manipulation dexterous dynamics learning
[论文速览] Randomized Quantization@ A Generic Augmentation for Data Agnostic Self-supervised Learning
Pre title: Randomized Quantization: A Generic Augmentation for Data Agnostic Self-supervised Learning accepted: ICCV 2023 paper: https://arxiv.org/abs ......
深入浅出Dynamics crm
//sly 2023/12/4出品 **深入浅出Dynamics crm** 窗体js功能操作 上下文(executionContext) 登录系统管理员账户打开实体窗体编辑器 进行如下操作： 上下文方法示例 //executionContext 系统参数 上下文对象 function OnInit ......
25 DHCP(Dynamic Host Configuration Protocol/动态地址配置协议)
随着网络规模的不断扩大，网络复杂度不断提升，网络中的终端设备例如主机、手机、 平板等，位置经常变化。终端设备访问网络时需要配置IP地址、网关地址、DNS服务器地 址等。采用手工方式为终端配置这些参数非常低效且不够灵活。 DHCP简介 DHCP是一种用于集中对用户IP地址进行动态管理和配置的协议DHC ......
【scikit-learn基础】--『数据加载』之玩具数据集
机器学习的第一步是准备数据，好的数据能帮助我们加深对机器学习算法的理解。 不管是在学习还是实际工作中，准备数据永远是一个枯燥乏味的步骤。scikit-learn库显然看到了这个痛点，才在它的数据加载子模块中为我们准备了直接可用的数据集。 在它的数据加载子模块中，提供了6种直接可用来学习算法的经典数据 ......
The importance of learning basic skills
参考范文1 The Importance of Reading Literature Literature is acknowledged as the most precious product of human civilization and wisdom, especially by our ......
Generative-Contrastive Graph Learning for Recommendation论文阅读笔记
Abstract 首先介绍了一下GCL的一些缺点，GCL是通过数据增强来构造对比视图，然后通过最大化对比视图之间的互信息来提供自监督信号。但是目前的数据增强技术都有着一定的缺点 结构增强随机退出节点或边，容易破坏用户项目的内在本质 特征增强对每个节点施加相同的尺度噪声增强，忽略的节点的独特特征 所以 ......
Java Learning Day4 面向对象基础
初始化顺序：默认初始化 显示初始化 构造器初始化（单参先执行） 有内部类加载的话，在显式赋值之后，就进行新的加载 Static 静态变量：静态成员变量属于类的，完全不需要创建对象使用。 private：同类中 缺省：同一包中 protected：不同包子类 public：不同包 只有成员变量可以用权 ......
克莱·汤普森的合同， 你再也不是那个hero. learning area 和 performance area
从23年6月就开始了拉锯谈判，要价格5年2.3亿，4年2亿，到4年1.6亿，勇士一直报价4年1亿到1.2亿，到了11月底的第七次谈判，勇士只报价4年5500万。结合了克莱在23-24新赛季的表现，这价格可以说是没有溢价了，这合同谈判有些期权的影子，合同是买未来的performance，时间价值的溢价 ......
【scikit-learn基础】--概述
Scikit-learn是一个基于Python的开源机器学习库，它提供了大量的机器学习算法和工具，方便用户进行数据挖掘、分析和预测。 Scikit-learn是基于另外两个知名的库 Scipy 和 Numpy的，关于 Scipy 和 Numpy 等库，之前的系列文章中有介绍： Scipy 基础系列 ......
Java Learning Day3 数组
System.out.print; System.out.println;每输出一次就会换行 Integer.parseInt 字符串转int Double.parseDouble 字符串转double 数组 存储结构连续，存储元素类型相同，随机访问 JVM JVM栈：JVM栈正是java中方法执行 ......
TensorFlow-深度学习预训练模型的使用方法讲解（TensorFlow-Explanation on how to use deep learning pre-trained models）
在运用深度学习模型时，掌握运用预训练模型的方法是必不可少的一步。为什么要使用与训练的模型，原因归纳如下： （1）使用大量高质量的数据（如 ImageNet 是普林斯顿大学与斯坦福大学所主导的项目）又加上设计较复杂的模型结构（如ResNet模型高达150层）设计出来的模型，准确率会大大提高。 （2）可 ......
Learn DevOps：Start DevOps with Docker（三）
一、Docker与Microservices 很多人都在谈论microservices的优势，但是它不是免费的，面临着许多挑战，Docker在解决这些挑战方面发挥至关重要的作用。在微服务体系结构中，我们将构建许多微小的服务，而不是构建一个大的整体，这些微服务中的每一个都可以用不同的技术来构建。由于这 ......
Learn DevOps: Start devOps with Docker（二）
一、Docker image commands docker images 查看本地计算机中所有存在的image docker pull mysql 可以看到如果我们不提供标记，它会使用默认的最新的标记，它会查看是否有标记为latest的mysql映像，并将其汇集下来。pull只会拉取image使其 ......
论文：Predicting Optical Water Quality Indicators from Remote Sensing Using Machine Learning Algorithms in Tropical Highlands of Ethiopia
水刊，中科院都没有收录。不属于sci。 吃一堑长一智，以后先看属于哪个期刊的。总是忘记。 期刊：Hydrology 浪费时间，啥也没有，没有创新点，就一点点的对比工作量。 “Predicting Optical Water Quality Indicators from Remote Sensing ......
