- 博客(152)
- 收藏
- 关注
原创 LogME: Practical Assessment of Pre-trained Models for Transfer Learning
标题:LogME: Practical Assessment of Pre-trained Models for Transfer Learning说明:阅读原文时进行相关思想、结构、优缺点,内容进行提炼和记录,原文和相关引用会标明出处,引用之处如有侵权,烦请告知删除。
2024-07-22 11:19:47 636
原创 信号与系统 知识梳理
拉氏变换侧重于单边,因为连续系统中非因果信号和系统的应用很少;可控性:给定起始状态,可以找到容许的输入量,在有限时间内吧系统所有状态引向零状态。可观性:给定输入后,能在有限时间内根据系统输出唯一确定系统的起始状态。z变换在离散时间系统中的作用←→拉普拉斯变换在连续时间系统中的作用。维纳-欣钦定理:自相关函数和能量谱构成变换对。最小实现:只实现可观可控的部分称为最小实现。H(z)极点位置与h(n)波形的对应关系。正交函数分解:各个组成分量相互正交。失真:线性失真 & 非线性失真。单边拉氏变换、双边拉氏变换。
2024-07-22 03:45:00 359
原创 往年推研面试题集锦
时间常数是指电压/电流从最大值衰减到最大值的1/e所需要的时间时间常数用于表示过渡的时间,用于体现了系统对外界条件变化的响应速度时间常数的计算公式(一阶动态电路):τ = RCτ = GL设信号频率为fs,振荡频率为fc,中频fid=fc-fs, 在比fs高fid处就有一个频率fm,是fs以fc为镜子的镜像。这一信号和被测信号,都能够经过混频,得到中频分量,然后进入中频处理,产生混叠,将这种干扰为镜像干扰。消除镜像干扰:在信号进入混频之前对信号进行预处理。
2024-07-20 04:00:00 811 1
原创 清华电子系 大三暑假 推研面试准备
电子电路与系统基础数字逻辑与处理器基础计算机程序设计基础–C语言计算机程序设计基础–C++数据结构与算法操作系统网络技术基础电磁场与波固体物理信号与系统数字信号处理通信与网络概率论与随机过程统计信号处理
2024-07-20 03:45:00 320
原创 基于JAVA 的图书管理系统
该图书管理系统采用Java编写,设想的图书管理系统为由图书馆工作人员输入借书信息从而进行操作,基于此理念,采用**Java Swing**设计前端界面,采用JDBC与MySQL进行数据库连接进行相关操作,具体实现了**书籍查询,书籍入库,书籍借阅,图书证管理**四大功能板块。有**Dboperation,View,Utils,Entity**四个包来实现功能,在数据库层面设计了**book,card,borrow,user**四个关系表来存储数据。- **View包**:主要为前端设计,以及按钮监听等。
2024-07-19 14:49:13 1102
原创 C++ 学习笔记十一 封装
*示例2:**设计一个学生类,属性有姓名和学号,可以给姓名和学号赋值,可以显示学生的姓名和学号。**优点1:**将所有成员属性设置为私有,可以自己控制读写权限。类在设计时,可以把属性和行为放在不同的权限下,加以控制。**优点2:**对于写权限,我们可以检测数据的有效性。 在设计类的时候,属性和行为写在一起,表现事物。在C++中 struct和class唯一的。**示例1:**设计一个圆类,求圆的周长。封装是C++面向对象三大特性之一。
2024-07-19 14:48:50 339
原创 # 论文阅读笔记12:PNS
论文《Enhancing KGE with Probabilistic Negative Sampling》的阅读笔记。
2024-07-18 08:45:00 503 1
原创 # 论文阅读笔记11:StructureAwareNS
论文《Structure Aware Negative Sampling in Knowledge graph》的阅读笔记,该论文提出了一种基于图结构的负采样方法。
2024-07-18 03:45:00 519 1
