ygf666的博客

深度学习平台(只能有线连接校园网)账户密码env3 : pytorch1.9+cuda+jupyter+matplotlibpycuda: pycudaTimesformer–data_dir ./trainingVideo --category my_fire --output_dir ./output --image_size 100 --num_chain 10 --batch_size 14 --lr 0.001 --num_frames 30使用指南因为这个设备的环境无法在线或者本地安

贝叶斯 GAN（Saatchi 和 Wilson，2017）是生成对抗网络（Goodfellow，2014）的贝叶斯公式，我们在其中学习生成器参数θg\theta_gθg​和鉴别器参数θd\theta_dθd​的分布，而不是优化 用于点估计。贝叶斯方法的优点包括在参数空间中灵活地建模多模态，以及在最大似然（非贝叶斯）情况下防止模式崩溃的能力。我们通过称为“随机梯度哈密顿蒙特卡罗（SGHMC）”的近似推理算法来学习贝叶斯 GAN，这是一种基于梯度的 MCMC 方法，其样本近似于θg。

视频序列包含丰富的动态模式，例如在时域中表现出平稳性的动态纹理模式，以及在空间或时域中表现出非平稳的动作模式。我们证明了时空生成卷积网络可用于建模和合成动态模式。该模型定义了视频序列上的概率分布，对数概率由时空ConvNet定义，该网络由多层时空滤波器组成，用于捕获不同尺度的时空模式。该模型可以通过迭代以下两个步骤的“综合分析”学习算法从训练视频序列中学习。步骤 1 从当前学习的模型合成视频序列。步骤 2 然后根据合成视频序列和观察到的训练序列之间的差异更新模型参数。

本文只介绍关于MCMC训练的部分，由此可知，MCMC常常被用于训练EBM。最后一张图源于

本文提出了新的生成器优化方式，将鉴别器中的知识合并到改进的生成器中。我们介绍了 Metropolis-Hastings 生成对抗网络（MH-GAN），它结合了马尔可夫链蒙特卡罗和 GAN 的各个方面。MH-GAN 从 GAN 的判别器生成器对隐式定义的分布中抽取样本，而标准 GAN 从仅由生成器定义的分布中抽取样本。它使用 GAN 训练中的判别器围绕生成器构建包装器以改进采样。有了完美的鉴别器，即使生成器不完美，这种包装的生成器也可以准确地从数据的真实分布中进行采样。

文章总结：本文提出了使用一种生成式的模型作为MCMC算法中的建议方式，并通过GAN进行优化。

A Prefetching Multi-Proposal Parallel MCMC Algorithm

1.旋翼的拉力2.旋翼的诱导速度简化版完整版3. 地面效应

变距：控制桨叶角。

1.临界马赫数和局部激波2.局部激波对升力压力的影响3. 局部激波对阻力的影响

焦点与翼型有关，总升力矩可以视为附加升力与零升力迎角升力的合成，对于对称翼型，零升力力矩为0，附加升力就是总升力，其焦点就是其压力中心。对于对称翼型，零升力力矩为0，对于非对称翼型，零升力力矩存在，与不对称度成正比。对于不对称翼型，升力对焦点的力矩保持不变。

来源

测压装置总距改变桨叶角。

由于其设计制造比较简单，早期直升机大多采用矩形桨叶，缺点是在高速气流中，无法抑制。，会消耗向下的诱导速度，降低旋翼的拉力。现代多采用梯形桨叶。图片上方称之为前缘，下方称为后缘。桨尖后掠能够降低桨尖涡。

源于B站

【代码】数据结构与算法2。

本章主要是认识复杂度与简单排序算法。1.2.常数操作：与数据量无关的操作3.4.额外空间复杂度，参考时间复杂度提取出多位中最右侧的1： a&(~a+1)

既然要用到 cuda 那么，就要 .cu(cuda) 文件,这里并没有并行。而是做一个调用的demo。每个点的内插都是独立的，每个点对于每个特征点来说，也是独立的，因此可在这两个方向上并行。N表示有N个正方体，8表示8个特征点，F表示每个特征点的表示方式，F应该等于3吧。和之前的c++程序相比，有以下变化。N表示有N个正方体，3表示坐标。

pytorch C++ cuda