CA-TCC: 半监督时间序列分类的自监督对比表征学习《Self-supervised Contrastive Representation Learning for Semi-supervised Time-Series Classification》(时间序列、时序表征、时间和上下文对比、对比学习、自监督学习、半监督学习、TS-TCC的扩展版)
现在是2023年11月27日，10:48，今天把这篇论文看了。 论文：Self-supervised Contrastive Representation Learning for Semi-supervised Time-Series Classification GitHub：https://g ......
The Hello World of Deep Learning with Neural Networks
The Hello World of Deep Learning with Neural Networks dlaicourse/Course 1 - Part 2 - Lesson 2 - Notebook.ipynb at master · lmoroney/dlaicourse (github ......
The Hello World of Deep Learning with Neural Networks
The Hello World of Deep Learning with Neural Networks dlaicourse/Course 1 - Part 2 - Lesson 2 - Notebook.ipynb at master · lmoroney/dlaicourse (github ......
《Visual Analytics for RNN-Based Deep Reinforcement Learning》
摘要 准备开题报告，整理一篇 2022 年TOP 论文。 论文介绍 该论文是一篇 2022 年，有关可视化分析基于RNN 的深度强化学习训练过程的文章。一作是 Junpeng Wang ，作者主要研究领域就是：visualization, visual analytics, explainable ......
Can Pre-Trained Text-to-Image Models Generate Visual Goals for Reinforcement Learning
概述 Learning form the Void (LfVoid) 根据给定的language instruction对observation进行appearance-based and structure-based修改得到goal images，为RL提供奖励信号。提升了example-bas ......
Computer vision: models, learning and inference
http://www.computervisionmodels.com/ 13.2.3 SIFT detector SIFT 尺度不变特征转换 s a second method for identifying interest points 一个尺度和对应兴趣点定位 14 15 16 ......
Learn DevOps 第二章：Start DevOps with Docker（一）
一、Introduction and installation 这一张让我们来看一些让开发运维变得非常简单的东西：Containerization。 我们身处微服务的世界，有数百个微服务，一些用Java构建，一些用python构建，还有一些可能是用Javascript构建的。这三种语言的应用程序所需 ......
Federated Learning005
联邦学习——笔记005 2023.11.27周一，最近支原体肺炎高发。研一上课结了一部分，赶紧看论文。 时隔大半年，今天开始学习联邦学习的大综述————Advances and Open Problems in Federated Learning（联邦学习中的最新进展和开放问题） Introduc ......
offline RL | BCQ：学习 offline dataset 的 π(a|s)，直接使用 (s, π(s)) 作为 Q learning 训练数据
① 使用 VAE 建模 offline dataset 的 π(a|s)，② 添加一个可以学习的 action 扰动 ξ，③ 用 (s, a=π(s)+ξ, r, s') 做 Q-learning。 ......
Could not load dynamic library 'libnvinfer.so.7' 解决方法
1.首先安装TensorRT pip install tensorrt 2.找到tensorrt_libs目录，一般在~/.local/lib/python3.10/site-packages/tensorrt_libs/。目录下可以看到libnvinfer.so.8等文件 注：有些教程说的是ten ......
Java learning Day2 常量 变量 运算符 Scanner 方法 数组
常量 ： 字面值常量（直接写值的常量）+自定义常量 变量： long型变量后必须加L; 小数字面值常量默认double 若用float需加F； 变量强转：小的会自动转成大的 float虽然只有4个字节 但是比所有整型的取值范围都大 浮点型有精度问题 表达式类型提升： 如果表达式当中存在多种数据类型 ......
Learning Auxiliary Monocular Contexts Helps Monocular 3D Object Detection (5)
Qualitative Results如下图所示: ......
Learning Graph Filters for Spectral GNNs via Newton Interpolation
目录概符号说明MotivationNewtonNet代码 Xu J., Dai E., Luo D>, Zhang X. and Wang S. Learning graph filters for spectral gnns via newton interpolation. 2023. 概 令谱 ......
Java Learning Day1 关键字、标识符、注释、变量
其实之前也学习过两个月的JAVA，跟着淘宝上买的王道Java课，每天看了1day，整个过程下来感觉什么都没有掌握，所以现在就打算重新学一次，从最开始的关键字开始，也就开通了博客，希望这次学习可以多多掌握一些吧。 关键字：小写、含有特殊含义的单词 标识符：方法名、类名、参数名、变量名（英文、不用拼音） ......
Joint Autoregressive and Hierarchical Priors for Learned Image Compression
abstruct 最近的图像压缩模型基于自编码器，学习近似可逆的映射（从像素到量化的可逆表示），这些与熵模型（潜在表示的先验）结合，可以与标准算术编码算法一起使用产生压缩比特流。与简单的全因子先验相比，分层熵模型可以利用更多潜变量中的结构，从而在保存端到端优化的同时提高压缩性能。众所周知，自回归模型 ......
【略读论文|时序知识图谱补全】Learn from Relational Correlations and Periodic Events for Temporal Knowledge Graph Reasoning
会议：SIGIR，时间：2023，学校：国防科技大学 摘要： 之前模型存在的问题：未能利用快照内结构信息的关系之间的语义相关性与快照间时间交互沿时间轴的周期性时间模式。 本文的工作：提出了一种新的推理模型（RPC）；它通过两个新的通信单元，即关系通信单元(RCU)和周期通信单元(PCU)，充分挖掘关 ......