articles learning multiple insomnia
Java Learning Day3 数组
System.out.print; System.out.println;每输出一次就会换行 Integer.parseInt 字符串转int Double.parseDouble 字符串转double 数组 存储结构连续，存储元素类型相同，随机访问 JVM JVM栈：JVM栈正是java中方法执行 ......
Linux 内核参数调整解析：深度优化数据库性能 转载:https://www.toutiao.com/article/7304950566709559843
系统内核参数配置文件：/etc/sysctl.conf 一、参数说明 1、关闭 IPv6 支持 net.ipv6.conf.all.disable_ipv6 = 1 net.ipv6.conf.default.disable_ipv6 = 1 作用：关闭对 IPv6 的支持，减轻系统负担，提高安全性 ......
TensorFlow-深度学习预训练模型的使用方法讲解（TensorFlow-Explanation on how to use deep learning pre-trained models）
在运用深度学习模型时，掌握运用预训练模型的方法是必不可少的一步。为什么要使用与训练的模型，原因归纳如下： （1）使用大量高质量的数据（如 ImageNet 是普林斯顿大学与斯坦福大学所主导的项目）又加上设计较复杂的模型结构（如ResNet模型高达150层）设计出来的模型，准确率会大大提高。 （2）可 ......
Learn DevOps：Start DevOps with Docker（三）
一、Docker与Microservices 很多人都在谈论microservices的优势，但是它不是免费的，面临着许多挑战，Docker在解决这些挑战方面发挥至关重要的作用。在微服务体系结构中，我们将构建许多微小的服务，而不是构建一个大的整体，这些微服务中的每一个都可以用不同的技术来构建。由于这 ......
Learn DevOps: Start devOps with Docker（二）
一、Docker image commands docker images 查看本地计算机中所有存在的image docker pull mysql 可以看到如果我们不提供标记，它会使用默认的最新的标记，它会查看是否有标记为latest的mysql映像，并将其汇集下来。pull只会拉取image使其 ......
论文：Predicting Optical Water Quality Indicators from Remote Sensing Using Machine Learning Algorithms in Tropical Highlands of Ethiopia
水刊，中科院都没有收录。不属于sci。 吃一堑长一智，以后先看属于哪个期刊的。总是忘记。 期刊：Hydrology 浪费时间，啥也没有，没有创新点，就一点点的对比工作量。 “Predicting Optical Water Quality Indicators from Remote Sensing ......
CA-TCC: 半监督时间序列分类的自监督对比表征学习《Self-supervised Contrastive Representation Learning for Semi-supervised Time-Series Classification》(时间序列、时序表征、时间和上下文对比、对比学习、自监督学习、半监督学习、TS-TCC的扩展版)
现在是2023年11月27日，10:48，今天把这篇论文看了。 论文：Self-supervised Contrastive Representation Learning for Semi-supervised Time-Series Classification GitHub：https://g ......
The Hello World of Deep Learning with Neural Networks
The Hello World of Deep Learning with Neural Networks dlaicourse/Course 1 - Part 2 - Lesson 2 - Notebook.ipynb at master · lmoroney/dlaicourse (github ......
The Hello World of Deep Learning with Neural Networks
The Hello World of Deep Learning with Neural Networks dlaicourse/Course 1 - Part 2 - Lesson 2 - Notebook.ipynb at master · lmoroney/dlaicourse (github ......
《Visual Analytics for RNN-Based Deep Reinforcement Learning》
摘要 准备开题报告，整理一篇 2022 年TOP 论文。 论文介绍 该论文是一篇 2022 年，有关可视化分析基于RNN 的深度强化学习训练过程的文章。一作是 Junpeng Wang ，作者主要研究领域就是：visualization, visual analytics, explainable ......
Can Pre-Trained Text-to-Image Models Generate Visual Goals for Reinforcement Learning
概述 Learning form the Void (LfVoid) 根据给定的language instruction对observation进行appearance-based and structure-based修改得到goal images，为RL提供奖励信号。提升了example-bas ......
Computer vision: models, learning and inference
http://www.computervisionmodels.com/ 13.2.3 SIFT detector SIFT 尺度不变特征转换 s a second method for identifying interest points 一个尺度和对应兴趣点定位 14 15 16 ......
Learn DevOps 第二章：Start DevOps with Docker（一）
一、Introduction and installation 这一张让我们来看一些让开发运维变得非常简单的东西：Containerization。 我们身处微服务的世界，有数百个微服务，一些用Java构建，一些用python构建，还有一些可能是用Javascript构建的。这三种语言的应用程序所需 ......
Federated Learning005
联邦学习——笔记005 2023.11.27周一，最近支原体肺炎高发。研一上课结了一部分，赶紧看论文。 时隔大半年，今天开始学习联邦学习的大综述————Advances and Open Problems in Federated Learning（联邦学习中的最新进展和开放问题） Introduc ......
offline RL | BCQ：学习 offline dataset 的 π(a|s)，直接使用 (s, π(s)) 作为 Q learning 训练数据
① 使用 VAE 建模 offline dataset 的 π(a|s)，② 添加一个可以学习的 action 扰动 ξ，③ 用 (s, a=π(s)+ξ, r, s') 做 Q-learning。 ......
Java learning Day2 常量 变量 运算符 Scanner 方法 数组
常量 ： 字面值常量（直接写值的常量）+自定义常量 变量： long型变量后必须加L; 小数字面值常量默认double 若用float需加F； 变量强转：小的会自动转成大的 float虽然只有4个字节 但是比所有整型的取值范围都大 浮点型有精度问题 表达式类型提升： 如果表达式当中存在多种数据类型 ......
