描述： json格式不规范导致的，仅使用where+json_valid清洗似乎并不足以解决问题 解决方法： select order_number,sku_code,CASE WHEN JSON_VALID(sales_price) THEN sales_price ELSE null END ......
learn-ue-ui
learn ue ui Created: 2023-10-24T15:29+08:00 Published: 2023-10-25T12:47+08:00 目录IntroWidgetsText Box(Multi-Line) Intro User Interface Development - Un ......
[论文阅读] PCL: Proxy-based Contrastive Learning for Domain Generalization
PCL: Proxy-based Contrastive Learning for Domain Generalization abstract 领域泛化是指从不同源领域的集合中训练模型，该模型可以直接泛化到未见过的目标领域的问题。一种有前途的解决方案是对比学习，它试图通过利用不同领域之间的样本对之 ......
【资讯阅读】CIO-Application security
  dkhonker/tuning_playbo ......
ST-SSL: 用于交通流量预测的时空自监督学习《Spatio-Temporal Self-Supervised Learning for Traffic Flow Prediction》(交通流量预测、自监督)
2023年10月23日，继续论文，好困，想发疯。 论文：Spatio-Temporal Self-Supervised Learning for Traffic Flow Prediction Github：https://github.com/Echo-Ji/ST-SSL AAAI 2023的论文 ......
【已应用】落地项目中使用的JdbcTemplate-包含application.properties配置 【JdbcTemplateDemo】【实用】
JdbcTemplatedemo2:是某落地项目中使用的JdbcTemplate。是来检测JdbcTemplate合规性。包含JdbcTemplate封装、sql操作、application.properties数据连接配置等。 GitLab项目地址：liuguiqing / JdbcTemplat ......
[论文速览] SimCSE@ Simple Contrastive Learning of Sentence Embeddings
Pre title: SimCSE: Simple Contrastive Learning of Sentence Embeddings accepted: EMNLP 2021 paper: https://arxiv.org/abs/2104.08821 code: https://githu ......
Scikit-learn 的 preprocessing.LabelEncoder函数：标签编码
参考文档：https://pythonjishu.com/sklearn-preprocessing-labelencoder/ 转换类别数据为整数：LabelEncoder 可以将字符串或其他类别型数据转换为整数。例如，如果你有一个特征包含类别 "红色"、"绿色" 和 "蓝色"，LabelEnco ......
Paper Reading: Sample and feature selecting based ensemble learning for imbalanced problems
为了克服现有集成方法的缺点，本文提出一种新的混合集成策略——样本和特征选择混合集成学习 SFSHEL。SFSHEL 考虑基于聚类的分层对大多数样本进行欠采样，并采用滑动窗口机制同时生成多样性的特征子集。然后将经过验证训练的权重分配给不同的基学习器，最后 SFSHEL 通过加权投票进行预测。SFSHE... ......
强化学习Q-Learning和DQN算法
1 Q-Learning 强化学习中有state和action的两个重要概念。而Q-Learning算法就是用来得到在state上执行action的未来预期奖励。具体的算法流程如下： 初始化一个Q-table。 在当前状态\(s\)选择一个动作\(a\)。 执行动作\(a\)，转移到新的状态\(s' ......
Learn Git in 30 days—— 第 30 天：分享工作中几个好用的 Git 操作技巧
写的非常好的一个Git系列文章，强烈推荐 原文链接：https://github.com/doggy8088/Learn-Git-in-30-days/tree/master/zh-cn 终于来到了最后一天，这篇文章将分享几个好用的 Git 操作技巧，或许可以节省你不少 Git 版控过程的时间。 如 ......
Go - Testing a Web Application or a Web Service
Problem: You want to do unit testing on a web application or a web service. Solution: Use the httptest.NewRecorder function to create an httptest.Resp ......
Robust Graph Representation Learning via Neural Sparsification
目录概符号说明NeuralSparse Zheng C., Zong B., Cheng W., Song D., Ni J., Yu W., Chen H. and Wang W. Robust graph representation learning via neural sparsifica ......
论文阅读 Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection
原始题目：Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection 中文翻译：Generalized Focal Loss：学习用于密集目标检测的 Qual ......
