- 博客(461)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 黄仁勋台大演讲
他的理解和慷慨让我们多活了 3 个月，在那段时间，我们建造了 Riva 128， 就在我们差点没钱时，Riva 128 震撼了新兴的 3D 市场，让我们开始受到关注，也拯救了公司营运。2014 年，Alex 在我们的 GPU 上进行了训练，开启 AI 的大爆炸，幸运的是，我们意识到了深度学习的潜力，我们冒着一切风险去追求深度学习。然而，现在的我们拥有数十亿美元的自动驾驶、机器人技术的事业，也开创一个新的产业。的使命，是创造出能解决“普通电脑解决的问题” 的电脑，我们应该专注在愿景上，发挥我们的独特贡献。
2024-06-27 19:05:01
981
原创 Linter 与code formatter之python 编程起手式
Linting 和代码格式化是软件开发（尤其是 Python）中保持代码质量、可读性和一致性的基本实践。
2024-06-18 15:45:19
733
原创 面向对象的三大特性与类图
Object-oriented programming (OOP) is a paradigm centered around the concept of objects, which can contain data and code to manipulate that data. The three major characteristics of object-oriented programming are encapsulation, inheritance, and polymorphism
2024-06-16 15:03:13
755
原创 单调队列与优先级队列
A优先级队列是一种更通用的数据结构，允许添加具有优先级的元素。具有最高优先级的元素（取决于实现）始终位于队列的前面，并且可以在恒定的时间内访问或删除。
2024-06-15 10:25:21
124
转载 Graph Clustering with Graph Neural Networks
图神经网络（GNNs）在节点分类和链路预测等许多图分析任务上取得了最先进的结果。然而，图上重要的无监督问题（例如图聚类）已被证明更难以抵抗 GNN 的进步。图聚类与 GNN 中的节点池化具有相同的总体目标——这是否意味着 GNN 池化方法在图聚类方面做得很好？令人惊讶的是，答案是否定的——在简单基线（例如使用 k 均值聚类学习到的表示）效果良好的情况下，当前的 GNN 池化方法通常无法恢复簇结构。我们通过仔细设计一组实验来进一步研究图结构和属性数据中的不同信噪比场景。
2024-06-13 16:36:39
49
转载 个人价值的实现与事业发展
如果把这五年的感悟精炼成一句话的话，会是很平淡的一句：专注于最有价值的事情。首先，你需要对价值有清晰的认识。接着，对一件事情，不仅是要认识当下的价值，更多的是对未来价值的预测。其次，当你通过不断的快速试错对未来有了把握的时候，你需要逐步的把你能调用的资源专注到最有价值的那一件事情上，尽你可能的做好。如果一生中能做好几件有着极大价值的事，那也就值了。写此文的时候惊闻袁隆平老师逝世。谨以此文纪念他伟大的一生：专注于杂交水稻，创造了人类历史上最伟大的价值之一。我辈楷模。
2024-06-05 14:29:49
38
转载 图神经网络 PyG 入门介绍
Graph Neural Networks 简称 GNN，称为图神经网络，是深度学习中近年来一个比较受关注的领域。近年来 GNN 在学术界受到的关注越来越多，与之相关的论文数量呈上升趋势，GNN 通过对信息的传递，转换和聚合实现特征的提取，类似于传统的 CNN，只是 CNN 只能处理规则的输入，如图片等输入的高、宽和通道数都是固定的，而 GNN 可以处理不规则的输入，如点云等。可查看【GNN】万字长文带你入门 GCN。。
2024-06-03 15:31:04
318
原创 graph Conv介绍
AXin theGraphConvGraphConv层中的邻接矩阵A与特征矩阵X的乘法是图卷积网络（GCN）中的关键操作。此操作对来自每个节点的邻居的节点特征执行局部加权聚合。GraphConv层中的邻接矩阵与节点特征矩阵的乘法执行 GCN 中邻居聚合的关键操作。这允许每个节点根据其邻居的特征更新其特征，从而通过图有效地传播信息并捕获图的局部结构。此操作与权重变换和可选的标准化相结合，使网络能够学习节点及其关系的有意义的表示。
2024-05-31 17:38:32
1031
原创 图数据集的加载
