- 博客(13)
- 收藏
- 关注
RSS订阅原创 SMM在机器学习和深度学习中的应用
状态空间方程提供了一种将系统的数学模型表达为一组一阶微分方程的方法，描述了系统状态的演变和输出方程。描述系统状态随时间的变化。x˙tAxtBut其中x˙t表示状态向量x关于时间的导数，A是系统矩阵，描述系统状态之间的作用，B是输入矩阵，描述外部输入ut如何影响系统状态。ytCxtDut其中，yt是输出向量，C是输出矩阵，描述系统状态如何影响输出，而D是直接传递矩阵，描述输入如何直接影响输出。
2024-01-30 23:08:52
2145
1
原创 snn硬件瓶颈论文学习
SATA是一种稀疏感知训练加速器，用于在全数字 von-Neumann 架构上对最先进的基于 BPTT 的 SNN 训练进行基准测试。SATA 采用了简单、可重新配置的收缩阵列设计，并具有三级内存层次结构。这使得 SNN 算法设计人员可以直接在 SATA 上部署工作负载，并估算硬件能耗成本。虽然 SATA 被设计为训练加速器，但它可以通过连接与训练相关的组件，对预训练 SNN 的推理性能进行enchmark。
2024-01-03 11:17:59
571
1
原创 SNN论文学习
图像的模拟像素值X直接输入，在backbone中，第一个卷积层用于将输入转换为脉冲,在这里面LIF神经元对加权输入进行整合并输出脉冲序列，在膜电位超过训练的点火阈值时产生训练的输出尖峰。灵汐不支持5D的tensor,shape=[T,N,C,H,W]，使用to_lynxi_supported_module或者to_lynxi_supported_modules转换，会把输入视作。推理的时候首先加载编译好的网络，将Pytorch的输入tensor转换为灵汐的tensor，送入网络；
2023-11-14 21:39:04
275
3
原创 PSN代码学习
#! https://zhuanlan.zhihu.com/p/665802423引入库import mathimport torchimport torch.nn as nnimport torch.nn.functional as Fimport torchvisionfrom torchvision import transformsfrom spikingjelly.activation_based import neuron, functional, surrogate, laye
2023-11-08 21:51:03
70
1
原创 PSN论文笔记
过去的研究主要集中在改进脉冲神经元的性能，如Parametric Leaky Integrated-and-Fire (PLIF)神经元、gated LIF (GLIF)神经元和k-based Leaky Integrate-and-Fire (KLIF)神经元等。本文的动机是提出一种新的并行脉冲神经元模型，以解决传统模型在模拟速度和学习长期依赖方面的问题。本文主要目的在于使用并行化进行训练和推理，在结构分析时发现传统LIF神经元的reset过程使SNN具有了RNN的特征，难以进行并行化训练。
2023-10-30 22:03:43
81
1
原创 SAM相关下游任务研习
在公开的热红外语义分割数据SODA上的实验验证了其在该领域的有效性，其中由SATIR训练的主干模型的平均Intersection over Union (mIoU)约为1.3%，优于其他模型。DSEC-MOS提出了新的用于自动驾驶移动物体分割的数据集，结合了基于事件的视觉数据，通过使用SAM和DSEC-MOD提供的移动物体边界框，生成准确的分割掩码注释。根据医学图像的成像格式，SAM在医学图像分割中的应用可分为：CT，磁共振，结肠镜图像，H&E年龄染色组织学切片，多格式图像等。
2023-10-23 22:07:26
318
原创 Segment Anything研习
个人感觉这篇文章的精华在于数据引擎的build，有Data-centric的思想，更侧重于提高数据的质量和数量。这个模型使用了Transformer和注意力机制，能够有效地处理图像和文本信息的复杂关系，从而实现精准的对象分割。项目是用于图像分割的新任务、模型和数据集。这些代码实现了一个名为SAM的模型，用于在图像和输入提示（prompts）的帮助下预测对象的掩膜（masks）。本文的目标是建立图像分割的基础模型，试图开发一个可提示的模型，旨在使用prompt解决新数据分布的下游分割问题。
2023-10-16 23:00:55
161
1
原创 csapp_datalab
正溢出负溢出后3个符号位为001或者110，而不溢出有以下几种情况:101，100，111，000，011，010。本报告要求学生把实验中实现的所有函数逐一进行分析说明，写出实现的依据，也就是推理过程，可以是一个简单的数学证明，也可以是代码分析，根据实现中你的想法不同而异。写写画画发现多位1异或就可以出来，关键是highbit左移的合法性，当highbit=31的时候<<31+1非法操作，不同编译器不同结果，所以要两次左移。x<0时，符号位为1，>>31位后得到全1，逻辑取反!对于正数，最低n位就是答案。
2023-10-13 16:24:01
737
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