qq_26911523的博客

原创 【Tools】LaTex

原文链接：https://blog.csdn.net/NSJim/article/details/109066847。编译器配置：XeLaTeX，可在Overleaf的菜单 - 编译器处修改。tex文件编码：utf-8，一般默认为utf-8编码，无需修改。方式1（推荐）：添加宏包。方式2：设置文档类型。

原创 【知识点】消融实验

然后结果可能是，实验1和实验2的结果都不如实验3，那么说明AB都是有用的；这就说明你的想法是有问题的，模块B其实并没有起到作用，提升只来自于模块A。于是你急急忙忙开始写论文，写到你的贡献，你给了两条：1.模块A，2.模块B。综上所述，ablation study就是你在同时提出多个思路提升某个模型的时候，为了验证这几个思路分别都是有效的，做的控制变量实验的工作。但是这样写有个问题：尽管AB同时加上去对模型有提升效果，但是你并没有证明A、B两个模块分别都是有意义的。消融实验的核心是控制变量。

原创 【Tools】LaTex

arXiv网址https://arxiv.org/，提供了论文的LaTeX源码文件，可供下载——1. arXiv论文的版面，点击Download中的Other formats；3. 改名为：.zip， .tar.gz等的尾缀，然后解压缩此文件；2. 点击Source目录下的：Download source；4. 打开tex主文件，编译成PDF；

原创 【Tools】Audacity

选择音频文件上的整个轨道，点击"Effect"（效果）菜单，选择"Vocal Reduction and Isolation"（人声减少和隔离）。在弹出的对话框中，您可以选择"Remove Vocals"（去除人声）或"Isolate Vocals"（隔离人声），根据您的需求进行选择。完成后，您可以点击"File"（文件）菜单，选择"Export"（导出）将提取的纯人声保存为新的音频文件。打开Audacity，点击"File"（文件）菜单，选择"Open"（打开）并导入要处理的音频文件。

原创 【Tools】Git

4. # 设置全局代理。

原创 【Model】RNN

【代码】【Model】RNN。

原创 【Model】序列模型

序列模型的核心概念就是有n个有顺序因果关系的数据构成的模型，通常有两种策略实现：自回归模型（只需要满足某个长度为𝜏的时间跨度， 即使用观测序列𝑥𝑡−1,…），以及隐变量自回归模型（由于ℎ𝑡从未被观测到）。马尔可夫模型：就是假设一个数据的结果只与前𝜏个数据相关。

原创 【Tools】清华镜像

​编辑清华大学开源软件镜像站HOME EVENTS BLOG RSS PODCAST MIRRORSIndex of/anaconda/cloud/pytorch/win-64/Last Update:2024-05-11 02:01syncingFile Name↓ File Size↓ Date↓ Parent directory/ - - cuda100-1.0-0.tar.bz2 1.9 KiB 2018

原创 【Tools】常用Dos命令

原创 【Model】Pretrained_URL

【代码】【Model】Pretrained_URL。

原创 【知识点】动手学深度学习 by 李沐

#动手学深度学习

原创 【知识点】Jupyter

1. Jupyter 代码提示。

原创 【知识点】Python

1.%matplotlib inline

原创 【知识点】pandas

原创 【知识点】常用图像卷积核

卷积核。

原创 【Tools】Zotero

34. 同步文献。

原创 【知识点】torch

pytorch官方文档：4. torch.nn.Parameter()

原创 【知识点】numpy

# numpy

原创 【知识点】Statistics

# statistics

原创 论文要点：WaveNet（模型M+公式F+代码C）

论文：Wavenet_a generative model for raw audio by A¨ aron van den Oord, et al。

原创 动手学深度学习 by 李沐

视频：B站 - 跟李沐学AI。# 动手学深度学习 资料源。

原创 论文要点：GoogLeNet（模型M+公式F+代码C）

图片来源：动手学深度学习 by 李沐。

原创 论文要点：BatchNorm（模型M+公式F+代码C）

【代码】论文要点：BatchNorm（模型M+公式F+代码C）

原创 论文要点：NiN（模型M+公式F+代码C）

论文：Network In Network by Min Lin1,2, Qiang Chen2, Shuicheng Yan。图片来源：动手学深度学习 by 李沐。

原创 论文要点：ResNet（模型M+公式F+代码C）

图片来源：动手学深度学习 by 李沐。

原创 论文要点：VGG（模型M+公式F+代码C）

图片来源：动手学深度学习。

原创 论文要点：AlexNet（模型M+公式F+代码C）

【代码】论文要点：AlexNet（模型M+公式F+代码C）

原创 论文要点：LeNet（模型M+公式F+代码C）

论文：Gradient-Based Learning Applied to Document Recognition by YANN LECUN, et al。