Go - Using Templates for Go Web Applications
Problem: You want to use Go’s templating system to create a web application. Solution: Use the html/template package to create a web application. pack ......
Meta Learning概述
Meta Learning概述（一） 回顾Machine Learning 定义一个function（神经网络等），该function上有很多参数，参数统一定义为θ，对于一个猫狗分类器来说，当猫狗的图片经过f(θ)时，函数会输出一个猫或狗的结果 定义一个Loss function，L(θ) 使用优化 ......
Go - Uploading a File to a Web Application
Problem: You want to upload a file to a web application. Solution: Use the net/http package to create a web application and the io package to read the ......
《Deep Residual Learning for Image Recognition》阅读笔记
论文标题 《Deep Residual Learning for Image Recognition》 撑起CV界半边天的论文 Residual ：主要思想，残差。 作者 何恺明，超级大佬。微软亚研院属实是人才辈出的地方。 初读 摘要 提问题： 更深层次的神经网络更难训练。 提方案： 提出了残差网络 ......
macOS 如何设置 Finder 打开某种类型的文件时候使用指定的默认 Application 程序 All In One
macOS 如何设置 Finder 打开某种类型的文件时候使用指定的默认 Application 程序 All In One
......
Sequence to Sequence Learning with Neural Networks
Sequence to Sequence Learning with Neural Networks 关键词：LSTM，Seq2Seq 📜 研究主题 采用深度神经网络DNN 使用LSTM，并翻转输入句子顺序提升性能 ✨创新点： 更换seq2seq中RNN单元为LSTM，有提升对长句子训练速度的可能 ......
Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation
Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation 关键词：GRU、Encoder-Decoder 📜 研究主题 提出了Encoder-Decoder结构，采用两 ......
Go - Creating a Simple Web Application
Problem: You want to create a simple web application that responds to an HTTP request and sends back an HTTP response. Solution: Use the net/http pack ......
Build ASP.NET Core applications deployed as Linux containers into an AKS/Kubernetes orchestrator
原文：https://learn.microsoft.com/en-us/dotnet/architecture/containerized-lifecycle/design-develop-containerized-apps/build-aspnet-core-applications-linu ......
数字人论文:Audio-Driven Facial Animation by Joint End-to-End Learning of Pose and Emotion
老规矩. 直接第三章 3. 端到端网络结构 给一个audio 短窗口, 也就是片段. 我们预测窗口中间时刻的面部表情. 我们把表情看做一个全端点的向量 (后面我们会看这是什么的一种刻画面部) 一旦我们网络训完, 我们回各个时间点同时生成, 并行. 即使不需要过去的帧画面, 依然生成很稳定的画面. ( ......
【PRC】鲁棒跨域伪标记和对比学习的无监督域自适应NIR-VIS人脸识别 Robust Cross-Domain Pseudo-Labeling and Contrastive Learning for Unsupervised Domain Adaptation NIR-VIS Face Recognition
【该文章为杨学长的文章，膜拜】 探索跨领域数据中的内在关系并学习领域不变表示 由于需要在低光照条件下实现24h的人脸识别，近红外加可见光的(NIR-VIS)人脸识别受到了更多的关注。但是数据标注是一个难点。该文章提出了Robust crossdomain Pseudo-labeling and Co ......
Deep Learning —— 异步优化器 —— RMSpropAsync —— 异步RMSprop
代码地址： https://github.com/chainer/chainerrl/blob/master/chainerrl/optimizers/rmsprop_async.py def update_core_cpu(self, param): grad = param.grad if gr ......
[论文精读][基于点云的蛋白-配体亲和力]A Point Cloud-Based Deep Learning Strategy for Protein-Ligand Binding Affinity Prediction
我需要的信息 代码，论文 不考虑共价键，每个点包括了六种原子信息，包括xyz坐标，范德华半径，原子重量以及来源（1是蛋白质，-1是配体）。原子坐标被标准化，其它参数也被标准化。对不足1024个原子的的复合体，补0到1024。 增加考虑的原子从1024到2048，没有提升，增加原子信息通道，没有提升（ ......