erdaidai的博客

C-BRUNO是一个条件生成模型，专注于建模高维观测数据的可交换序列，并且通过条件高斯过程和条件化的归一化流（Real-NVP）实现了生成过程。标准化流是一种通用的无条件或条件生成模型，用于通过一系列可逆变换来学习复杂的概率分布。C-BRUNO 结合了标准化流和高斯过程，借助条件标签来高效地生成和建模可交换的数据序列，而标准化流主要关注通过可逆变换来学习复杂分布。因此，两者的目标、应用场景和具体实现细节上有很大的差异。这句话的意思是说，C-BRUNO中的可交换性假设包含了。

在方法中，训练和攻击过程是通过一系列精心设计的步骤来微调模型的。这一过程主要依赖于对抗性训练，其核心思想是利用对抗性样本（即被故意施加扰动的样本）来训练模型，从而使模型在面对扰动输入时更加鲁棒。下面详细解释这一过程：模型预测: 使用添加了扰动的数据对进行预测，得到预测标签。这一步骤检测模型对于对抗性样本的反应，即看模型如何分类经过细微修改的数据。计算损失并更新: 利用对原始数据的预测输出和步骤2中得到的计算损失（即）。然后，根据这个损失更新的参数，以使得在面对对抗性样本时，尽可能地模拟的行为。这里的关键在于

多粒度的应用

出现问题的原因是事件的路径未用绝对路径，

以下就是一些必备的命令行，摘要至于双栏之上，主要是"\IEEEtitleabstractindextext"起作用。特别注意其中的\maketitle应该放在关键词之后。

1、方法背景，例如特征选择是什么。2、现有工作做什么3、但是，现有方法存在的问题（掌握度，不能怼太狠）5、具体来讲，讲具体的技术 （技术要注意紧扣回应第三点）6、继第5点写7、实验部分。

相对应的，在文中使用的时候，全部替换成“algorithm2e ”格式显示不对，且 \\ 换行后不会自动标序号。

期刊审稿意见记录

通过实验和理论分析，给出一些证明或者合适的评价指标。

我用conda 从新创建了一个项目环境，安装了一些基础的库。然后当我下载安装torch的时候，报错说安装的空间不足，我看了一下，torch确实比较大，一个多G，但是之前也没有出现过这个问题。一开始以为是docker的问题，但是想了一下，不应该啊，这个服务器磁盘空间那么大，怎么一个torch就不行。后来看了一下磁盘空间具体情况，如下：看得出来很多目录都没有用。最后得出的原因是，我安装anaconda 以及其他环境都是在root下。因为我连接服务器就在了root下，就直接安装在这儿了。

在项目根目录下直接创建一个文件，后缀改成 .gitignore 即可。

因为我们先前连接了远程地址，这里就需要先删除关联的 origin 远程库。这里注意，需要把之前add到缓存区的东西删掉再重新传。上传完后，刷新Gitea仓库即可看见刚刚上传的文件。若是返回为空，那就是没有文件。本地就会在git文件夹下看见克隆的这个文件名。，是因为当前命令的目录没有切换到仓库目录下。这里若第一次使用git会报错，没有输入账号。根据提示输入邮箱和名称即可。再次执行remote。

(没有GPU的机器上部署)

详细安装NVIDIA驱动步骤

cuda 和 cuDNN 的卸载

用mindspore 实现transformer的步骤记录

为了缓解神经网络灾难性遗忘，作者们提出了一种类似于人工神经网络突触巩固的算法（EWC）。该方法通过选择性地放慢对那些任务重要权重的学习来记住旧任务，即该方法会根据权重对之前看到的任务的重要性来减慢学习速度。...

我用OpenNMT 在服务器上训练了一个模型，保存的模型会被部署在另外一个没有GPU的机子上。问题来了，在GPU上训练的模型在CPU下是不能跑的。

然而服务器是有这个文件的，我就猜想是不是pycharm在连接服务器的时候出了问题。经过多次的检查并重新连接服务器，得到的结果还是一样。这让我不知道咋整，因此这个问题搁置了一段时间。就在今天，我在研究是不是和文件路径有关系的时候，果然发现了问题所在。...

把数据分为十大类，然后根据聚类来划分数据。在文中，使用二维相似指纹来测量目标产品之间的拓扑相似性，并使用常用的Bemis-Murcko原子框架来聚类产品，相似阈值取0.6。