码侯烧酒-CSDN博客

进程用来分配内存空间，是操作系统分配资源的最小单位；线程用来分配 CPU 时间，多个线程共享内存空间，是操作系统或 CPU 调度的最小单位；协程用来精细利用线程。协程就是将一段程序的运行状态打包，可以在线程之间调度。或者说将一段生产流程打包，使流程不固定在生产线上。协程不是被操作系统内核所管理，而完全是由程序所控制。

2023-06-29 15:10:24 675 1

原创深入理解 Golang: 聚合、引用和接口类型的底层数据结构

Go 中有基础类型、聚合类型、引用类型和接口类型。基础类型包括整数、浮点数、布尔值、字符串；聚合类型包括数组、结构体；引用类型包括指针、切片、map、function、channel。在本文中，介绍部分聚合类型、引用类型和接口类型的底层表示及原理。

2023-06-28 16:36:11 723

原创深入理解 Golang: Go 程序的编译运行过程

对 Go 程序的编译及运行过程的简单阐述

2023-06-27 16:07:19 932 2

原创 [前端基础] JavaScript 基础篇(下)

一些基础JavaScript知识点，包括DOM、ECMAScript等

2022-11-23 22:26:09 1032

JavaScript的标准是 ECMAScript。截至 2012 年，所有浏览器都完整的支持ECMAScript 5.1，旧版本的浏览器至少支持 ECMAScript 3 标准。2015年6月17日，ECMA国际组织发布了 ECMAScript 的第六版，该版本正式名称为 ECMAScript 2015，但通常被称为 ECMAScript 6 或者ES2015。到现在更新到了 ECMAScript 2022(ES13)。ES6 中新特性最多，后面的版本则每次进行少量更新。

2022-11-20 20:54:02 442

原创 [前端基础] CSS3 篇

CSS3 使用了层叠样式表技术，可以对网页布局、字体、颜色、背景灯效果做出控制。CSS3 作为 CSS 的进阶版，拆分和增加了盒子模型、列表模块、语言模块、背景边框、文字特效、多栏布局等等。CSS3 的改变有很多，增加了文字特效，丰富了下划线样式，加入了圈重点的功能。在边框方面，有了更多的灵活性，可以更加轻松地操控渐变效果和动态效果等等。在文字效果方面，特意增加了投影。CSS3在兼容上做了很大的功夫，并且网络浏览器也还将继续支持 CSS2，因此原来的代码不需要做太多的改变，只会变得更加地轻松。

2022-11-03 20:22:17 1718

原创 [前端基础] HTML5 篇

HTML5 是 Web 中核心语言 HTML 的规范，用户使用任何手段进行网页浏览时看到的内容原本都是HTML格式的，在浏览器中通过一些技术处理将其转换成为了可识别的信息。HTML5在从前HTML4.01的基础上进行了一定的改进。

2022-10-30 22:03:38 832

原创 [前端基础] 浏览器篇

对浏览器相关知识原理进行整理，简单描述其核心内容

2022-10-29 20:19:54 1171

原创 [前端基础] HTTP 篇

提供基础用法，基础概念引用 MDN、W3C，基础内容做扩展知识，可应对面试，详细原理及应用需要去官网、GitHub 深入学习

2022-10-28 16:28:10 1340

原创 [前端开发] 前端工程代码规范 Husky + Commitlint + Prettier + Eslint + Stylelint

前端工程项目中需要用到三类工具来帮助我们进行代码开发, 分别是代码规范检查工具, 如 Eslint, 然后是代码格式化工具, 如 Prettier, 最后是Git Commit 检查工具, 如 Husky. 在项目初始化后, 需要完成相关配置, 方便项目代码可以以相同的风格展示在不同的 PC 上, 同时, 规范的 Git 提交信息有助于了解开发情况以及 bug 定位.......

2022-08-01 21:47:35 1799

原创 [总结] 半监督学习方法: 协同训练&类协同训练(Co-training)

Co-Training: 是一种流行的 SSL 范式, 其中两个分类器在两个充分且独立的视图上迭代训练. 分别使用两个视图训练两个分类器, 然后在每次迭代中, 每个分类器标记并选择一些未标记的示例来增加另一个分类器的训练集. 尽管多视图协同训练适用于某些领域, 但它的多视图要求在许多实际应用中是不切实际的.

2022-03-25 21:15:53 8057 1

原创 [半监督学习] Deep Metric Learning-Based Semi-Supervised Regression With Alternate Learning

DML-S2R 旨在通过有效地利用未标记数据和标记数据来学习相似样本的度量空间. DML-S2R 方法由两个主要步骤组成: i) 使用标记数据进行成对相似性建模; ii) 具有大量未标记数据的基于三胞胎网络(Triplet network, 是孪生神经网络的变体形式)的度量学习.

2022-03-01 19:57:04 800

原创 [半监督学习] Teacher-Student Learning Paradigm for Tri-training

模仿现实师生学习过程, 对传统的 Tri-Training 进行改进, 使用自适应师生阈值, 具有更高的标签质量.

2022-02-28 16:45:08 1393

原创 [总结] 半监督学习方法: 一致性正则化(Consistency Regularization)

基于平滑假设和聚类假设, 具有不同标签的数据点在低密度区域分离, 并且相似的数据点具有相似的输出. 那么, 如果对一个未标记的数据应用实际的扰动, 其预测结果不应该发生显著变化, 也就是输出具有一致性.