Learning Auxiliary Monocular Contexts Helps Monocular 3D Object Detection (5)
Qualitative Results如下图所示: ......
Learning Graph Filters for Spectral GNNs via Newton Interpolation
目录概符号说明MotivationNewtonNet代码 Xu J., Dai E., Luo D>, Zhang X. and Wang S. Learning graph filters for spectral gnns via newton interpolation. 2023. 概 令谱 ......
Java Learning Day1 关键字、标识符、注释、变量
其实之前也学习过两个月的JAVA，跟着淘宝上买的王道Java课，每天看了1day，整个过程下来感觉什么都没有掌握，所以现在就打算重新学一次，从最开始的关键字开始，也就开通了博客，希望这次学习可以多多掌握一些吧。 关键字：小写、含有特殊含义的单词 标识符：方法名、类名、参数名、变量名（英文、不用拼音） ......
Joint Autoregressive and Hierarchical Priors for Learned Image Compression
abstruct 最近的图像压缩模型基于自编码器，学习近似可逆的映射（从像素到量化的可逆表示），这些与熵模型（潜在表示的先验）结合，可以与标准算术编码算法一起使用产生压缩比特流。与简单的全因子先验相比，分层熵模型可以利用更多潜变量中的结构，从而在保存端到端优化的同时提高压缩性能。众所周知，自回归模型 ......
【略读论文|时序知识图谱补全】Learn from Relational Correlations and Periodic Events for Temporal Knowledge Graph Reasoning
会议：SIGIR，时间：2023，学校：国防科技大学 摘要： 之前模型存在的问题：未能利用快照内结构信息的关系之间的语义相关性与快照间时间交互沿时间轴的周期性时间模式。 本文的工作：提出了一种新的推理模型（RPC）；它通过两个新的通信单元，即关系通信单元(RCU)和周期通信单元(PCU)，充分挖掘关 ......
论文阅读笔记：Revisiting Prototypical Network for Cross Domain Few-Shot Learning
标题：重新审视用于跨领域少样本学习的原型网络 研究背景： 问题背景：原型网络是一种流行的小样本学习方法， 其网络简单而直观，对于小样本学习问题有着较好的表现，尤其是在图像分类等领域。 存在问题：然而，当推广到跨领域的少样本分类任务时，其性能出现了大幅度下降，这严重限制了原型网络的实用性。 研究动机： ......
【略读论文|时序知识图谱补全】DREAM: Adaptive Reinforcement Learning based on Attention Mechanism for Temporal Knowledge Graph Reasoning
会议：SIGIR，时间：2023，学校：苏州大学计算机科学与技术学院，澳大利亚昆士兰布里斯班大学信息技术与电气工程学院，Griffith大学金海岸信息通信技术学院 摘要： 原因：现在的时序知识图谱推理方法无法生成显式推理路径，缺乏可解释性。 方法迁移：由于强化学习 (RL) 用于传统知识图谱上的多跳 ......
[948] Extract PDF tables that have cells with multiple lines
If your PDF tables have cells with multiple lines, and you want to merge those lines within the same cell when extracting the table, you might need a ......
初中英语优秀范文100篇-003 My ways of learning English
记忆树 1 As we all know, English is one of the most important languages in the world. 翻译 众所周知，英语是世界上最重要的语言之一 简化记忆 最重要的语言 句子结构 "as we all know"是一个引导从句的短语， ......
【略读论文|时序知识图谱补全】Temporal Knowledge Graph Reasoning with Historical Contrastive Learning
会议：AAAI，时间：2023，学校：上海交通大学 摘要： 大多数时序知识图谱的推理方法高度依赖于事件的递归或周期性，这给推断与缺乏历史交互的实体相关的未来事件带来了挑战。本文提出一种新的基于历史对比学习训练框架的对比事件网络（CENET）的新事件预测模型。 1.CENET 学习历史和非历史依赖来区 ......
Learning to rank: from pairwise approach to listwise approach
目录概ListNetPermutation ProbabilityTop-k Probability Cao Z., Qin T., Liu T., Tsai M. and Li H. Learning to rank: from pairwise approach to listwise appr ......
《Fine-Grained Image Analysis with Deep Learning: A Survey》阅读笔记
论文标题 《Fine-Grained Image Analysis with Deep Learning: A Survey》 作者 魏秀参，南京理工大学 初读 摘要 与上篇综述相同： 细粒度图像分析（FGIA）的任务是分析从属类别的视觉对象。 细粒度性质引起的类间小变化和类内大变化使其成为一个具有 ......
23 MSTP概述（Multiple Spanning Tree Protocol/多生成树协议）
在划分VLAN的网络中运行RSTP/STP，局域网内所有的VLAN公用一棵树，被阻塞的链路不承担任何流量，无法在VLAN间实现数据流量的负载均衡，导致链路带宽利用率和设备利用率低，为了你部此缺点在802.1S定义了MSTP（Multiple Spanning Tree Protocol） MSTP概 ......
《Deep learning for fine-grained image analysis: A survey》阅读笔记
论文标题 《Deep learning for fine-grained image analysis: A survey》 作者 魏秀参，旷世研究院 初读 摘要 细粒度图像分析（FGIA）的任务是分析从属类别的视觉对象。 细粒度性质引起的类间小变化和类内大变化使其成为一个具有挑战性的问题。 本文旨 ......