原文参考官方文档：torch_geometric.loader 库中， 该库中包含了多种 图数据集的 加载方式，这里主要介绍andDataLoader这两者之间的区别；
2024-05-31 11:34:29
618
原创 图分类之Hierarchical Graph Differentiable Pooling （下）
是为图结构数据设计的神经网络模型。它通过结合分层池机制扩展了传统图卷积网络（GCN）的功能。这种池化机制通过逐步减少节点数量，同时保留图的整体结构，帮助网络处理大型且复杂的图。通过引入软池机制来增强 GCN，该机制允许在大型复杂图中进行分层表示学习。它结合了多层图卷积和池化来创建输入图的鲁棒、多尺度表示，使其适用于各种图分类和预测任务。链接预测正则化进一步增强了其在池化过程中保持图的结构完整性的能力。该模型从传统的 GCN 层开始，将图卷积应用于输入节点特征。
2024-05-30 11:54:45
811
原创 reStructuredText(.rst)文件介绍
定义列表可以理解为解释列表，即名词解释。条目占一行，解释文本要有缩进；多层可根据缩进实现。定义1这是定义1的内容定义2这是定义2的内容其他内容…隐式链接到第一节 介绍，即可生成超链接。
2024-05-22 11:00:34
864
原创 图数据集的构建
官方文档， 介绍如何创建图数据集尽管 PyG 已经包含许多有用的数据集，但您可能希望使用自记录或非公开可用的数据创建自己的数据集。自己实现数据集很简单，您可能需要查看源代码以了解各种数据集是如何实现的。但是，我们简要介绍了设置自己的数据集所需的内容。
2024-05-18 16:40:32
651
转载 图分类之Hierarchical Graph Differentiable Pooling （上）
hard assignment：每个数据点都归到一个类别(i.e. cluster)。soft assignment：把数据点归到不同的类，分到每个类有不同的概率。assignment：文中涉及的assignment就是把节点分类、归类的意思。
2024-05-16 17:02:06
53
原创 graph 图数据集介绍
来源于论文Pitfalls of Graph Neural Network Evaluation。包含 58 个基础的分类数据集几何，如 “IMDB-BINARY”，“PROTEINS”等；引用网络数据集，包括“Cora”，“CiteSeer”，和 “PubMed”；关系实体网络，包括“AIFB”，“MUTAG”，“BGS”，“AM”；亚马逊网络数据集，包括“computers” 和 “Photo”，共同作者网络数据集，包括“CS” 和 “Physics”；节点代表文档，边代表引用关系。
2024-05-15 16:35:47
657
原创 vscode中配置 leetcode 插件
插件安装介绍注意：请确保Node在PATH环境变量中。您也可以通过设定 leetcode.nodePath 选项来指定 Node.js 可执行文件的路径。
2024-05-09 20:28:56
1483
原创 latex 根据bibtex 生成 bibitem
由于文献较多时逐个手动在_latex_ 中输入会比较繁琐，可以通过_bibtex_ 实现批量处理。首先将所有文献的_bibtex_ 引用放在一起，存为_.bib_ 文件。的作用是按照期刊指定的格式生成文献的格式，包括年份位置、期刊斜体等；\nocite{*}的作用是不对文献进行引用，但可以生成文献列表；是规定生成参考文献列表顺序的格式，plain即按字母顺序等格式。其他格式见。为引用创建的_.bib_ 文件。
2024-05-06 11:33:11
980
原创 语音辨识中的 X-vector
语音识别中Xvector是什么?在语音识别领域，X-vector是一种用于表示说话人的声音特征的技术。X-vector通常用于说话人识别任务，其目的是从短时语音记录中提取一个固定长度的特征向量，这个向量能够有效地表示说话人的身份信息。X-vector技术涉及使用深度神经网络（DNN）学习说话人的声音特征。：首先从语音中提取基本的声学特征，如梅尔频率倒谱系数（MFCCs）。：使用这些声学特征训练一个深度神经网络。网络的目的是学习如何从特征中区分不同的说话人。
2024-05-05 19:05:04
919
原创 对比学习的正负对 以及参数设置