2022-02-23 23:58:31 22688 1

原创 [半监督学习] Simple semi-supervised training of part-of-speech taggers

这篇论文将半监督学习应用在词性标注(POS)上, 在当时取得了不错的效果. 不过这篇文章非常简洁, 全部内容只有4页, 是 NLP 领域的顶会 ACL 上的短文. 主要的贡献是对 Tri-Training 进行简单改进, 提出带分歧的 Tri-Training. 由于是当时没人将这种 Tri-Training 引入到 POS 中, 所以这篇文章还能在 ACL 上发表.

2022-02-21 21:58:53 344

原创 [半监督学习] Democratic Co-Learning

民主协同学习(Democratic Co-Learning), 一种单视图半监督技术. 首先在完整的标记数据 L上分别训练每个模型 m_i, 然后模型对未标记的数据 U 进行预测. 如果大于一半的模型 M 同意样本的标签, 则将该样本 {(x_i,c_k)} 添加到 m_i 的训练集中. 重复此过程, 直到不再添加更多样本. 最终预测通过以模型的置信区间加权的绝对多数投票法得出.

2022-02-21 00:02:21 1090 1

原创 [半监督学习] Deep Co-Training for Semi-Supervised Image Recognition

Deep Co-Training(DCT), 通过最小化两个网络在 $\mathcal{U}$ 上的预测之间的 JS 散度来模拟 Co-Training 假设. 为了避免 collapsed neural networks, 通过训练对抗样本来施加视图差异约束(View Diﬀerence Constraint).

2022-02-19 17:16:33 3788 3

原创 [半监督学习] Tri-net for Semi-Supervised Deep Learning

Tri-net 将 tri-training 与深度学习模型相结合. 首先学习三个初始模型, 然后使用每个模型来预测一个未标记数据池, 其中两个模型为另一个模型标记一些未标记实例. Tri-net 中涉及三个关键技术: 模型初始化、多样性增强和伪标签编辑.

2022-02-18 21:53:27 1520

原创 [半监督学习] Tri-Training: Exploiting Unlabeled Data Using Three Classifiers

标准的协同训练算法需要两个充分且冗余的视图, 每组都足以用于学习, 并且在给定类标签的情况下条件独立. 不过这并不容易实现, 在论文中, 提出了一种新的协同训练风格算法, 称为 Tri-Training. 其不需要冗余的视图, 也不需要使用不同的监督学习算法. 与最开始使用两个分类器的算法相比, Tri-Training 使用三个分类器.

2022-02-17 21:36:27 1378

原创 [半监督学习] Semi-supervised Learning for Regression with Co-training by Committee

提出了一个半监督回归框架 CoBCReg, 其既不需要冗余独立视图, 也不需要不同的基础学习算法. 现实数据并不总是能被划分为两个冗余的视图, 因此, 与传统的 Co-Training 相比, CoBCReg 基于单视图.

2022-02-16 17:16:01 1476

原创 [半监督学习] In Defense of Pseudo-Labeling: An Uncertainty-Aware Pseudo-label Selection Framework for SSL

许多 SSL 方法中, 一致性正则化是个非常好的选择, 其优越的效果在 UDA, ICT, VAT 等算法中得到了验证, 不过这种方法十分依赖对数据的特定增强. 除此之外, 另一种基于熵最小化的方法, 即伪标签, 则不需要这种前提, 不过可能出现错误的高置信度预测, 而影响模型整体的效果. 因此, 提出不确定性感知的伪标签选择(UPS)框架, 该框架通过大幅减少训练过程中遇到的噪声量来提高伪标签的准确性, 并且在 UPS 中, 可以生成负伪标签(negative pseudo-labels).

2022-02-08 19:54:11 2802

原创 [半监督学习] Pseudo-Label : The Simple and Efficient Semi-Supervised Learning Method for Deep NN

对于未标记数据, 选择预测概率最大(或置信度最大)的标记作为样本的伪标记. 然后将带伪标签的数据视作标记数据加入训练集.

2022-02-07 21:27:28 1745

原创 [半监督学习] FlexMatch: Boosting Semi-Supervised Learning with Curriculum Pseudo Labeling

在 FixMatch 中, 对所有类别使用预定义的常量阈值来选择有助于训练的未标记数据, 因此无法考虑不同类别的不同学习状态和学习难度, UDA 也是如此. 为解决这个问题, 提出课程伪标签(Curriculum Pseudo Labeling, CPL), 这是一种根据模型的学习状态利用未标记数据的课程学习方法. CPL 的核心是在不同时刻灵活地调整不同类别的阈值.FlexMatch 使用了 CPL, CPL 是一种课程学习(Curriculum Learning)策略, 考虑到半监督学习中不同的学.

2022-02-06 22:53:34 2938

原创 [半监督学习] AggMatch: Aggregating Pseudo Labels for Semi-Supervised Learning

受立体匹配(Stereo Matching)中代价聚合(cost aggregation)和 Transformers中 self-attention 的启发, 提出一个聚合模块, 它通过考虑实例之间的相似性来聚合标记和未标记数据的初始伪标签. 为了扩大当前 mini-batch之外的聚合候选者, 利用一个队列来记忆训练期间先前 batch 样本的信息, 从而提高可扩展性. 此外, 文中还提出了一个类平衡的置信度感知队列, 该队列是通过考虑置信度和类分布而构建的, 并使用动量进行更新, 从而鼓励更好的聚合.

2022-02-05 23:51:55 962

半监督学习领域经典论文MixMatch

空空如也