XML中DOCTYPE字段的解析

最新推荐文章于 2025-03-10 22:07:53 发布
最新推荐文章于 2025-03-10 22:07:53 发布
阅读量5k 收藏 1
点赞数 1
分类专栏： java 文章标签： xml 语言 url 文档 system html
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 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.youkuaiyun.com/HelloAnyone/article/details/6223373
版权

DTD声明始终以!DOCTYPE开头,空一格后跟着文档根元素的名称,如果是内部DTD,则再空一格出现[],在中括号中是文档类型定义的内容. 而对于外部DTD,则又分为私有DTD与公共DTD,私有DTD使用SYSTEM表示,接着是外部DTD的URL. 而公共DTD则使用PUBLIC,接着是DTD公共名称,接着是DTD的URL.

 

私有DTD

<!DOCTYPE root SYSTEM  "http://www.test.org/test.dtd" >

 

公共DTD

<!DOCTYPE html PUBLIC  "-//W3C//DTD XHTML 1.0 Transitional//EN"

             "http://www.w3.org/TR/xhtml/DTD/xhtml1-transitional.dtd" >

 

公共DTD,DTD名称格式为"注册//组织//类型 标签//语言",

     "注册"指示组织是否由国际标准化组织(ISO)注册,+表示是,-表示不是.

     "组织"即组织名称,如:W3C;

     "类型"一般是DTD,

     "标签"是指定公开文本描述，即对所引用的公开文本的唯一描述性名称,后面可附带版本号。

     最后"语言"是DTD语言的ISO 639语言标识符,如:EN表示英文,ZH表示中文,

     在下面的地址有完整的ISO 639语言标识符列表:http://ftp.ics.uci.edu/pub/ietf/http/related/iso639.txt

 

例如：

<!DOCTYPE html PUBLIC  "-//W3C//DTD XHTML 1.0 Transitional//EN"

             "http://www.w3.org/TR/xhtml/DTD/xhtml1-transitional.dtd" >

 

以!DOCTYPE开始,

     html是文档根元素名称,

     PUBLIC表示是公共DTD,

     后面是DTD名称,以-开头表示是非ISO组织 组织名称是W3C,EN表示DTD语言是英语,

     最后是DTD的URL

 

注意:虽然DTD的文件URL可以使用相对URL也可以使用绝对URL,但推荐标准是使用绝对URL.另一方面,对于公共DTD,如果解释器能够识别其名称,则不去查看URL上的DTD文件

 