首先，我们为这 7 个类别中的每一个类别定义具体的转换。PyTorch 的模块可用于此目的。]),]),]),]),]),]),])We’ll start by defining a common transformation that can be applied twice to each sample to generate two augmented versions.我们将首先定义一个通用转换，该转换可以对每个样本应用两次以生成两个增强版本。])
2024-04-30 20:11:12
1226
原创 ubuntu20 中设置桌面背景任务
使用 Conky 在 Ubuntu 中显示信息，例如你的阅读计划，可以分几个步骤来完成。Conky 是一款灵活的轻量级系统监视器，能够在桌面上显示各种信息。
2024-04-24 20:00:51
511
原创 Ubuntu的终端中启用鼠标左键即为选中复制，右键粘贴的功能
接下来，在“Compatibility”选项卡中，勾选“Copy to clipboard on selection”选项，这样鼠标左键选中文本即为复制，右键为粘贴。同时，也可以在这个选项卡中调整鼠标选中文本的颜色和高亮度。首先，打开终端窗口，在菜单栏中找到“Edit”选项，点击“Profile Preferences”。然后，在“General”选项卡中，勾选“Use custom font”选项，可以自定义终端中显示文本的字体大小和颜色。在Ubuntu终端中启用鼠标复制和粘贴的功能需要进行一些设置。
2024-04-16 16:05:14
1561
原创 图神经网络与近似消息传递算法
该文提出了一种低复杂度的GNN增强AMP算法AMP-GNN，用于多输入多输出（MIMO）检测。GNN 模块解决了 AMP 探测器中多用户干扰消除的高斯近似不准确的问题。结果显示，与传统的AMP检测器相比，性能有了显著的提高。通过展开AMP算法的迭代去噪过程，建立了AMP-Net深度展开模型。该模型集成了去阻塞模块，以消除视觉图像压缩传感中的阻塞伪影。采样矩阵与其他网络参数联合训练，增强重建性能。有研究工作将图神经网络 （GNN） 与近似消息传递 （AMP） 算法和压缩传感相结合。
2024-04-12 16:55:47
592
翻译 图卷积网络 Semi-supervised Classification with Graph Convolutional Networks
namedGCN.在这篇文章中，我们将仔细研究一个名为 GCN 的著名图神经网络之一。首先，我们将获得直觉，看看它是如何工作的，然后我们将更深入地了解它背后的数学原理。
2024-04-11 11:07:33
210
转载 科研绘图配色
顶刊中，除了精妙的研究设计，这些简单而精妙的色彩方案也足以让文章熠熠生辉。大家对于推送内容有任何问题或建议可以在公众号菜单栏****“更多–读者的话”****栏目中提出，我们会尽快回复！，也非常欢迎大家自主投稿，如果您有需要分享的内容或对我们有任何建议，可通过后台留言、公众号菜单栏。微信公众号的推送规则发生改变（不再按照时间顺序来显示），如果没有将“观科研”设置为。是由一群北京协和医学院（清华大学医学部）的博士开创的公众号，初心是。，帮助一线的医学科研人员更快地成长，希望大家支持与关注！
2024-04-01 11:20:58
142
翻译 人工智能（AI）声学
80年代就有人通过海豚的叫声来对海豚种类进行分类，GMM被用到了齿鲸叫声频谱参数数值变化的研究，用HMM通过鸟叫来给鸟分类，用多层神经网络分类蝙蝠和鲸鱼，并识别出杀人虎鲸的叫声，方便及时跑路。通过采集动物叫声，来对他们的生物和生态方面的行为进行分类，从而鉴定某一个区域的动物分布密度，以及密度如何随时间变化，月亮圆缺如何影响动物觅食行为等。机器学习的定义想必大家或多或少都知道，可以被宽泛地定义为，无需明确指令的情况下，依赖数据中的模式和特征，通过电脑研究算法和统计模型，来完成特定任务的过程。
2024-03-31 17:43:06
82
转载 中科院半导体所：面向数字听诊和穿戴式监测的智能体音芯片
基于图4的方案完成了对智能心音异常诊断芯片的FPGA原型验证，同时基于SMIC 180 nm CMOS混合工艺完成了版图设计来评估功耗，后仿真的结果显示，在8.19 2MHz的主频下，Typical-Typical工艺角下，芯片的后仿真功耗为762 μW，面积为7.50 mm2。后仿真结果表明，智能心音异常诊断芯片的功耗为762 μW，面积为7.50 mm2，满足了可穿戴式心音异常诊断设备的高性能与低功耗的需求，为心血管疾病的早期预防和诊断提供了坚实的技术支持，有望在临床实践中产生积极影响。
2024-03-31 17:30:35
146
原创 深度学习模型参数的计算
