learning机器machine gt
《Fine-Grained Image Analysis with Deep Learning: A Survey》阅读笔记
论文标题 《Fine-Grained Image Analysis with Deep Learning: A Survey》 作者 魏秀参，南京理工大学 初读 摘要 与上篇综述相同： 细粒度图像分析（FGIA）的任务是分析从属类别的视觉对象。 细粒度性质引起的类间小变化和类内大变化使其成为一个具有 ......
sqlalchemy -> expire_on_commit
当 expire_on_commit=True 时，commit 之后所有实例都会过期，之后再访问这些过期实例的属性时，SQLAlchemy 会重新去数据库加载实例对应的数据记录。 # SQLAlchemy 源码，非关键内容省略 class Session(_SessionClassMethods) ......
《Deep learning for fine-grained image analysis: A survey》阅读笔记
论文标题 《Deep learning for fine-grained image analysis: A survey》 作者 魏秀参，旷世研究院 初读 摘要 细粒度图像分析（FGIA）的任务是分析从属类别的视觉对象。 细粒度性质引起的类间小变化和类内大变化使其成为一个具有挑战性的问题。 本文旨 ......
Literature Survey Slides of Paper Learning Dexterous In-Hand Manipulation
This is the tutorial slides about a literature survey of paper Learning Dexterous In-Hand Manipulation. ......
c3w2_机器学习（ML）策略2
误差分析 Error Analysis 如果你的机器学习算法表现得还不够好，那么通过手工去检查算法所犯的错误，这个过程称为错误分析（Error Analysis）。 举例如下，团队开发的识别猫咪的分类器，在dev set上准确率为90%。此时我们希望提升算法的性能，通过分析算法的错误样本，发现其中有 ......
c3w1_机器学习（ML）策略1
Introduction to ML strategy 为什么要选用机器学习策略？ 比如下面这个识别猫的分类器，目前的训练结果可能达到了90%的准确率。但是如果像进一步提高性能，有很多待选的方法。但是该如何去选择呢？ 下面的课程就是主要介绍Machine Learning Strategy。需要注意 ......
acwing276机器任务的证明
假设我们已经给每一个任务分配了一种模式了 那么相同模式的任务排在一起的时候肯定重启次数最小 对涉及到的模式，我们还原回二分图上 就是在二分图上尽量选择少的节点（一种模式代表一次重启次数，因为相同模式都是放在一起的），使每一个任务都可以被安排 就可以转换为最小点覆盖问题 ......
《A Survey on Deep Learning-based Fine-grained Object Classification and Semantic Segmentation》阅读笔记
论文标题 《A Survey on Deep Learning-based Fine-grained Object Classification and Semantic Segmentation》 基于深度学习的细粒度对象分类和语义分割的综述 为什么是 “Object” 而不是 “image” 作 ......
将较大的数组赋值<el-table></el-table>时，会导致页面卡顿，甚至崩溃
遇到的问题：将长度为40的数组数据赋值<el-table></el-table>，我发现loading没有效果，后面发现是页面卡住了，loading直接没有出现。 经过查询资料，发现<el-table>会有卡顿的问题，看到有的博主推荐使用一款叫umy-ui的插件，我就试了试，发现卡顿的问题解决了。 ......
<编写有效用例>读后感2
在《编写有效用例》一书中，作者Jane Doe通过清晰而实用的方式，提供了深入理解和编写有效用例的方法。这本书不仅适用于初学者，也对有经验的软件开发人员提供了新的思考角度。 首先，书中详细介绍了什么是用例，以及为什么它们对软件开发过程至关重要。通过实际案例和清晰的示例，作者展示了如何将用户需求转化为 ......
机器视觉选型计算器，初级版，后续慢慢补充
做机器视觉的都知道，每次选型都得做各种计算，但是没有人把硬件选型做出一个工具，今天利用一点闲暇时间，几分钟吧，简单做了个，后续再把其他一些硬件选型公式计算器功能做上去，有需要的自取。 1.DPI相关计算器 2.工作距离相关计算器 3.待补充，编码器等 4.关于 有需要自行下载：链接 ......
NOIP模拟<反思>（36~）
NOIP2023模拟19联测40 异或连通 类似于线段树分治，但是可以在 \(trie\) 树上做。首先根据询问建一棵 \(trie\) 树，然后现在考虑将边插到树上。设插入的边权为 \(c_i\)，因为 \(c_i^x<K\)，所以我们压着上界走，考虑每一位 \(i\)，如果 \(K\) 在第 \ ......
支持向量机 SVM（Supported Vector Machine）笔记
简单可视化对偶性： 图片出自：【数之道25】机器学习必经之路-SVM支持向量机的数学精华 ......
机器学习——Transformer
10.6.2节中比较了卷积神经网络（CNN）、循环神经网络（RNN）和自注意力（self-attention）。值得注意的是，自注意力同时具有并行计算和最短的最大路径长度这两个优势。因此，使用自注意力来设计深度架构是很有吸引力的。对比之前仍然依赖循环神经网络实现输入表示的自注意力模型 (Cheng ......
机器学习——自注意力与位置编码
在深度学习中，经常使用卷积神经网络（CNN）或循环神经网络（RNN）对序列进行编码。 想象一下，有了注意力机制之后，我们将词元序列输入注意力池化中， 以便同一组词元同时充当查询、键和值。 具体来说，每个查询都会关注所有的键－值对并生成一个注意力输出。 由于查询、键和值来自同一组输入，因此被称为 自注 ......