原创 # 论文阅读笔记9:GAN4KGE&KBGAN
论文《Incorporating GAN for Negative Sampling in Knowledge Representation Learning》和《KBGAN》的阅读笔记,第一篇论文提出了将GAN引入到知识图谱嵌入学习的负采样中,而第二篇论文也独立地提出了这种使用对抗学习的方法来进行负采样的方式,并采用基于对数概率的KGE模型进行负采样来训练基于Margin的知识图谱嵌入模型的算法框架,因为两篇论文的方法比较相近因此放在一起看。
2024-07-17 09:30:00 628
原创 # 论文阅读笔记8:RotatE
论文阅读笔记8:RotatE知识图谱嵌入相关的论文RotateE的阅读笔记,这次的阅读笔记尝试按照和论文叙述方式不同的逻辑顺序进行记录。本文的Contribution该论文是发表在2019年的ICLR上的一篇论文,提出了在复数空间中表示知识图谱中的实体和关系的方法,并且解决了已有的知识图谱嵌入算法不能完全表示对成/反对称/可逆/组合等关系模式的问题。RotatE的提出知识图谱的关系模式知识图谱三元组中存在一些比较特殊的关系模式,包括对称/反对称/可逆和组合等等,用形式化的方法表示如下:
2024-07-17 04:15:00 820
原创 论文阅读笔记7:GraphVQA
可视问答(VQA)是一个人工智能领域很热门的topic,需要对于一张给定的图片和问题生成对应的回答,而这个问题的难点在于它是一个结合了计算机视觉和自然语言处理的交叉任务,需要同时处理图像和文本数据。而这个问题,我们要做的就是在一个有限的答案集合中寻找到合适的答案。
2024-07-16 03:15:00 815
原创 论文阅读笔记6: Knowledge Graph Embedding by Translating on Hyperplanes
阅读知识图谱嵌入领域的论文《Knowledge Graph Embedding by Translating on Hyperplanes》的阅读笔记,该论文中提出了知识图谱嵌入的。
2024-07-16 01:00:00 1992
原创 翻译Attention Is All You Need
经典论文《Attention Is All You Need》阅读笔记,该论文中提出了自注意力机制和Transformer模型。
2024-07-15 04:45:00 856
原创 论文阅读笔记5 Translating Embeddings for Modeling Multi-Realtional Data
假设训练集S包含一系列三元组hlt(h,l,t)hlt,所有的实体组成集合E而所有的关系组成集合L,模型的目标就是去学习到一系列实体和关系的嵌入表示,并且要使得hl≈thl≈t,并且在基于能量的框架下,能量可以使用一个有关三元组的函数dhltd(h+l, t)dhlt,而能量函数d一般是在d维度空间中衡量向量的不相似度(可以是相似度的相反数)的函数,往往采用L1或者L2范数。 假设训练集S包含一系列三元组hlt(h,l,t)hlt。
2024-07-15 01:00:00 650
原创 # 论文阅读笔记31:大规模知识图谱对齐LargeEA
研究生课程《高级数据库技术》课程指定的阅读论文其中一篇《LargeEA: Aligning Entities for Large-scale Knowledge Graphs》,发表于PVLDB 2022,因为期末考试要考所以仔细读一读。
2024-07-14 13:32:39 617 1
原创 # 论文阅读笔记26:图对比学习
这次阅读的两篇论文是图对比学习相关的内容,虽然我对图对比学习不是很感兴趣,但是因为下周组会要讲这两篇论文,就顺便拿出来看一看了,正好之前CS231N里也稍微了解了一点对比学习相关的东西,就当是开开眼了。两篇论文分别是2021IJCAI上的《》和2021WWW上的《
2024-07-14 03:45:00 950
原创 # 论文阅读笔记28:多模态BERT
