- 博客(18)
- 资源 (5)
- 收藏
- 关注
原创 最优传输论文(十五):Large scale optimal transport and mapping estimation论文原理
目录摘要介绍最优传输的背景蒙日问题Kantorovich 松弛正则化的OTLarge-Scale Optimal Transportdual stochastic approach正则化OT计划的收敛性最优映射估计数值实验对偶VS半对偶的速度比较大规模领域适应生成性最优运输(GENERATIVE OPTIMAL TRANSPORT (GOT))结论摘要本文提出了一种新的两步方法来解决从一个分布到另一个分布的最优映射的基本问题。首先,我们学习一个最优运输(OT)计划,它可以被认为是两个分布之间的一对多映
2021-07-20 13:54:28 967 3
原创 最通俗易懂的核函数及相关知识讲解
目录核函数是用来干嘛的?为什么非要在高维空间计算内积?提到的映射函数是什么意思?与核函数有什么关系?高斯核函数是如何映射到无限维度的?一个函数成为核函数的条件核函数与再生核希尔伯特空间的关系希尔伯特空间再生希尔伯特空间参考网址核函数是用来干嘛的?核函数能对低维数据进行某种低成本的运算使得运算结果等于高维空间映射函数的内积。即给我两个低维空间样本xxx,x′x'x′,映射函数ϕ(x)ϕ(x)ϕ(x),那么k(x,x′)=<ϕ(x),ϕ(x′)>k(x,x')=<ϕ(x),ϕ(x')
2021-07-14 15:52:56 3694 1
原创 矩的数学概念
矩原本是一个物理学上的概念,拓展到统计学、概率学上则有着不同的含义。从计算机的角度出发,不需要太深度的了解它的物理意义,但是概率学上的意义要明白。只要记住一句话足矣,那就是一个随机变量的分布,可以由1到无穷阶的矩唯一确定,每一阶矩都从某个角度去描述了这个随机变量分布的性质。例如,网上比较常见的,从一阶矩开始,分别代表随机变量的均值、方差、偏态、峰度等等,他们大多只讲了这些分别是什么,但是咱们知道是什么有什么用?咱们要明白矩这个名词从计算机、数学领域所代表的意义是什么,说白了就是上面的那句话,每一阶矩都.
2021-07-13 15:42:06 1591
原创 从无到有实现docker上部署GPU版深度学习环境
目录安装dockerLinux下安装方式XShell下手动安装启动关闭Windows下安装疑难杂症安装NVIDIA驱动安装nvidia-docker部署镜像安装dockerLinux下安装以ubuntu为例方式XShell下依次执行命令$ curl -fsSL https://get.docker.com -o get-docker.sh$ sudo sh get-docker.sh手动安装依次执行以下命令sudo apt-get updatesudo apt-get
2021-07-12 16:16:49 347
原创 ubunbu及docker基本操作
但是切记exit会直接终止容器!如果只是想回到最初的控制台,退出而不关闭容器,那么就使用Ctrl+P+Q操作。然后再 docker attach [container_name] 进入容器。容器内删除某个文件:如:rm -f elasticsearch-analysis-ik-6.6.2.zip退出容器:exit停止容器:docker stop mycentos再启动容器:docker start mycentos启动后再进入容器运行 /bin/bash :docker exec -t.
2021-07-12 12:14:05 185 2
原创 ubuntu安装nvidia-docker
# Add the package repositories$ distribution=$(. /etc/os-release;echo $ID$VERSION_ID)$ curl -s -L https://nvidia.github.io/nvidia-docker/gpgkey | sudo apt-key add -$ curl -s -L https://nvidia.github.io/nvidia-docker/$distribution/nvidia-docker.list | su
2021-07-12 11:58:46 439
原创 ubuntu中docker磁盘空间不足解决办法
首先查看docker位置:docker info停止docker服务systemctl stop docker查看容量大的位置,然后在上面创建转移目录df -hmkdir -p /home/docker这里以/home/docker为例,我待会就要把/var/lib/docker的docker转移到这里。迁移/var/lib/docker目录下的文件到目标位置sudo rsync -avz /var/lib/docker /home/docker新建/etc/.
2021-07-12 11:19:13 2055
原创 ubuntu安装NVIDIA驱动
我也是一步一步做的,这地方坑太多。网上的博客也不太靠谱,下面有种最简单的方法:先看看支持的版本:ubuntu-driver devices看:在 软件和更新 中选择 附加驱动,然后选择推荐的驱动,点击 应用更改。软件和更新应用里的,没有的话百度弄一个。选系统推荐的:然后很重要的一步,在 软件和更新 中选择 更新,把所有选项都改为如下。这是为了避免内核更新,一旦内核更新,nvidia 驱动就无法使用!更改完成后重启,然后查看。一定要重启!重启后,执行 nvidia-smi,应该是出来.