参考文章地址：http://lz12366.javaeye.com/blog/725383

PINN物理信息网络 | 全局自适应物理信息神经网络SA-PINN
算法如诗的博客
01-28 1023
PINN物理信息网络 | 全局自适应物理信息神经网络SA-PINN
高频问题的PFNN求解，自适应采样初步探索
forrestguang的博客
12-21 984
高频问题介绍 −Δu=f,x∈Ω=(0,1)2-\Delta u=f,x \in \Omega=(0,1)^2−Δu=f,x∈Ω=(0,1)2 u=g,x∈∂Ωu=g,x \in \partial \Omegau=g,x∈∂Ω u=sin⁡(ηπx)sin⁡(ηπy),η=2,4,8u = \sin(\eta \pi x)\sin(\eta \pi y),\eta=2,4,8u=sin(ηπx)sin(ηπy),η=2,4,8 高频问题使用传统方法求解效果很差 import torch import
SGD中的自适应采样法总结
qq_35356741的博客
05-26 1576
1. 有放回均匀采样（SGD uniform）,样本采样概率为： (1) 式中，|D|为数据集大小。为采样第i个样本的概率。 2. 不放回采样（SGD scan） ...
2025正在爆发！“PINN+注意力机制”成高校论文新赛道
最新发布
奇华资料的博客
03-10 641
霸榜一区顶刊和各大顶会！光是ICLR25就有多篇。其中模型，更是取得了预测误差直降99.2％，收敛速度狂提的拔群效果！其热度可见一斑！主要在于：一方面，这两者结合非常好出创新点。PINN作为好“水”论文的顶流，传统的改进方法，早已卷成麻花，而与注意力机制结合，则是新兴思路，还在起步阶段。另一方面，其为处理复杂数据和多种模态数据的任务，提供了全新的解决方案。注意力机制动态权重分配的特点，能够克服PINN面临梯度消失或计算效率低的缺陷，助力模型的预测准确性和泛化能力的提升。
PointASNL自适应采样非局部神经网络的点云鲁棒操作初探
cuiy24的博客
08-21 945
原始点云数据不可避免地从3D传感器或在重建算法中包含了异常值。本文提出了一种用于鲁棒点云处理地新型端到端网络，称为PointASNL。其完成了一个指标：在对含有噪声地点云数据处理问题上，具有良好地性能和鲁棒性。 该网络中的关键部分是自适应采样（Adaptive SampLing）模块。简单来说，首先利用最远点采样法以及KD树搜索邻近点，对采样点的领域进行加权，然后在整个点云中自适应的调整采样。AS模块不仅有益于点云的特征学习，二千缓解受异常值的影响。 为了进一步捕捉邻域信息和长期依赖于采样点，作者从非局部操
PINN及其“变种”
qq_58325633的博客
12-26 6104
本文简单介绍了PINN（基于物理信息的神经网络），以及它的改进方法——Self-adaptive PINNs、Parareal PINNs、Bayesian PINNs、Multi-fidelity PINNs
论文理解：“Self-adaptive loss balanced Physics-informed neural networks“
RrS_G的博客
08-07 3223
译：自适应损失平衡物理信息神经网络-- Neurocomputing -- 2022 鉴于PINN的损失函数的各个权重是固定的，并且也有研究观察到PINN的训练效率敏感地依赖于与不同损失项相关的权重。但是一般的调整损失权重的方法非常耗时、费力，而且容易出现错误和遗漏。所以作者希望找到一种更方便的自适应学习损失权值的方法——自适应损失平衡物理信息神经网络(IbPINNs)。 首先PINN的损失是：其中损失权重λ大小是固定的，以及作者通过数值实验研究了损失权值对PINN精度的影响。这
2024年6月10日Arxiv机器学习相关论文
数智笔记
06-11 1181
威胁神经网络在安全关键应用中广泛使用的一个关键挑战是它们对对抗攻击的脆弱性。本文研究了连续可微深度神经网络的二阶行为，重点关注对抗扰动的鲁棒性。首先，我们通过利用局部梯度和二阶导数（曲率常数）的上界，对深度分类器的鲁棒性和攻击证书进行了理论分析。接下来，我们引入了一种新的算法，用于分析计算神经网络二阶导数的可证明上界。该算法利用模型的组合结构逐层传播曲率上界，从而实现了可扩展和模块化的方法。所提出的上界可以作为可微的正则化器，在训练过程中控制神经网络的曲率，从而增强鲁棒性。
自适应权重
qq_45809323的博客
10-18 1992
自适应权重是一种通过模型内部动态调整权重的技术，使得模型可以更灵活地适应输入数据、任务需求或模型状态的变化。这种技术在多任务学习、优化器、注意力机制等多个领域中得到了广泛应用，显著提升了模型的性能和效率。
使用飞桨高阶自动微分功能探索AI+结构领域科研
PaddlePaddle
03-13 580
‍‍在工程和科学领域，AI与科学方法的结合正在解决更多经典科学问题，并在固体、流体、传热、材料等越来越多的领域得到了验证。为了更好支撑科研人员开展AI与基础学科的交叉融合研究，百度飞桨不断完善框架能力，提供支持AI+科学计算的复数算子、高阶自动微分机制以及高性能编译等等。本期我们聚焦结构领域中的“高阶”物理机理，向大家说明飞桨如何利用“高阶自动微分算子”处理结构领域中的经典问题。