VisualBERT这篇文章看起来还是比较粗糙的,很多设计上都基本照搬了BERT,只不过把数据集改成了多模态的,并且把图像引入到了模型的架构中。而后面两片VL-BERT和ViLBERT逐渐提出了更复杂的预训练任务/模型架构和下游任务。区别VisualBERTVL-BERTViLBERT模型架构单流模型单流模型双流模型预训练任务都使用了掩码语言模型,VisualBERT没有使用目标预测任务对输入图片预先进行了掩码处理,但是没有使用跨模态匹配任务,因为论文任务这个任务是无效的。
2024-07-13 04:30:00 590 1
原创 # 论文阅读笔记30:异构分布式机器学习Partial Reduce
研究生课程《高级数据库技术》课程指定的阅读论文其中一篇《Heterogeneity-Aware Distributed Machine Learning Training via Partial Reduce》,发表于SIGMOD2021,因为期末考试要考所以仔细读一读。
2024-07-13 00:45:00 519 1
原创 # 论文阅读笔记10:AffinityDependentNS
论文《Affinity Dependent Negative Sampling for KGE》的阅读笔记,论文中提出了一种亲和力机制进行负采样。
2024-07-12 17:15:54 719 1
原创 机器学习课程--实验1 音乐流行度预测
数据集包含18835个样本,每个样本包含13个属性与1个实值标记,属性包括连续数据属性和离散属性,属性信息见下表。喀喀湖, “线性回归的决定系数,” [联机]. Available: https://blog.csdn.net/weixin_44005185/article/details/121273629。流病与统计, “一看就懂的多重共线性,” [联机]. Available: https://zhuanlan.zhihu.com/p/355241680。提交的文件为压缩文件,其中包含:.
2024-07-12 11:12:34 642
原创 机器学习实验报告实验名称:实现支持向量机代码及高分报告
"Breast Cancer Wisconsin (Diagnostic) Data Set"数据集是一个著名的机器学习数据集,它通常用于分类任务,即根据肿瘤的特征来预测肿瘤是良性还是恶性。数据类型:结构化数据任务类型:分类样本数量:569特征数量:30 个数值特征目标变量:诊断结果,包含两个类别(良性和恶性)
2024-07-11 05:15:00 9
原创 实验4实现支持向量机
参数的选择对SVM的性能有很大的影响。确定正则化常数C与核函数及其参数的选择范围(可以在以下常用核函数中选择一种或多种),选用合适的实验评估方法(回顾第2章的内容,如K折交叉验证法等)进行参数选择,并进行参数分析实验。SVM的对偶问题实际是一个二次规划问题,除了SMO算法外,传统二次规划方法也可以用于求解对偶问题。请注意,SVM中的参数通常需要联合选择,特别是对于核函数的参数与正则化参数C。本实验中可以选择较为简单的网格搜索策略或随机搜索策略进行调参。3. 一二两大问分文件作答。
2024-07-11 02:45:00 8
原创 华南理工大学-大学物理实验-薄透镜组焦距测量
一次成像法是通过测量物体到凸透镜和凸透镜到成像屏的距离,以及凸透镜和成像屏的位置关系,来确定凸透镜的焦距。2固定物屏和L1,在像L1和像屏中间插入发散透镜L2,适当移动像屏(亦可使L2及像屏同时移动,但L2不能超过原像屏的位置)使物AB重新在屏上出现清晰像 (最好是缩小像),记下此时L2的位置坐标x2和像屏的位置坐标x3。按Figure 1光路,在D>4f前提下选择不同的D值,移动透镜L使像屏分别出现清晰的放大像和缩小像,记录物屏、像屏以及成放大像和缩小像时的位置坐标,得到 D、d值,代入式:*
2024-07-10 05:00:00 15
原创 华南理工大学-大学物理实验-金属逸出功实验
