- 博客(13)
- 收藏
- 关注
RSS订阅原创 第八课 BERT
的内积表示有多匹配，最终的得分值经过softmac就是最终上下文结果。方法一：随机mask句子中的词汇，预测被mask的是什么。使用transformer的encoder端。方法二：预测两个句子是否应该连在一起。训练BERT（有很多方法）
2023-10-18 17:24:01
45
1
原创 linux下如何实现多个程序共用一个物理摄像头
在Linux下，可以使用v4l2loopback驱动来实现多个程序共用一个物理摄像头。v4l2loopback是一个虚拟摄像头驱动，它允许将摄像头的视频流输出到虚拟摄像头设备上，然后多个程序可以同时读取该虚拟摄像头设备的视频流。此外，如果你希望在每次启动系统时自动加载v4l2loopback模块并创建虚拟摄像头设备，可以将相关命令添加到启动脚本中，如。是物理摄像头设备的路径，你需要根据实际情况修改为你的物理摄像头设备路径。是虚拟摄像头设备的路径，可以根据需要自行调整。查看虚拟摄像头设备的路径，例如。
2023-09-21 12:34:09
723
原创 第六课 GAN
先进行卷积（图像大小越来越小，特征图数量越来越多），再进行反卷积（图像大小越来越大，特征图数量越来越少）输入数据：只需要两组图像数据集即可，无需指定对应关系，例如马/斑马。创新点 1. 图像如何学习变化 2. 没有配对的图像。，最后多一层卷积得到PatchGAN。生成器网络模型（以MNIST为例）VISDOM可视化（科学上网）GAN：对抗生成网络。
2023-09-11 22:59:23
34
原创 第六课 GAN
先进行卷积（图像大小越来越小，特征图数量越来越多），再进行反卷积（图像大小越来越大，特征图数量越来越少）输入数据：只需要两组图像数据集即可，无需指定对应关系，例如马/斑马。创新点 1. 图像如何学习变化 2. 没有配对的图像。，最后多一层卷积得到PatchGAN。生成器网络模型（以MNIST为例）VISDOM可视化（科学上网）GAN：对抗生成网络。
2023-09-11 22:57:45
21
原创 第五课 CNN文本识别
个特征图，为了解决不同种类的卷积核得到不同大小的特征图，会对特征图进行一次pooling操作。，相当于每次选取n个词，使用不同数量，不同种类的卷积核总共得到。
2023-09-11 22:57:04
47
原创 第四课 RNN
词向量模型的输入通过查表获得，网络架构类似于RNN网络，更新网络的同时也会更新Look up表。LSTM：其存在一个控制参数C用于决定什么样的信息会被保留，什么样的信息将会被遗忘（门单元）而如果使用Sofmax来进行检索，词料库太大，计算量太大，所以主流使用直接预测下一个词的方式。Skip-Gram：输入是当前词，输出是上下文。RNN 递归神经网络，用于处理时间序列。每个数据会和上个数据的输出一起作为输入。CBOW：输入是上下文，输出是当前词。BiLSTM（双向LSTM）词向量（Word2Vec）
2023-09-11 22:56:23
15
原创 第三课 torchvision
其中虚线部分会做一个1*1的卷积使特征图翻倍（使用c个卷积核就会得到c个特征图）torchvision作用：训练数据下载，数据预处理，模型下载。卷积层用于特征提取。全连接层用于分类，所以卷积层可用于迁移学习。增加数据量，更高效的利用数据。可能图片的通道顺序还要改变。
2023-09-11 22:55:09
23
原创 第二课 卷积神经网络
堆叠小的卷积核所需的参数更少一些，卷积过程越多，特征提取也会越细致。池化层：压缩，降采样（一般选用maxpool）如果希望卷积后图像大小不变，设置。结果为（batch_size,层数（带参数的才能计数）
2023-09-11 22:53:27
23
原创 第三课 文本
通过深度学习模型（例Glone,CBOW,RNN/LSTM,MF,Gaussion, Embedding等）对语料库进行训练得到，需要指定词向量的维度。示例 我们 [0.1,0.2,0.4,0.2] 爬山 [0.2,0.3,0.7,0.1]把停用词（the，an，their…你们又去爬山又去跑步 的表示为(0,1,1,1,0,1,0,1)你们又去爬山又去跑步 的表示为(0,2,2,1,0,1,0,1)错别字纠正：生成编辑距离为1,2的字符串，过滤后返回结果。示例 [我们，去，爬山，今天，你们，昨天，跑步]
2023-09-05 00:08:09
42
1
原创 第二节课 问答系统结构
基于匹配的方式：（以“我们经常有意见分歧”，max_len=5为例）缺点：1. 效率慢（max_len) 2. 歧义 3. 细分可能更好。，小规模问题：直接解方程求解，大规模问题：用迭代方法求解。模型：每移动一步，智能体接收对环境的观测。控制问题：找出最优策略（主要的）小规模问题：直接解方程求解。大规模问题：用迭代方法求解。预测问题：评价给定的策略。行动价值的贝尔曼期望方程。状态价值的贝尔曼期望方程。状态价值的贝尔曼最优方程。行动价值的贝尔曼最优方程。，环境接收智能体的行动。维特比算法：示意图如下。
2023-09-03 21:48:18
25
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人