2021-07-11 19:58:29 1068 1
原创 ubuntu安装向日葵远程控制
Ctrl+Alt+F2进入图形化界面浏览器输入:https://sunlogin.oray.com/download/下载图形化向日葵版本把下载下来的deb文件放到合适的文件夹。Ctrl+Alt+F3进入命令行界面cd到向日葵deb文件所在文件夹命令行执行命令(以我的文件为例):sudo dpkg -i sunloginclient-11.0.0.36662-amd64.deb如果报错,则执行命令添加依赖:sudo apt-get install -f -y安装完成切换到图形化界面,搜索.
2021-07-11 14:00:17 6621 1
原创 Domain Shift介绍
首先需要知道著名的贝叶斯公式:p(x,y)=p(x∣y)p(y)=p(y∣x)p(x)p(x,y)=p(x|y)p(y)=p(y|x)p(x)p(x,y)=p(x∣y)p(y)=p(y∣x)p(x)Domain Shift主要有三种情况,分别是由于输入的边缘概率分布p(x)p(x)p(x)、输出标签的边缘概率分布p(y)p(y)p(y)、对应的条件概率分布p(x∣y)p(x|y)p(x∣y)或者p(y∣x)p(y|x)p(y∣x)(后验分布)不一致导致的。Covariate Shift:输入的边缘概.
2021-07-10 15:36:39 3238
原创 先验概率与后验概率
给出多对因果关系,比如x1→y,x2→y,先验概率是p(y)p(y)p(y),后验概率是p(y∣x1)p(y|x1)p(y∣x1)或者p(y|x2)。比如,给你一张图片,让你区分是猫咪还是狗子,即y=猫咪或者狗子,先验概率是p(猫咪)=1/2,p(狗子)=1/2,很自然,你目前还没看到图片,对图片是啥一无所知,那自然是一半一半的概率。然后给你张图片,你有8成的把握这是狗子,那就是p(狗子|图像)=0.8,即p(y|x)=0.8。这就是后验概率,即已经建立在一定经验的基础上的概率。更多例..
2021-07-10 14:54:45 398
原创 使用VMware安装ubuntu虚拟机
只说一下步骤:首先下载VMware(搜一个序列号就能免费用)→下载ubuntu镜像,是一个iso文件→创建ubuntu虚拟机,过程中会用到ubuntu镜像。特别说明,虚拟机可以安装到移动硬盘;分给虚拟机的内存是从主机拿。参考教程:https://blog.csdn.net/xw1680/article/details/113635955https://blog.csdn.net/u013142781/article/details/50529030https://blog.csdn.net/qq
2021-07-08 14:40:44 307
原创 最优传输论文(十四):Generative Adversarial Nets论文原理
目录前言IntroductionRelated workAdversarial netsTheoretical ResultsGlobal Optimality of pg=pdatap_g= p_{data}pg=pdataConvergence of Algorithm 1论文后面的实验等内容请阅读原文。前言这篇文章的影响力就不用我说了,之前对它的大致内容也有所了解,但是这里想深入回顾一遍。发表于2014年的NIPS,作者是熟悉的名字:Goodfellow等人。它的大致原理我简要说一下,我
2021-07-05 21:07:26 638 1
原创 最优传输论文(十三):Improved Training of Wasserstein GANs论文原理
目录前言IntroductionBackgroundGenerative adversarial networksWasserstein GANsProperties of the optimal WGAN criticDifficulties with weight constraintsCapacity underuse & Exploding and vanishing gradientsGradient penaltyExperiments & Conclusion前言本文介绍
2021-07-04 18:39:42 856 2
原创 最优传输论文(十二):Extracting Relationships by Multi-Domain Matching论文原理
目录前言IntroductionMethodDomain Adaptation with Relationship ExtractionCombining the Loss TermsComplexity AnalysisTheoretical Results个人总结前言2018年的NeurIPS。在许多生物和医学环境中,我们通过聚集许多来源来构建一个大的标记语料库,用于目标预测任务。不幸的是,许多源可能与我们的目标任务无关,因此忽略数据集的结构是有害的。所以说不能忽略数据集的结构,而本文提出的多
2021-07-03 13:15:53 300 1
原创 最优传输论文(十一):Multi-source Domain Adaptation in the Deep Learning Era: A Systematic Survey论文原理
这里写目录标题前言Background and MotivationProblem DefinitionDatasetsDeep Multi-source Domain AdaptationLatent Space TransformationIntermediate Domain GenerationConclusion and Future Directions个人总结前言这是一篇综述类的文章,时间比较新,2020年。在这项综述中,作者定义了各种MDA策略,并总结了可用于评估的数据集。作者还比较
2021-07-01 15:50:03 644
原创 最优传输论文(十):Domain-attention Conditional Wasserstein Distance for Multi-source Domain Adaptation论文原理
目录前言简要介绍INTRODUCTIONRELATED STUDIESDomain AdaptationOptimal TransportMETHODOLOGYProblem DefinitionThe Wasserstein DistanceConditional Wasserstein DistanceDomain-attention Conditional Wasserstein DistanceComplexity AnalysisEXPERIMENTData SetsBaseline Method
2021-07-01 10:42:55 584
计算机网络实验课码分多址CDMA.代码zip
2019-11-01
zhilian1.zip
2019-08-17
C#winform窗体+socket实现登录通信聊天软件(可私聊与群聊)
2019-03-06
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人