第九十七周周报

最新推荐文章于 2024-10-04 05:48:08 发布
最新推荐文章于 2024-10-04 05:48:08 发布
阅读量236 收藏
点赞数 2
分类专栏： 周报 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44432831/article/details/140727544
版权

学习时间：

2024.7.20-2024.7.26

学习产出：

这周科研暂时没有进展，因为服务器这周都进不去，周一的时候上周跑的节点还被停了（机房太热），然后这周主要在改吉安县小程序的bug，因为要上线了又暴露出比较多以前没有测到的问题。

童、一
关注
专栏目录
2023.04.07 第三十九周周报
qq_48823102的博客
04-07 274
结论：增加正则项，减少多头注意力头数，只有batch_size增大，实验三不如实验一，batch_size 过大。结论：实验四和实验六证明batch_size = 2 时实验效果不佳，不可取。1.实验结果的train_score>>eval_score，发生了过拟合。结果：epoch10 eval_score=38 分数增长缓慢。结果：epoch16 eval_score=55 分数增长缓慢。结果：epoch8 eval_score=38 分数增长缓慢。学习时间：2023.4.1-2023.4.7。
周报第二周
gdy的博客
12-15 819
这是第二周的周报
第二期第6周周报
qq_66056271的博客
05-13 167
搜索题，直接用next_permutation出答案太慢所以需要手写搜索算法。分治递归函数算法可以把结果当作参数来传递。可以先从1开始然后枚举下一个点。之后根据vis的情况枚举没被访问最小的点，然后再枚举下一个配对点的可能情况，再dfs。这里保证每次配对的点第一个点都比下一次配对的点第一个点的数值小，同时第一个点都比第二个点小，这样就不会出现迷乱的现象。int ans, n;void dfs(int step, int res) // step为当前已经匹配的对数，res是当前的异或和。
第二期第五周周报
qq_66056271的博客
05-13 169
从现在开始明显变难了。
第十三周周报：Vision Transformer
qq_52684249的博客
09-22 1519
紧接上一篇博客，Transformer在语言模型上有着巨大贡献，通过全自注意力的方式将大语言模型推向了一个新高度。既然自注意力方式这么出圈，那是否能应用到计算机视觉方向呢？传统的视觉方向通过卷积提取特征，能否也能向语言类模型一样通过自注意力提取特征呢？本周就跟着李沐老师的课程进一步学习ViT（Vision Transformer）模型，以解决上述疑惑。course。
第九周：机器学习周报
m0_66015895的博客
06-25 293
传统的CNN只能考虑感受野范围的信息，即只能考虑局部范围而没有考虑全局信息，此时如果使用很大的kernel size一次覆盖掉所有的输入，这种情况下的模型的参数量就会非常多，容易overfitting。除此之外，机器翻译的输入是长度不一的。本周学习self-attention，self-attention是一种可以考虑全局信息以及不同输入向量之间关系的机制，在训练时可以充分发挥这些关系，优化训练的结果，同时self-attention在很多领域都能得以运用。
机器学习第五十四周周报 MAGNA
weixin_44162879的博客
08-31 729
本周阅读了题为Multi-hop Attention Graph Neural Network的论文。该文提出MAGNA，整合多跳上下文信息到GNN每层注意计算中，增强网络注意力分布，扩大每层“接受场”。MAGNA采用注意力扩散先验，有效解释非连接节点间路径。理论和实验证明，MAGNA捕获大规模结构信息，具低通效应，去噪高频信息。在节点分类和知识图谱基准上，MAGNA达最先进结果，相对误差降5.7%。在大规模图数据集上表现强劲，并在知识图谱完成上推进WN18RR和FB15k-237的四个性能指标。
python第四周小测验答案_python周报第四周
weixin_39639174的博客
11-26 194
0.本周知识点预览内置函数装饰器基础1.内置函数进阶1.chr()、ord()print(chr(66))print(ord("F"))执行结果如下B70总结：chr()函数是把数字转换成相应ASCII码对应的值，ord()和chr()相反，可以把ASCII码对应的值转换成数字。2.random()importrandomlist=[]for i in range(6):r= random.ran...
