小幸运

1. 科研查询网址1.1 EI检索https://www.engineeringvillage.com/home.url?redir=t EI检索1.2 SCI检索https://www.webofscience.com/wos/alldb/basic-search1.3 论文档次查询中科院分区 http://www.letpub.com.cn/index.php?page=journalappSCI 影响因子https://jcr.clarivate.com/jcr/homeCC

1. 安装1.1 Windows 环境下载地址：http://ffmpeg.org/download.html#build-windows解压文件配置环境变量，将bin路径添加测试，CMD窗口 ffmpeg –version1.2 Linux 环境sudo apt-get install ffmpeg2. 相关概念2.1 容器视频文件本身其实是一个容器（container），里面包括了视频和音频，也可能有字幕等其他内容。常见的容器格式有以下几种：- MP4-

​2021.9.13和外导确认好，准备11月去NTU2021.9.14SCSE 老师发来邮件，准备STP申请第一步学校需要的材料学校同意文件CSC资助文件在读证明​

1. Tabby – 终端神器Tabby是一款可无限定制的跨平台终端应用程序，用于本地shell、SSH连接。官网：https://tabby.sh/github 下载地址： https://github.com/Eugeny/tabby/releases2. Obsidian – 文件管理打造「知识循环」体系官网： https://obsidian.md/github: https://github.com/obsidianmd/obsidian-releases3. Typora –

一. list1. 保存为TXT文件file= open('log.txt', 'w') for fp in list_log: file.write(str(fp)) file.write('
')file.close()**2. 读取 **file=open('log.txt', 'r')list_read = file.readlines()二. numpy1. 保存为.npy数组import numpy as npnumpy_ar

1. 中文翻译loss function： 损失函数cost function：代价函数objective function：目标函数2. 解释如果有个函数，我们想对其求极大值或者极小值，通常会将这个函数称为Objective function。目标函数是优化问题中的一个概念。任何一个优化问题包括两个部分：(1)目标函数，最终是要最大化或者最小化这个函数；(2)约束条件，且约束条件是可选的。当我们是想求极小值时，便会以cost function （loss function）来称呼该目标函

1. torch版本问题1.1 torch1.5版本及以下import torch## 模型参数保存torch.save(model.state_dict(),'checkpoint/xxx.pth')## 模型参数加载args = torch.load('checkpoint/xxx.pth') # 参数读取model_state_dict = model.state_dict()for key in args: if key in model_state_dict: mod

random1. random.sample(x,y): 从序列x中，随机选择y个不重复的元素，返回list列表import random#从[A,B)间随机生成N个不重复的数，结果以列表返回resultList=random.sample(range(A,B),N)2.random.randint(low, hight):从[low,hight]之间的返回一个整数import randomx=random.randint(1,10)3.random.random(...

1. 引入在传统监督学习中，我们经常需要大量带标签的数据进行训练，并且需要保证训练集和测试集中的数据分布相似。如果训练集和测试集的数据具有不同的分布，训练后的分类器在测试集上就没有好的表现。这种情况下该怎么办呢？域适应（Domain Adaption），也可称为域对抗（Domain Adversarial），是迁移学习中一个重要的分支，用以消除不同域之间的特征分布差异。其目的是把具有不同分布的源域(Source Domain) 和目标域(Target Domain) 中的数据，映射到同一个特征空间.

Generative Methods（生成式方法）这类方法以自编码器为代表，主要关注pixel label的loss。举例来说，在自编码器中对数据样本编码成特征再解码重构，这里认为重构的效果比较好则说明模型学到了比较好的特征表达，而重构的效果通过pixel label的loss来衡量。对比式学习着重于学习同类实例之间的共同特征，区分非同类实例之间的不同之处。与生成式学习比较，对比式学习不需要关注实例上繁琐的细节，只需要在抽象语义级别的特征空间上学会对数据的区分即可，因此模型以及其优化...

1. 概念计算量(FLOPs)对应我们之前的时间复杂度，计算量要看网络执行时间的长短PS：FLOPS：全大写，意指每秒浮点运算次数，理解为计算速度，是一个衡量硬件性能的指标。FLOPs：s小写，意指浮点运算数，理解为计算量，用来衡量模型的复杂度 （如果模型FLOPs为X，使用的GPU性能Y FLOPS，意味处理该模型只需X/Y秒）参数量对应于我们之前的空间复杂度，参数量要看占用显存的量2. 对硬件要求计算量的要求是在于芯片的fl...