A comprehensive study of non-adaptive and residual-based adaptive sampling
xuelanghanbao的博客
06-16 986
在监督学习中，数据集在训练期间是固定的，但在PINNs中，我们可以在任何位置选择残差点。因此，在每次优化迭代中，我们可以选择一组新的残差点，而不是在训练期间使用相同的残差点，这一点在DeepXDE中首次强调。虽然这种策略已经在一些工作中使用，但它还没有被系统地测试。等距均匀网格;均匀随机采样;LHS;Sobol序列;Halton序列;Hammersley序列。基于均匀点的重采样（Random-R）;基于残差的贪婪的自适应细化（RAR-G）；基于残差的适应性分布(RAD)；
自适应激活函数和区域分解
weixin_52628616的博客
10-11 1556
1.自适应激活函数Pytorch：自适应激活函数（Adaptive activation functions），让网络更容易收敛-优快云博客2.cpinn ：守恒pinn 针对的是双曲守恒律方程pytorch实现3.xpinn：扩展pinn。
三维流场重构
Genius889的博客
04-14 2155
对于基于局部折射率变化的气体运动可视化，背景定向纹影（BOS，也称为合成纹影）是激光成像方法的一种简单且经济高效的替代方法。它具有等优点。同时，该方法也具有一些局限性，它对噪声非常敏感，同时该方法依赖于密度变化小的假设。因此，用该方法直接重构三维流场精度会受到影响。在本文中，作者用Tomo-BOS方法获得了3D温度场的连续照片，并构建了一个基于不可压缩NS方程和传热方程的物理神经网络(PINN)，通过网络对输入的3D温度场进行处理，还原真实的三维流场、压力场、温度场等。
深度学习求解微分方程系列四：一种基于自适应激活函数的PINN求解方法—burger方程逆问题
山里娃的博客
11-10 6688
下面我将介绍内嵌物理知识神经网络（PINN）求解微分方程。首先介绍PINN基本方法，并基于Pytorch的PINN求解框架实现求解含时间项的一维burger方程逆问题。
​内嵌物理知识神经网络（PINN）是个坑吗？
热门推荐
Paper weekly
02-14 1万+
©PaperWeekly 原创 ·作者 | zwqwo单位 | 某知名券商计算机行业研究员研究方向 | 关注国产CAD、CAE等工业软件发展从无网格方法到内嵌物理知识的神经网络内嵌物理知...
物理信息驱动深度学习相关报告总结
山里娃的博客
10-21 2237
物理信息驱动深度学习相关报告
pinn的自适应损失权重
01-23
### PINN 中自适应损失权重的实现方法与原理 #### 自适应损失权重的重要性 传统物理信息神经网络 (PINN) 的损失函数各部分权重固定不变，这使得训练过程对不同损失项之间的相对重要性高度敏感。研究表明，这种固定的权重设置可能导致训练效率低下，并影响最终模型的表现[^1]。 #### IbPINNs 方法概述 为了克服这一局限，提出了自适应损失平衡物理信息神经网络 (IbPINNs)，该方法旨在动态调整各项损失函数的权重，以提高求解复杂偏微分方程的能力。具体来说，在处理像Navier-Stokes这样的流体力学问题时，通过自动调节损失权重可以显著改善收敛速度和准确性[^2]。 #### 关键技术细节 - **全局自适应机制**：不同于传统的网格化离散方案，SA-PINN采用随机抽样的方式选取训练样本点，降低了所需的数据量并提高了灵活性。更重要的是，引入了一个随位置变化而改变其值的权重函数，允许某些特定区域内的重要特征得到更多关注[^4]。 - **自适应权重更新策略**：在每次迭代过程中，根据当前误差分布情况实时修改各个子目标（如 PDE 损失、边界条件等）对应的系数大小。这意味着那些难以满足的部分将会被赋予更高的优先级，直到整体残差达到最小为止[^3]。 ```python def update_weights(losses, current_epoch): """ 动态调整每类损失项的权重 参数: losses (dict): 各个损失项及其对应数值 current_epoch (int): 当前轮次 返回: updated_weights (dict): 更新后的权重字典 """ total_loss = sum(losses.values()) normalized_losses = {k: v / total_loss for k, v in losses.items()} # 计算新的权重分配 updated_weights = {} for key, value in normalized_losses.items(): alpha = 0.95 # 平滑因子 beta = math.exp(-current_epoch * 0.01) # 衰减率 updated_weights[key] = alpha * value + (1 - alpha) * beta return updated_weights ``` 此代码片段展示了如何基于现有损失比例以及训练进度来自动生成下一阶段适用的新权重集。平滑因子 `alpha` 和衰减速率 `beta` 控制着历史表现的影响程度及时变效应的程度。
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