shengMio的博客

论文写作总结

实验、修改代码、论文、视频学习

DenseNet网络讲解

修改论文摘要和引言

完成论文初稿，除实验部分

实验、论文学习、写论文摘要和网络架构

跑实验、机器学习、数学表达式

跑实验（未完成）、机器学习、看师兄论文

机器学习，同时思考实验如何修改。

吴恩达的机器学习、实验-回顾之前密集连接部分。

机器学习1-20，数学表达式，分阶段反演

D2UNet：用于地震图像超分辨率重建的双解码器U-Net

加入密集连接进行实验跑代码，使用curvevel-a跑InversionNet

密集块，研读SVInvNet

研读《DD-Net》，使用OpenFWI中的不同数据集跑代码

判断语句

学习如何缝合模块，跑代码InversionNet、想idea并实验，准备开题报告，学习python基础语法。

python基础语法

解码器的输出是一个 float 向量。我们怎么把这个向量转换为一个词呢？通过一个线性层再加上一个 Softmax 层实现。线性层是一个简单的全连接神经网络，其将解码器的输出向量映射到一个更长的向量，这个向量被称为 logits 向量。现在假设我们的模型有 10000 个英文单词（模型的输出词汇表）。因此 logits 向量的宽度变为 10000 个单元，每个单元对应各个单词的得分。然后，Softmax 层会把这些分数转换为概率（把所有的分数转换为正数，并且加起来等于 1）。

继续研读论文U-MixFormer: UNet-like Transformer with Mix-Attention for Efficient Semantic Segmentation