根据神经网络模型中的参数数量估计模型体积的大小涉及多个考虑因素，包括参数的数据类型、每种数据类型的存储要求以及存储模型结构或元数据的任何额外开销。
2024-03-18 19:23:50
1196
转载 Pytorch 音频分类与对比学习
COLA是应用于音频的预训练框架。对于每个音频样本，作者选出该音频样本的两个片段，一个片段作为anchor A，一个作为positive P,对于该音频样本，选出training batch中的其他的音频样本作为distractor D。有很多distractor让训练的过程变得困难，使得模型学到更有意义的表达。使用同一个batch中的其他样本作为distractor，节约了distractor的生成、计算和存储成本。
2024-02-23 16:59:19
577
转载 MSGNet: Learning Multi-Scale Inter-Series Correlations for Multivariate Time Series Forecasting
研究者以下图为例，其中在时间尺度1上，我们可以观察到两个时间序列之间的正相关，而在较短的时间尺度2上，我们可能会注意到它们之间的负相关。因此，MSGNet的引入和其在时间序列分析中的应用，特别是在捕捉不同时间尺度上的变化序列间相关性方面，为解决这一领域的重要问题提供了新的途径。时间序列数据通常表现出多样的序列内和序列间相关性，这导致了复杂且相互交织的依赖关系，成为众多研究的焦点。然而，在理解多个时间序列在不同时间尺度上的变化序列间相关性方面，仍存在重大的研究空白，这一领域在文献中受到的关注有限。
2024-02-20 09:35:28
1231
转载 可穿戴数字健康技术在心血管疾病监测场景中的应用
最近，退伍军人健康管理局和心血管专科护理学术卫生系统成功地采用了这种中心模式，因为该中心模型可能比逐个诊所的实施方法更具可扩展性和更有效性，因为资源分配和技术集成更容易，员工培训简化，单点问责制， 一致的激励措施，并共同关注与远程患者监测和中心护理相关的绩效指标，以管理心律失常和心力衰竭（图 4）。例如，在心力衰竭的情况下，远程患者监测技术已经从基于单时间点体重、血压和症状评估的远程监测发展到带有植入式设备的连续传感器和智能手环、手表、贴片和衣服形式的可穿戴DHT。她的症状有所改善，体重和血压稳定。
2024-01-30 08:51:58
129
转载 深度学习时间序列
点击下方卡片，关注“脑科学与智能公众号”脑科学与智能前沿成果，第一时间送达。WWW2023为中国计算机学会交叉**/综合/新兴A类会议，也是计算机交叉学科领域最具影响力的会议之一，于北京时间4月30日至5月4日举行。许多不同的计算机学科领域都可投递WWW****，包括但不限于NLP, Data Mining, Database, IR, Internet Economics, HCI, Security等。本次共收到论文1900篇，接受了365篇，录用率仅为****19.2%**相关论文围绕时间序列预测、异
2024-01-24 21:03:36
90
转载 斯坦福开发AI算法，衡量人体器官衰老预测疾病和死亡
原文来自于 EDesk目录【Nature】血浆蛋白质组中的器官衰老特征追踪健康和疾病0 基本信息1 摘要2 导读3 血浆蛋白可以模拟器官衰老4 器官年龄预测健康和疾病5 大脑老化与认知能力下降和AD2 0 24 年0 基本信息标题： Organ aging signatures in the plasma proteome track health and disease期刊： NatureDOI： https://doi.org/10.1038/s41586-023-06802-1动物研究表明，衰老在个体
2024-01-20 18:07:26
240
转载 基于大型语言模型的医学图像交互式计算机辅助诊断
本文目标是将 LLM 的医学领域知识和逻辑推理的优势与现有医学图像 CAD 模型的视觉理解能力相结合，为患者创建一个比传统 CAD 系统更加用户友好和易于理解的系统。传统的计算机辅助诊断网络模型是基于各种计算机视觉的先进算法在大量数据上进行训练，使他们能够学习识别特定于医学领域的视觉信息中的复杂模式和关系，在医学领域的各个任务中已取得了显著性地效果。随着语言模型的不断进步，随着对更可信的医疗培训数据的访问，ChatCAD变得更加准确，ChatCAD有潜力显著提高在线医疗服务的质量。需要更好的数据集和基准。
2024-01-20 18:02:50
174
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人