第十四周：机器学习周报
m0_66015895的博客
07-23 385
摘要Transform是在神经网络之后又发展的一个比较流行的深度模型，通过学习了解到Transformer不同与以往其他神经网络，由且仅由self-Attenion和Feed Forward Neural Network组成。Transform类似seq2seq模型，首先了解了seq2seq模型，以及在各方面的应用。Transform模型分为编码（Encode）和解码（Decoder）两个模块。
化工周报：11月第1周.pdf
08-22
【化工行业周报——11月第1周】本周报告主要聚焦化工行业的最新动态、市场趋势以及投资建议。报告指出，当前化工行业中游的高景气度接近尾声，未来的周期性机会主要集中在化纤和农化这两个子领域。 首先，报告强调...
餐饮旅游行业2018年8月第2周周报：中国国旅中报预增48%，众信旅游中报业绩同增45%.pdf
07-15
餐饮旅游行业2018年8月第2周行业动态与分析： 根据东兴证券的行业研究报告，餐饮旅游行业在2018年8月第二周的表现与之前相比有所变化。沪深300指数在该周上涨了1.01%，而餐饮旅游板块却下跌了0.42%，整体表现未能跟...
零售行业周报第322期：猪年最后一周，建议关注小市值公司.pdf
07-16
周报中特别提及了零售行业主要的97家上市公司（不包括2020年新上市的公司）的表现。报告列出了过去一周上涨和下跌的公司数量，并指出了涨幅排名前三的公司。同时，2020年以来的涨幅排名前三的公司也被列了出来。这一...
20210221-浙商证券-机械行业周报（2021年2月第3周）：工程机械需求持续旺盛，三一中联春节首批交付开门红.pdf
06-20
浙商证券发布的这份机械行业周报主要涵盖了工程机械、光伏/风电设备、锂电设备、油服、检验检测、消费升级和工业气体等行业动态，并给出了一系列投资建议。 首先，报告指出工程机械行业的需求持续旺盛。2021年1月份...
深度学习·wandb
2301_80132162的博客
10-01 435
一个好用的可视化训练过程和调参工具，建议在深度学习中使用，语法来说更加方便。
基于CNN+Transformer混合模型实现交通流量时序预测(PyTorch版)
君子不器 大道无方
09-30 1508
本文旨在详细介绍如何使用PyTorch框架实现基于CNN+Transformer的混合模型，并将其应用于交通流量时序预测任务。我们将从模型架构、数据处理、训练优化等多个方面进行深入剖析，力求为读者提供一个全面、系统的学习与实践指南。希望通过本文的介绍，读者能够掌握CNN+Transformer混合模型的基本原理与实现方法，并能够在实际交通流量预测任务中灵活应用，为城市交通管理与规划贡献自己的力量。
安全帽头盔检测数据集 3类 12000张 安全帽数据集 voc yolo
最新发布
阿利同学的博客
10-04 880
安全帽头盔检测数据集 3类 12000张 安全帽数据集 voc yolo
深度学习：DCGAN
Landy_Jay的博客
10-01 494
CDGAN（Deep Convolutional Generative Adversarial Networks），是GAN（Generative Adversarial Networks）的一种变体，它特别使用了卷积神经网络（CNNs）作为生成器和判别器的构建模块。DCGAN使用全卷积网络结构代替传统的池化层和全连接层。在生成器中采用转置卷积（也称为分数步长卷积或反卷积）来逐步增加图像的空间维度。在判别器中使用卷积层来逐步减少空间维度并提取特征。
国创——基于分离表示的人脸图像生成技术
2301_80073593的博客
10-01 1007
根据用户的个性化需求，对分离得到的形状和纹理表示进行调整。- 在DFGA框架的几何形状生成模块中，根据输入数据（可能是经过预处理的图像特征等），使用特定的算法或模型生成人脸的几何形状。- 分离表示旨在将人脸图像分解为不同的组件，如几何形状（面部结构）、皮肤纹理（颜色、细节等）等表示形式。- 将生成的几何形状和皮肤纹理进行融合，得到最终的个性化人脸图像或者视频帧（如果是从视频序列输入）。- 定义DFGA框架中的各个模块，如数据加载模块、几何形状生成模块、皮肤纹理生成模块、融合模块等。
编写一份CAD工程师第十五周周报
03-10
你好，以下是我的回答： 本周工作总结： 1. 完成了客户提出的CAD图纸修改需求，并进行了测试和验收。 2. 参与了公司内部的CAD培训课程，学习了新的CAD技术和工具。 3. 协助同事解决了一些CAD软件使用中的问题。...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值