20221010Deep learning techniques applied to superresolution chemistry transport modeling for...

已于 2022-10-12 19:10:53 修改
阅读量240 收藏
点赞数
分类专栏： paper 文章标签： 深度学习
于 2022-10-10 14:50:32 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/WRStop/article/details/127209577
版权

batch _size

机器学习中的batch_size是什么？_勤奋的大熊猫的博客-CSDN博客_batch size

CFL condition:

An numerical method can be convergent only if its numerical domain of dependence contains the true domain of dependence of the PDE,at least in the limit as dt and dx go to zero.

只有当一个数值方法的依赖域包含PDE(偏微分方程)的真实依赖域时，它才是收敛的，至少在dt和dx归零的极限中是如此。

CFL条件 - 百度文库

CFL条件_有图有真相

文中：当用有限差分法求解偏微分方程时，CFL条件是收敛的必要条件。

 ​​​​​​​

MLP

1. 感知机与反向传播-pudn.com

 

CNN

CNN笔记：通俗理解卷积神经网络_v_JULY_v的博客-CSDN博客_cnn卷积神经网络

卷积神经网络（CNN）结构详解_咖乐布小部的博客-CSDN博客_卷积神经网络结构

 

RCAN

超分之RCAN_Ton10的博客-CSDN博客_rcan超分

泰勒图

泰勒图（Taylor diagram）_balabalahoo的博客-CSDN博客_泰勒图

 other:

小波神经网络wavelet neural network，文中提到小波神经网络已经应用于短期空气质量预测

小波神经网络wavelet neural network_夜晓岚渺渺的博客-CSDN博客_小波神经网络

WRStop
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
[综述] 二值神经网络 Binary Neural Networks
m0_61899108的博客
12-06 1412
二值神经网络综述，和2015年--2022年间相关的论文&代码。
2020年 ICLR 国际会议最终接受论文(poster-paper)列表(二)
yinizhilianlove的博客
02-21 1万+
来源：AINLPer微信公众号（点击了解一下吧） 编辑: ShuYini 校稿: ShuYini 时间: 2020-02-21     2020年的ICLR会议将于今年的4月26日-4月30日在Millennium Hall, Addis Ababa ETHIOPIA（埃塞俄比亚首都亚的斯亚贝巴 千禧大厅）举行。     2020年ICLR会议（Eighth International Con...
【论文综述】一篇关于GAN在计算机视觉邻域的综述
qq_44091004的博客
01-10 1471
这是一篇关于GAN在计算机视觉领域的综述。
新东方四六级写作
bruce1225的专栏
03-25 1万+
必读的新东方优秀范文             欢迎下载 >01 The Language of Music A painter hangs his or her finished picture on a wall, and everyone can see it. A composer writes a work, but no one can hear it until i
mac地址厂商集
我的专栏
08-05 9万+
00:00:00 00:00:00 # Officially Xerox, but 0:0:0:0:0:0 is more common 00:00:01 Xerox # XEROX CORPORATION 00:00:02 Xerox # XEROX CORPORATION 00:00:03 Xerox # XEROX CORPORATION 00:00:04 Xerox
英文高频词
热门推荐
自然语言处理及大数据
09-08 51万+
('rods', 100) ('carbohydrates', 100) ('stresses', 100) ('premiered', 100) ('cyrus', 100) ('drastically', 100) ('eukaryotic', 100) ('witchcraft', 100) ('accompaniment', 100) ('conventionally',
插件8：拼写检查
dearbaba_1666的博客
06-27 12万+
<?php // Plug-in 8: Spell Check // This is an executable example with additional code supplie
深度学习基础—指数加权移动平均值
最新发布
sniper_fandc的博客
08-18 240
Vt+1的含义近似为1/(1-b)天的平均温度，可以这样理解，每天只取(1-b)比例的当天温度，一共取了1/(1-b)天才能把当天温度的比例凑到1。比如b=0.9，则每天只取0.1的温度，因此需要取10天当天温度的比例才能凑到1，此时1/(1-b)的值也是10。分别取b=0.9（红线：近10天一平均）、b=0.98（绿线：近50天一平均），得到上述图像，可以发现参数b的值越大，曲线越平滑，同时曲线向右平移，因为平均的天数更多了。而b的值越小，曲线越曲折，噪声更多，因为平均的天数少，方差就更大。
深度学习多GPU训练原理
https://github.com/heatMa
08-18 113
详细参考《动手学深度学习》P233，8.4节多GPU计算。
【智能控制】第九，十章 一阶和二阶系统神经网络控制,输出受限系统和输入受限系统的神经网络控制（北京航天航空大学）
persona5joker的博客
08-14 357
第九，十章 一阶和二阶系统神经网络控制,输出受限系统和输入受限系统的神经网络控制（北京航天航空大学）
CNN代码实战
保持学习
08-15 275
CNN代码实战
回归预测|基于HGS-CNN-LSTM-Attention的数据回归预测Matlab程序 多特征输入单输出 含基础模型
2401_86241083的博客
08-15 887
HGS-CNN-LSTM-Attention模型结合了饥饿游戏搜索优化算法（HGS）、卷积神经网络（CNN）、长短期记忆网络（LSTM）和注意力机制（Attention），用于处理复杂的序列数据和时间序列预测任务。HGS是一种基于饥饿游戏搜索的群体智能优化算法。它来实现全局优化，适用于调整CNN、LSTM等深度学习模型的超参数。HGS-CNN-LSTM-Attention模型通过结合多种先进技术，能够有效处理复杂序列数据，适用于多种实际应用场景。
Mambular:表格深度学习的顺序模型
u014546828的博客
08-15 635
传统上，表格数据的分析主要由梯度提升决策树（GBDTs）主导，这些决策树在处理混合的类别和数值特征方面表现出色。然而，最近的深度学习创新正在挑战这一主导地位。本文引入了Mambular，这是一种针对表格数据优化的Mamba架构的变体。本文广泛地将Mambular与最先进的模型（包括神经网络和基于树的方法）进行基准测试，并展示了其在不同数据集上的竞争性能。此外，本文还探索了Mambular的各种变体，以了解其对于表格数据的有效性。本文研究了不同的池化策略、特征交互机制和双向处理。
看demo学算法之 循环神经网络（RNN）
wx740851326的博客
08-15 560
今天我们来聊聊神经网络中的“记忆大师”——循环神经网络（RNN）。想象一下，你正在看电影，每一帧都连贯着前一帧的故事情节。RNN就像是这样一位观众，它能记住之前看到的内容，帮助理解当前的画面。是不是很酷？🎬。
简单的基于深度学习的时间序列异常检测（Python）
weixin_39402231的博客
08-17 286
简单的基于深度学习的时间序列异常检测（Python）
Transformer和LSTM相结合--应用场景
GDHBFTGGG的博客
08-14 969
将Transformer和LSTM相结合可以在多种自然语言处理（NLP）任务中取得显著效果，特别是在需要捕捉长短期依赖的场景中。结合的目的是利用Transformer的全局注意力机制和LSTM的短期记忆能力，实现更强大的序列建模。
利用 Python 的包管理和动态属性获取（`__init__.py` 文件和 `getattr` 函数）特性来实现工厂方法模式
fydw_715的博客
08-15 637
Python 提供了许多灵活的特性，例如包的 __init__.py 文件和 getattr 函数，这些特性可以帮助我们实现工厂方法模式来动态地创建不同类型的数据集实例
深度学习基础—归一化特征值
sniper_fandc的博客
08-18 92
实际上，如果输入向量的各维度范围相似，比如x(1)的范围在[-1,1]，x(2)的范围在[0,1]，这时候用不用归一化特征值效果都差不多。如果输入向量的各维度范围差别很大，比如x(1)的范围在[1,1000]，x(2)的范围在[0,1]，这时候使用归一化特征值就能对模型的训练效率改善很多。未使用归一化特征值时，数据的特征分布狭长（范围差别大），因此在梯度下降法时，选择较大的学习率就会走很多弯路，导致模型迟迟不能收敛，于是只能选择较小的学习率，模型训练效率慢。将数据移动到0附近。
runtimeerror: failed to import transformers.models.bert.modeling_bert becaus
09-18
runtimeerror: failed to import transformers.models.bert.modeling_bert错误是由于在导入transformers中的BERT模型时出现了问题。该错误可能有多种可能的原因。 首先，可能是因为您没有正确安装transformers库或...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值