Fuxiao___-CSDN博客

转载 Data Imbalance, Uncertainty Quantification, and Generalization via Transfer Learning in Data-driven

讨论了神经网络在天气和气候模型中的数据驱动子网格参数化中的应用，并指出了三个挑战：数据不平衡、不确定性量化和泛化到其他气候的能力。通过使用重采样和加权损失函数等方法，文章成功地解决了数据不平衡问题，并展示了三种不确定性量化方法。最后，文章还通过迁移学习提高了神经网络在较温暖气候下的泛化能力。总之，该研究为开发可靠且通用的数据驱动参数化提供了重要见解。

2024-07-31 18:35:38 1

原创跟着沐神学深度学习DAY4

（1）分类有多个输出，输出i代表预测为第i类的置信度（2）对类别进行有效编码：如果为第i类的话，那么yi就为1，其他为0。！这里的y代表真实值,对真实情况进行编码（3）o_i是预测其他类的输出，o_y是预测正确类的输出。注意o为输出而y才是概率。（4）将输出的o值转化成概率，并且非负以及和为1。（5）交叉熵计算公式：（6）由于y（真实值）中只有一个为1，而其他的均为0，故交叉熵公式可以化简。就是对真实值类别的预测值求log然后取负数。（本节笔记摘自评论区）

2024-07-29 00:16:16 707

原创跟着沐神学深度学习DAY3

w = torch.normal(0, 0.01, size=(2,1), requires_grad=True) #两行的列向量b = torch.zeros(1, requires_grad=True) # 标量"""线性回归模型"""return torch.matmul(X, w) + b #广播机制划重点：需要w,b 进行更新，所以才将requires_grad设置为True广播机制：当我们用一个向量加一个标量时，标量会被加到向量的每个分量上。

2024-07-27 21:29:36 919

原创跟着沐神学深度学习DAY2

（4）一般不用向量对向量求导（结果为矩阵），利用sum()函数将y求和得到一个标量，然后再对x向量求导。这里，我们的目的不是计算微分矩阵，而是单独计算批量中每个样本的偏导数之和。（6）即使构建函数的计算图需要通过Python控制流（例如，条件、循环或任意函数调用），我们仍然可以计算得到的变量的梯度。而且看反向这个树，下一层的结点的求导必须要依赖上一层的求导结果，例如对a求导时，要知道z对b求导的结果。计算反向时，要利用到正向中的结果，所以计算正向时要将结果保存下来。的梯度，但由于某种原因，希望将。

2024-07-26 17:58:31 579

原创跟着沐神学深度学习DAY1

X[:]，和X+=，都是给X中的元素进行赋值操作，对X矩阵是没有更改的。是 PyTorch 中的一个函数，用于创建一个所有元素都填充为 1 的张量（Tensor）。（3）利用get_dummies（inputs,dummy_na=True）将函数的非数值空值转换为0、1的形式。（6）torch.mv(x,y)：矩阵向量积，一个长度为m的列向量。（2）列向量关于标量的导数，仍然为列向量。（1）标量关于列向量的导数是一个行向量。（3）列向量关于列向量的导数为一个矩阵。形状相同且所有元素都为0的新张量。

2024-07-26 14:44:40 569

原创 MPI并行实现归并排序

（1）merge函数用于合并两个有序数组left和right，返回一个合并后的有序数组。i++;else {j++;i++;j++;（2）mergeSort函数实现了归并排序算法。如果数组大小小于或等于阈值threshold，则直接使用STL的sort函数进行排序。否则，将数组分成两部分，分别进行递归排序，然后合并结果。return arr;

2024-07-21 21:50:51 829

原创码题集-供水管线

在n个城市之间原本要规划修建许多条下水管道，管理人员发现这些管道会形成一条回路，而下水道只要将城市联通即可，所以回路会加大施工的成本。所以希望你来帮忙找出多余的管道来进行优化。当然管道和管道之间是有区别的，比如用s来表示i到j 的管道管理费用，8i越小则表示该管道管理费用越低。能否去除一些管线，使得总管理成本最低。求出最低的管理成本(不存在自身与自身成为回路的管道)。

2024-07-21 19:39:37 385