从rookie到基佬~003：参考文献

最新推荐文章于 2024-10-12 21:53:35 发布
最新推荐文章于 2024-10-12 21:53:35 发布
阅读量198 收藏
点赞数
分类专栏： 从rookie到基佬 文章标签： 深度学习 计算机视觉 神经网络
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/bnanaber/article/details/121511972
版权

今日份洗脑：插入参考文献
结论：
1、word中交叉引用YYDS，简单又实用。

步骤一：先写好参考文献，确保参考文献编号的格式正确（编号需要自动生成，不能手动添加）。
在这里插入图片描述
编号生成简单方法如图
在这里插入图片描述

在这里插入图片描述
步骤二：引用参考文献，将鼠标的光标放置在需要插入参考文献的位置。在菜单栏中点击【引用】>【交叉引用】,弹出交叉引用操作框。
引用类型：编号项。
引用内容：段落编号。
引用哪一个编号项：选择【1】
在这里插入图片描述
步骤三：选中以引用的参考文献编号，在菜单栏中点击【开始】>【上标】，快捷键：【ctrl】+【shift】+【+】
在这里插入图片描述
在这里插入图片描述

清远隽永
关注
专栏目录
Rookie-Note:学海无涯
05-24
Rookie Note 资料纯属个人兴趣整理。 配置 如果出现图片展示问题，可以在 hosts 文件中加入： # GitHub Start 140.82.113.3 github.com 140.82.114.20 gist.github.com 151.101.184.133 assets-cdn.github.com 151....
leetcode下载-java-rookie:新手入门Java
06-29
java-rookie 项目简介 bootdemo: SpringBoot为主体的网络应用，用于新项目。配置了Swagger struts2.demo Struts2的学习，用于老项目的维护 2.5.26 为了和新的文档兼容，采用了blank-archtype来快速上手。为了和这个...
从rookie到基佬~008：Transformer
bnanaber的博客
12-03 258
一天一个变弯小技巧 今日份洗脑：Transformer用于语义分割 结论：TransFuse、TransUNet、SETR 一、TransFuse 论文链接：https://arxiv.org/abs/2102.08005 在本文中，我们研究了更具挑战性的问题，即在不损失low-level细节的定位能力的情况下提高全局上下文建模效率的问题。提出了一种新颖的两分支架构TransFuse，该架构以并行方式结合了Transformers和CNN。使用TransFuse，可以以较浅的方式有效地捕获全局依赖性和lo
从rookie到基佬~001：通道数
bnanaber的博客
11-19 2963
今日份洗脑：通道数 结论：通道数不需要计算，输入通道与输入图像的通道数相同，输出通道由人工设定【卷积核个数】，通道数又称卷积深度。 资料1： 卷积神经网络中的卷积反卷积及池化计算公式、特征图通道数（维度）变化、卷积核大小与深度等概念解释 链接：https://www.pianshen.com/article/1330939947/ 1.计算公式 设： 图像宽为W，高为H，通道数为C； 卷积核尺寸为K，通道数为D，个数为N； 卷积运算步长为S，0填充大小为P； 输入和输出量分别以1和2表示。 卷积： W2 =
从rookie到基佬~012：损失函数
bnanaber的博客
12-09 105
一天一个变弯小技巧 今日份洗脑：损失函数 结论：损失函数（loss function）或代价函数（cost function）是将随机事件或其有关随机变量的取值映射为非负实数以**表示该随机事件的“风险”或“损失”的函数。**在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。例如在统计学和机器学习中被用于模型的参数估计（parametric estimation） 各人自扫门前雪，莫管他家瓦上霜 机器学习的三要素就是：表示，评估和优化。 表示指的是将样本空间映射到一个合
从rookie到基佬~005：模型保存
bnanaber的博客
11-26 102
一天一个变弯小技巧 今日份洗脑：模型保存 结论：千万不要无脑保存所有模型，记得写个判断，不然训练一万五千轮后电脑会长胖十公斤，亲测结局极度舒适。 错误示范 正确操作示范 亲测一键三连长智慧，我能有什么坏心眼呢？ ...
从rookie到基佬~002：注意力机制
bnanaber的博客
11-23 2375
今日份洗脑：注意力机制 结论： 1、人类视觉注意力机制，扫描全局图像，获得重点关注区域，投入更多经历，抑制其它无用信息，提高视觉信息处理的效率与准确性。 2、遇事不决就加注意力。 资料1： 计算机视觉中的注意力机制总结 视觉中的注意力机制 计算机视觉（computer vision）中的注意力机制（attention）的基本思想就是想让系统学会注意力——能够忽略无关信息而关注重点信息。注意力机制一种是软注意力(soft attention)，另一种则是强注意力(hard attention)。 一、 软注意
从rookie到基佬~009：无密码卸载Symantec
bnanaber的博客
12-07 2106
今天是变直小技巧 今日份洗脑：无密码情况下卸载Symantec（赛门铁克） 结论：赛门铁克的服务一旦启动，怎么卸载都需要密码，反过来说，你不让他启动，他就是待宰的羔羊。 坐标国内某企业研究院，入职的时候配了一台卖国者R9000X，预装了亿赛通、思科和赛门铁克，用的一肚子火，亿赛通加密电脑文件我还能理解，思科和赛门铁克这两个洋垃圾就让我很不爽，各种实用工具装不上被拦截不说， iTunes和爱思装一次给我拦截一次，连接iPhone手机传点歌都搞不了，华为手机倒是可以。（这是广告，华为打钱，手动滑鸡） 天下苦赛门
从rookie到基佬~004：Linux服务器离线训练
bnanaber的博客
11-25 521