1. A卡 & N卡a卡和n卡分别是指AMD(超威半导体)和NVIDIA(英伟达)显卡。　　A卡 频率高,适合超频看高清,画面效果好,但驱动不是很稳定, 　　N卡 频率较低,但很稳定,速度快,驱动完善2. GeForce &Tesla （英伟达显卡）GeForce属于普通消费级显卡，主要应用于游戏娱乐领域 （RTX 2080ti / GTX 1080ti） Tesla归类为专业级显卡，更偏重于深度学习、人工智能和高性能计算 (P40 / V100)3.RTX ...

1. VAE & GAN变分自编码器（Variational auto-encoder，VAE）是一类重要的生成模型（generative model）除了VAEs，还有一类重要的生成模型GANsVAE 跟 GAN 比较，目标基本是一致的——希望构建一个从隐变量Z生成目标数据X的模型，但是实现上有所不同。生成模型的难题就是判断生成分布与真实分布的相似度，因为我们只知道两者的采样结果，不知道它们的分布表达式。KL 散度是根据两个概率分布的表达式来算它们的相似度的，我们只有样本...

ComparE_2016，6373个特征，其中65个low level descriptors（LLD），例如音调、MFCC、响度和发声概率。54个统计泛函应用于59个lld，46个统计泛函应用于相应的59个delta系数。对其他6个lld，应用了39个统计泛函。'D:/opensmile-2.3.0/bin/Win32/SMILExtract_Release -configfile D:/opensmile-2.3.0/config/ComParE_2016.conf -appendcsvl..

1.基础斜体：可以用\textit{} 也可以用\it{}加粗：\textbf{}居中：\begin{center} \end{center}换行不缩进：\\换行+缩进两字符：\par字体颜色：\usepackage{color}\textcolor{red/blue/green/black/white/cyan/magenta/yellow}{text}2.图片图片位置：\includegraphics[width=0.8\textwidth...

1. RNN 针对语音、视频等序列数据，我们需要进行全局时序信息考虑，因此RNN模型是最初最基础的模型结构。 主要可以分析的任务：语音识别、语音合成、视频摘要生成、音视频情感预测等。 存在问题：输出的序列长度与输入序列长度保持一致，不能任意变化。2. Seq2Seq (即 Encoder + Decoder 结构) seq2seq，由Encoder和Decoder两个部分组成，每部分都是一个RNNCell（RNN、LSTM、GRU等）结构。 Encoder将一个序列编码为...

1. 时域 & 频域时域：自变量是时间，即横轴是时间，纵轴是信号的变化（振幅）。 如下图中红色曲线， 描述信号随时间变化情况 （二维空间： Time-Amplitude）频域：自变量是频率，即横轴是频率，纵轴是该频率信号的幅度（振幅）。 声音信号在频域表现为多个不同频率、振幅信号组成。（给定频率和振幅，可以得到该信号表示，下图中一条蓝色曲线，周期信号） 2. 时域图（波形图） & 频谱图时域图...

语音信号（音频；声音）是模拟信号，现实生活中表现为连续的、平滑的波形，其横坐标为时间轴，纵坐标表示声音的强弱。我们需要将其保存为数字信号再进行处理。1. 声音三要素1.1 音调人耳对声音高低的感觉称为音调。音调主要与声波的频率有关。声波的频率高，则音调也高。人耳听觉音频范围是20Hz-20000Hz1.2 音量人耳对声音强弱的主观感觉称为响度。响度和声波的振幅有关。一般说来，声波振动幅度越大则响度也越大。1.3 音色音色是人们区别具有同样响度、同样音调的两个声音之

1. 指明要是用的GPUimport osos.environ["CUDA_VISIBLE_DEVICES"]="0,1,3" 上述代码说明，给本程序分配了编号“0，1，3”的三块GPU可供使用 PS： 本机必须是有上述声明的显卡，否则在使用时会出错 RuntimeError: cuda runtime error (38) : no CUDA-capable device is detected at ..\aten\src\THC\THCGeneral.cpp...

1. 预训练参数保存def savecheckpoint(model,dir): para=model.state_dict() torch.save(para, dir)2. 预训练参数加载def LoadParameter(_structure, _parameterDir): """ :param _structure: model :param _parameterDir: 参数位置 :return: """ chec