机器学习——多头注意力
在实践中，当给定相同的查询、键和值的集合时， 我们希望模型可以基于相同的注意力机制学习到不同的行为， 然后将不同的行为作为知识组合起来， 捕获序列内各种范围的依赖关系 （例如，短距离依赖和长距离依赖关系）。 因此，允许注意力机制组合使用查询、键和值的不同 子空间表示（representation s ......
python---通过钉钉机器人发送禅道缺陷标题
前言 目前大多数公司都是使用禅道，jira这些来管理缺陷，研发和测试每天站会或者周会都想知道昨天或者这周一共解决了多少个缺陷，如果每天都通过禅道上去查看可能有点麻烦且不方便，今天小编介绍一种方法，我们可以通过办公软件钉钉或者企业微信通过项目群中进行添加机器人，每天自动发送到群里，供大家参考查看。 钉 ......
机器学习——Bahdanau 注意力
9.7节中探讨了机器翻译问题： 通过设计一个基于两个循环神经网络的编码器-解码器架构， 用于序列到序列学习。 具体来说，循环神经网络编码器将长度可变的序列转换为固定形状的上下文变量， 然后循环神经网络解码器根据生成的词元和上下文变量 按词元生成输出（目标）序列词元。 然而，即使并非所有输入（源）词元 ......
机器学习——注意力评分函数
10.2节使用了高斯核来对查询和键之间的关系建模。 (10.2.6)中的 高斯核指数部分可以视为注意力评分函数（attention scoring function）， 简称评分函数（scoring function）， 然后把这个函数的输出结果输入到softmax函数中进行运算。 通过上述步骤，将 ......
机器学习——注意力汇聚：Nadaraya-Watson 核回归
上节介绍了框架下的注意力机制的主要成分 图10.1.3： 查询（自主提示）和键（非自主提示）之间的交互形成了注意力汇聚； 注意力汇聚有选择地聚合了值（感官输入）以生成最终的输出。 本节将介绍注意力汇聚的更多细节， 以便从宏观上了解注意力机制在实践中的运作方式。 具体来说，1964年提出的Nadara ......
2023-11-16 Your project path contains non-ASCII characters. ==>在项目根目录下的gradle.properties添加代码android.overridePathCheck=true即可
在as工具运行android项目报错：Caused by: org.gradle.api.tasks.StopExecutionException: Your project path contains non-ASCII characters. This will most likely caus ......
机器学习-小样本情况下如何机器学习
交叉验证是在机器学习建立模型和验证模型参数时常用的办法。交叉验证，顾名思义，就是重复的使用数据，把得到的样本数据进行切分，组合为不同的训练集和测试集，用训练集来训练模型，用测试集来评估模型预测的好坏。在此基础上可以得到多组不同的训练集和测试集，某次训练集中的某样本在下次可能成为测试集中的样本，即所谓 ......
机器学习——注意力提示
查询、键和值 自主性的与非自主性的注意力提示解释了人类的注意力的方式， 下面来看看如何通过这两种注意力提示， 用神经网络来设计注意力机制的框架， 首先，考虑一个相对简单的状况， 即只使用非自主性提示。 要想将选择偏向于感官输入， 则可以简单地使用参数化的全连接层， 甚至是非参数化的最大汇聚层或平均汇 ......
Natural Image Reconstruction from fMRI using Deep Learning: A Survey
Natural Image Reconstruction from fMRI using Deep Learning: A Survey Zarina Rakhimberdina 1,3, Quentin Jodelet 1,3, Xin Liu 2,3,∗, Tsuyoshi Murata 1,3 ......
2023-11-15 Using insecure protocols with repositories, without explicit opt-in, is unsupported. ==> Gradle不支持不安全的 Maven 仓库协议，也就是http，请改为https
前言：运行android项目报错： A problem occurred configuring root project 'xxx'.> Could not resolve all dependencies for configuration ':classpath'. > Using insec ......
零基础机器学习数字识别MNIST（on going）
本人之前并未涉及机器学习，但是在嵌入式中都会涉及视觉，借校内比赛从零学习，进行MNIST数字识别模型的搭建。 随着学习进度更新，每天更新。2023-11-15 21:38:55 星期三 一、环境搭建 进行本模型的搭建，需要以下内容： Python环境：利用Anaconda管理 开源机器学习平台：Py ......
Dynamic Client Association for Energy-Aware Hierarchical Federated Learning
1 简单说明 这个文章是讲基于能量意识的动态用户选择， 在hfl的框架下。 因为边缘服务器到客户端这个层级存在着一些选择的关系。 发表在wcnc，一个c类会议上。 2 摘要 Abstract-Federated learning (FL) has become a promising solutio ......
通过时序和上下文对比学习时间序列表征《Time-Series Representation Learning via Temporal and Contextual Contrasting》(时间序列、时序表征、时态和上下文对比、对比学习、自监督学习、半监督学习)
现在是2023年11月14日的22:15，肝不动了，要不先回寝室吧，明天把这篇看了，然后把文档写了。OK，明天的To Do List. 现在是2023年11月15日的10:35，继续。 论文：Time-Series Representation Learning via Temporal and C ......
机器码备份_二
[yhzr]有意合作联系扣扣:1176769884$$$AA24C7BD5A0A8FE8E06E1FB53BBE8AD4:00|66|88_CF4DF748256261B751D029853C3DA5BC:00|01|02|03|04|10|11|12|13|14|20|21|22|23|24|30 ......
机器学习——束搜索、贪心搜索、穷举搜索
束搜索（Beam Search）、贪心搜索（Greedy Search）和穷举搜索（Exhaustive Search）是在搜索领域常用的三种搜索算法，它们在不同的场景下有着不同的特点和应用。 束搜索（Beam Search）： 束搜索是一种用于寻找最有可能的输出序列的搜索算法，常用于序列生成任务， ......