一天一个变弯小技巧 今日份洗脑：Linux服务器离线模型继续训练 结论：screen简单好用又可靠 步骤一：建立screen screen -S name 步骤二：激活环境 source activate xx 步骤三：运行代码 该干啥干啥 其他screen命令 screen -S name创建 screen -ls查询窗口 screen -r name进入 kill -9 id ，screen -wipe删除screen ...
从rookie到基佬~016：一步完成在Ubuntu上安装FFmpeg
bnanaber的博客
01-06 124
在Ubuntu上一键安装FFmpeg
从rookie到基佬~010：RNN和CNN的区别
bnanaber的博客
12-07 329
高产似母猪 今日变弯小技巧：RNN和CNN的区别 结论：RNN(循环神经网络)，当前节点的输入包含之前所有节点信息。CNN(卷积神经网络)，当前节点的输入以树结构形式仅包含上一层节点信息 CNN神经网络：人类的视觉总是会关注视线内特征最明显的点。 RNN神经网络：事物的发展是按照时间序列展开的，即前一刻发生的事物会对未来的事情的发展产生影响。 绫波丽镇楼 RNN(循环神经网络)，和CNN(卷积神经网络)是深度学习经常进行比较的两个概念 RNN(循环神经网络)，当前节点的输入包含之前所有节点信息。 CNN(
RookieEditor:Rookie Editor
06-09
Rookie Editor 什么是 Rookie Editor ? Rookie Editor 是为Rookie Components 量身定制的可视化界面编辑器，编辑区完全使用GPU渲染，与真实项目环境一致，保证最大限度的对项目的支持。 依赖库: 1、Apache Flex ...
Rookie-Components:基于Starling的一套简单的UI组件
06-09
Rookie Components 什么是 Rookie Components ? Rookie Components 是一套基于Starling的UI组件，主要借鉴flash component 、 feathers组件的代码。 他是一套 轻量级、可视化、高性能、易于扩展、GPU渲染 的组件 ...
Rookie-fighting:第一周菜鸟饭团
05-16
Linux && Git 菜鸟饭团 标签（空格分隔）： 菜鸟饭团 欢迎来到新手村，你需要在第一周内，完成以下训练： ##Task1——Linux 环境搭建及相关入门 选择任意一个自己喜欢的 Linux (),学会安装并使用它。...
从RNN讲起(RNN、LSTM、GRU、BiGRU)——序列数据处理网络
薛定谔的猫的博客
10-12 825
循环神经网络是一类用于处理序列数据的神经网络，它一般以序列数据作为输入，通过网络内部的结构设计有效地捕捉序列之间的关系，以序列的形式输出。与传统的前馈神经网络不同，RNN具有"记忆"能力，通过在网络中引入循环连接，使得其可以利用先前的输入信息来影响当前的输出。这使得RNN非常适合处理具有时间依赖性或顺序性的任务。长短期记忆网络（LSTM, Long Short-Term Memory）是一种特殊的循环神经网络RNN，设计用来解决传统RNN在处理长序列数据时遇到的梯度消失和梯度爆炸问题。
【交通标志识别系统】Python+卷积神经网络算法+人工智能+深度学习+机器学习+算法模型
最新发布
子午的博客
10-12 747
交通标志识别系统。本系统使用Python作为主要编程语言，在交通标志图像识别功能实现中，基于TensorFlow搭建卷积神经网络算法模型，通过对收集到的58种常见的交通标志图像作为数据集，进行迭代训练最后得到一个识别精度较高的模型文件，然后保存为本地的h5格式文件。再使用Django开发Web网页端操作界面，实现用户上传一张交通标志图片，识别其名称。在本项目中，开发了一个基于人工智能的交通标志识别系统，旨在利用深度学习技术对常见的交通标志进行高效、准确的识别。
LSTM（长短时记忆网络）
m0_73697499的博客
10-09 986
LSTM是RNN的一种扩展形式，专门针对长期依赖问题进行了优化。通过引入细胞状态和门控机制，LSTM能够更好地管理信息流，从而在序列建模任务中表现得更加出色。无论是文本生成、机器翻译还是语音识别，LSTM都展现出了强大的潜力。
深度学习感悟
LIjin_1006的博客
10-12 309
什么是科学，科学是基于现实的观察数据，科学家根据自己的知识提出一个猜想的公式，之后用已有的数据来代人这个公式看是否匹配，但是即便匹配已经有的数据,你也要匹配一些其他的观察数据,所以很多物理公式，说到底还是拟合函数y=f(x),只是这个传入的x有时候可能比较复杂，或者输出比较复杂，但是所有的科学理论都必须能拟合已知数据，也能预测可见的未知数据，才能称为理论,所以牛顿力学是能拟合这些数据的，之后当发现有些情况不能很好拟合牛顿力学时，爱因斯坦把这个理论延伸到了更大的范围，但是所有的理论都必须能拟合观察数据。
【动物识别系统】Python+卷积神经网络算法+人工智能+深度学习+机器学习+计算机课设项目+Django网页界面
子午的博客
10-12 725
动物识别系统。本项目以Python作为主要编程语言，并基于TensorFlow搭建ResNet50卷积神经网络算法模型，通过收集4种常见的动物图像数据集（猫、狗、鸡、马）然后进行模型训练，得到一个识别精度较高的模型文件，然后保存为本地格式的H5格式文件。再基于Django开发Web网页端操作界面，实现用户上传一张动物图片，识别其名称。
C++ Templates详解：从入门到精通
作者David Vandevoorde的目标是提供一个详尽的模板语言参考，详细阐述模板的语法和语义，这对于深入理解模板工作原理至关重要。而Nicolai M. Josuttis则注重实践应用，希望让读者能够直观地理解和运用模板，提高编程...
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

打赏作者

清远隽永

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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