研究金属材料的逸出功等物理性质,不仅能提高金属材料在电子技术中的应用效果,而且能加深对微观原子结构的了解,特别是对修正相关原子结构理论和计算方法具有重要意义。金属中存在大量的自由电子,但电子在金属内部所具有的能量低于在外部所具有的能量,因而电子逸出金属时需要给电子提供一定的能量,这部分能量称为电子逸出功。),它表征处于绝对零度的金属中具有最大能量的电子逸出金属表面所需要给予的能量。真空二极管的阴极(用被测金属钨丝做成)通以电流加热以提高电极温度,温度的升高改变了金属钨丝内电子的能量分布,使动能大于。
2024-07-10 05:00:00 13
原创 机器学习实验报告实验名称: CNN 图片分类任务源码及高分报告
通过对原始图像应用一系列随机变换来生成视觉上可信的新图像,数据增强可以帮助提高模型的泛化能力,即在新、未见过的数据上的表现。卷积层堆叠让每一个维度的小范围 4x4 数据代表原图 32x32 的数据特征,最终再将这些数据特征展平输入到全连接神经网络,最终从 256*4*4 维度的特征中分类出 10 个类别。功能:将图像垂直翻转;:对于数据集较小的情况,数据增强是一个非常有效的方法来扩展数据集,提高模型训练的有效性。数据增强的训练集训练的模型比没有数据增强的模型在测试集上的效果更好,能达到的最高。
2024-07-10 03:15:00 281
原创 实验3CNN图片分类任务
本实验需要用到torch及torchvision库,模型架构搭建及模型训练的相关操作都将使用torch库中的函数来进行,请根据自己的电脑环境(是否有GPU)进行安装并熟悉torch的基本操作。在下面的示例中,我们随机更改图像的亮度,随机值为原始图像的50%(1。可以减少模型对某些属性的依赖,从而提高模型的泛化能力。例如,可以以不同的方式裁剪图像,使感兴趣的对象出现在不同的位置,减少模型对于对象出现位置的依赖。在对训练图像进行一系列的变化之后,生成相似但不同的训练样本,从而扩大了训练集的规模。
2024-07-09 02:15:00 789
原创 华南理工大学-大学物理实验-物质旋光性测量
调节起偏器的角度,使得光强读数最大,从最大光强位置开始到旋转 90°,逐次改变起偏器的角度,每隔 15°记录一组数据,根据得到的数据判断光源的偏振态,如果得出光源是线偏振光,用这些数据作。1.4如果光源不是线偏振光,请将起偏器调回光强读数最大的位置,放入检偏器,并调节检偏器使光强读数最大,从这个位置开始到旋转 90°,逐次改变检偏器的角度,每隔 15° 记录一组数据,用得到的数据验证马吕斯定律。2.2调节起偏器转盘使输出的偏振光最强,将检偏器固定在导轨的滑块上,使检偏器与起偏器平行且等高同轴。
2024-07-09 00:30:00 137
原创 # 论文阅读笔记32:提示学习Prompt
Prompt方法和传统方法的不同之处在于,它希望直接学习到输入数据x自身根据模型参数的概率分布PxθPxθ。
2024-07-08 09:37:59 998 1
原创 华南理工大学-大学物理实验-弗朗克赫兹实验
通常情况下,第一个峰对应的电流值应该比第二个峰的电流值要小。原子在定态时既不发射能量也不吸收能量,各定态的能量是分立的,也就是处于不同的能上,原子只能收或辐射相当于各能级之间差值的能量。1913年丹麦物理学家玻尔在卢瑟福原子核模型的基础上,结合普朗克量子理论提出了原子能级的概念并建立了原子模型理论,成功地解释了原子的稳定性和原子的线状光谱。观察到第一个谷的电流值要比第二个谷的电流值要小,这里是因为实验中存在噪音影响,且在计算中发现第一个谷与其它谷之间的距离相差较大,可以判断第一个谷的造成因素是噪音影响。
2024-07-08 05:00:00 8
原创 课内实验2建立全连接神经网络
Fashion-MNIST图片分类数据集 [1] 包含10个类别的时装图像,训练集有60,000张图片,测试集中有10,000张图片。10个类别分别为:t-shirt(T恤), trouser(裤子), pullover(套衫), dress(连衣裙), coat(外套), sandal(凉鞋),shirt(衬衫),sneaker(运动鞋),bag(包),ankle boot(短靴)。使用训练集数据进行训练,测试集数据进行测试。# 初始化函数,对网路的输入层、隐含层、输出层的大小和使用的函数进行了规定。
2024-07-07 05:15:00 10
原创 华南理工大学-大学物理实验-分光镜调整及使用
然后放松螺钉23,缓慢转动游标盘,使所观察到的折射光线向人射光方向 OP 移动,即沿偏向角减少的方向移动若不能,则应沿相反方向缓慢转动游标盘,在转动过程中若狭缝像超出视场范围,则应转动望远镜进行跟踪,使狭缝一直处在视场中。如果望远镜的光轴绕垂直于1和2光束的转轴转动光轴由平行于光束1的方位(光轴上的会聚像点为A)转到平行于光2的方位(光轴上的会聚像点为 B)则光所转过的即为行光束1与2之间的夹角。改变狭缝和透镜的距离,使狭缝恰好位于透镜的主焦面时,就能使照在狭缝上的光经过透镜后成为平行光。
2024-07-07 04:15:00 44
原创 机器学习实验-报告实验名称: 建立全连接神经网络代码及报告
Fashion-MNIST 图片分类数据集包含 10 个类别的时装图像,训练集有 60,000 张图片,测 试集中有 10,000 张图片。图片为灰度图片,高度(ℎ)和宽度()均为 28 像素,通道数 (channel)为 1。10 个类别分别为:t-shirt(T 恤), trouser(裤子), pullover(套衫), dress(连衣裙), coat(外套), sandal(凉鞋),shirt(衬衫),sneaker(运动鞋),bag (包),ankle boot(短靴)。
2024-07-07 04:00:00 13
原创 华南理工大学-大学物理实验-双光栅实验
在实验中,通过波形数计算出的振幅与示波器上显示的示波器振幅可能存在一些区别:1. 计算方法:示波器上显示的振幅是直接通过测量和显示电压来获得的,而通过波形数计算的振幅是根据信号的周期性和波形数来估算的。示波器上显示的振幅受示波器量程的限制,而通过波形数计算的振幅可能没有这样的限制,因为它是根据信号的周期性进行估算的。固定音叉驱动功率,在音叉谐振点附近,小心调节频率,测出音叉的振动频率与对应的信号振幅大小,频率间隔例如可以取0.1Hz,选8个点,分别测出对应的波的个数,由上述公式,计算出各自的振幅。
2024-07-07 03:45:00 14
翻译 翻译 DGL 入门 —— GCN 实现
DGL 的核心为消息传递(message passing),主要分为消息函数 (message function)和累加函数(reduce function)。如下图所示:消息函数(message function):首先对边所关联的节点进行计算,以计算该边的出发节点的表示信息(e.src.data)、该边的目标节点的表示信息(e.dst.data)、该边自身的表示信息(e.data);然后将这些表示信息作为消息传递给其邻居。
2024-07-07 03:30:00 11
原创 翻译 GNN 教程:GCN 的无监督预训练
如下图所示,事实上预训练模型需要捕捉图中与任务无关的结构信息。边重建:通过掩盖一些边的方式产生携带噪声的图;Centrality Score Ranking:通过对每个节点计算不同的 Centrality Score,其中,包括:PageRank, Betweenness 和 Closeness;然后,通过 Centrality Score 排序训练 GCN;保留图簇信息:首先,使用检测图簇,然后训练 GCNs 得到节点特征表示,要求这些节点特征表示仍然能保留节点的簇信息。
2024-07-07 03:00:00 598
原创 华南理工大学-大学物理实验-弗朗克赫兹实验english
mEEm−EnvΔEEm−EnhEm−En1. G2, gate G1, Gate G2G1kG2Aand Gate G2- G22- AG2–AVG2AAAt K- G1In G1- G2EE2−E1EE2–AVG2Ato G。
2024-07-07 02:45:00 10
翻译 翻译 DGL 入门
DGL 框架是由纽约大学和 AWS 工程师共同开发的开源框架,旨在为大家提供一个在图上进行深度学习的工具,帮助大家更高效的实现算法。图神经网络在这两年很热,学术论文从 2016 年开始,增长相当迅速。而今年,可以说是该研究方向集中爆发的一年,像 ICML 有 30~50 篇论文是专门研究图学习的。
2024-07-06 03:30:00 10
原创 机器学习实验报告-实验名称: 音乐流行度预测报告及源码
如果某个变量与其他变量高度线性相关,那么这个变量可以被其他变量很好地预测,其2将接近 1,导致 VIF 值很高,表明存在多重共线性问题.key 和 time_signature 属性由于其是有序离散属性,我认为其中的顺序关系可直接用于线性模型的训练,并不需要进行连续化。在观察预测值-真实值散点图时也可以发现大部分预测值集中在 50 附近,并没有出现预测值与真实值的正相关关系,这也说明模型没有很好的利用到属性值来进行预测。将数据的属性值和标签值进行可视化,初步观察数据的分布情况。
2024-07-06 03:15:00 17
app 开发教程简洁明了的教程.txt
2024-07-22
SpringCloud 教程简洁明了的教程.txt
2024-07-22
2023年电赛题目-单相逆变器并联运行系统.docx
2024-07-22
基于python的Django框架学生信息管理系统.zip
2024-07-22
Layer-Normalization.md
2024-07-22
Batch-Normalization-Accelerating-Dng-Internal-Covariate-Shift.md
2024-07-22
2024年“深圳杯”数学建模挑战赛D题-音板的振动模态分析与参数识别D题:音板的振动模态分析与参数识别.docx
2024-07-22
2024年“深圳杯”数学建模挑战赛C题C题:补充说明(4.26附件).docx
2024-07-22
2024年“深圳杯”数学建模挑战赛C题-C题:编译器版本的识别问题.docx
2024-07-22
2024年“深圳杯”数学建模挑战赛A题B题:批量工件并行切割下料问题.docx
2024-07-22
2024年“深圳杯”数学建模挑战赛A题:多个火箭残骸的准确定位.docx
2024-07-22
磁力链 简单介绍一下.txt
2024-07-22
mspm0g3507开发环境置安装教程详细介绍.txt
2024-07-22
pycharm配置anaconda.txt
2024-07-19
从零开始搭建一个 Django 项目.txt
2024-07-19
Django 简单实用教程.txt
2024-07-19
深度学习常见的面试题及答案.txt
2024-07-18
cplusplus常见的面试题及答案.txt
2024-07-18
python常见的面试题及答案.txt
2024-07-18
spython myqls数据存储.py
2024-07-17
python面试题及答案.txt
2024-07-17
python 教程 leetcode 代码模板-.Linked-List-Two-Pointers-List.md
2024-07-17
python 教程 leetcode 代码模板-Linked-List-Two-Pointers.md
2024-07-17
微信小程序开发教程.md
2024-07-16
stable-cascade 使用教程安装使用教程.md
2024-07-16
20220702-jdk-install-and-hello-world.md
2024-07-16
pycharm 安装教程.txt
2024-07-16
linux 简单明了的教程.txt
2024-07-16
python 安装教程windows系统,mac系统,linux 系统.txt
2024-07-16
基于python的Linked-List-Sort-List.md
2024-07-16
具有遗传性疾病和性状的遗传位点分析(B 题) (1).docx
2024-07-15
人体营养健康角度的中国果蔬发展战略研究.docx
2024-07-15
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人