欧洲赢麻了！互联网巨头被迫拆围墙；git常用命令速查；Diffusion扩散模型实例教程集；高效C++机器学习库；前沿论文 | ShowMeAI资讯日报

ShowMeAI ShowMeAI 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.1w累计阅读 1.2w+平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄5年
关注
原创 2022-11-04 19:08:06 1.1w 阅读 AI 写同款· GEO 优化 ›
C++：实现量化Jump-diffusion跳跃扩散过程测试实例 阅读详情

📢 欧洲准备改写互联网规则：科技巨头被迫拆掉围墙

https://www.wired.com/story/europe-dma-prepares-to-rewrite-the-rules-of-the-internet/

11 月 1 日，欧盟的《Digital Markets Act (数字市场法)》开始生效，要求占主导地位的平台让较小的竞争对手进入，并且迫使 WhatsApp 接收来自 Signal 或 Telegram 等竞争应用程序的消息，或者阻止亚马逊、苹果、谷歌优先使用他们自己的应用程序和服务。

欧盟将在春季宣布“gatekeepers (守门人)”名单——即那些规模大、地位稳固、受最严格规则约束的公司。分析师预测这个名单有12家左右公司，包含亚马逊、谷歌和 Meta等互联网巨头。

法案将给设备使用和应用程序操作带来重大变化，简而言之，互联网巨头在 2023 年将更加开放，被迫拆掉围墙。同时欧盟也在考虑通过有关人工智能的具体条款，包括禁止AI技术的滥用。

工具&框架

🚧 『Private Detector』开源色情图像检测引擎

https://github.com/bumble-tech/private-detector

Private Detector 是一个开源色情图像检测引擎，可以精准地对色情图像进行分类检测和模糊，并在用户打开照片之前向他们发送相关警告，可以应用于各种内容审核场景。这原本是 Bumble 公司的一个内部项目，在进行大量的重构后作为一个完全开源的项目发布。

🚧 『Pyxel』Python经典像素风游戏制作引擎

https://github.com/kitao/pyxel

Pyxel 是一个 Python 的经典像素风游戏制作引擎。像素风游戏的机制非常简单（如：最多只能显示 16 种颜色、播放 4 种声音等），通过Pyxel你也可以轻松地享受这种游戏的制作过程。

🚧 『flashlight』快速、灵活的C++机器学习库

https://github.com/flashlight/flashlight

flashlight 是一个快速灵活的 C++ 机器学习库，由 Facebook AI 研究语音团队及 Torch 和 Deep Speech 的创作者用 C++ 编写，支持机器学习算法及语音、视觉目标检测、语言模型等应用。

🚧 『ROLAND』动态图图学习框架

https://github.com/snap-stanford/roland

ROLAND是动态图图学习框架，具有以下特点：

  • GNN的高度模块化
    • 数据：数据加载，数据分割
    • 模型：模块化的GNN实现
    • 任务：节点/边缘/图层面的GNN任务
    • 评估：准确度，ROC AUC，…
  • 可重复的实验配置
    • 每个实验都由一个配置文件完全描述
  • 可扩展的实验管理
    • 轻松启动数以千计的GNN平行实验
    • 自动生成跨随机种子和实验的实验分析和数字。
  • 灵活的用户定制
    • 在graphgym/contrib/中轻松构建注册自定义模块，如数据加载器、GNN层、损失函数等。

🚧 『Data Characterization Toolkit』用于计算各种文本特性并用它们轻松分析数据集和模型的库

https://github.com/facebookresearch/text_characterization_toolkit

博文&分享

👍 『GitSheet』git常用命令速查

https://gitsheet.wtf/

👍 『Diffusion』扩散模型实例教程集 (Notebooks)

https://github.com/sunlin-ai/diffusion_tutorial

本项目本介绍目前主流的生成模型——diffusion 扩散概率模型，包括 Score matching、Langevin dynamics、CLIP guided diffusion、Augmented CLIP Guided Diffusion、Disco Diffusion等。

数据&资源

🔥 『Awesome Neural Radiance Fields (NeRF) 』神经辐射场(NeRF)相关文献资源列表

https://github.com/koolo233/awesome-NeRF

这是一份精选的神经辐射场 (NeRF) 论文列表。所有论文都根据关键字/任务分组，并按年份排序。汇总包含以下主题，希望这篇可以帮助有兴趣进行 NeRF 相关研究的同行：

  • NeRF
    • Data Augmentation
  • Few shot
  • Rendering Performance
  • Theory
  • Training & Inference Efficiency
  • NeRF Related Tasks
    • Deblur & Denoise
  • Depth Estimation
  • Editing
  • Face
  • High Dynamic Range (HDR)
  • Human
    • Image Generation
    • Image Generation
    • Text & Image Guided Generation
  • Large Scale Scene
  • Pose Misalignment
  • Reinforcement Learning
  • Relighting
  • Segmentation
  • Stylized
  • Surface Reconstruction
  • Video
  • View Synthesis Extrapolation

研究&论文

科研进展

  • 2022.10.11 『点云分类』 Point Transformer V2: Grouped Vector Attention and Partition-based Pooling
  • 2022.10.13 『语言建模』 M2D2: A Massively Multi-domain Language Modeling Dataset
  • 2022.10.0 『问答』 Towards a Unified Multi-Dimensional Evaluator for Text Generation

⚡ 论文：Point Transformer V2: Grouped Vector Attention and Partition-based Pooling

论文时间：11 Oct 2022

领域任务：3D Point Cloud Classification, Point Cloud Classification, 3D点云分类，点云分类

论文地址：https://arxiv.org/abs/2210.05666

代码实现：https://github.com/gofinge/pointtransformerv2

论文作者：Xiaoyang Wu, Yixing Lao, Li Jiang, Xihui Liu, Hengshuang Zhao

论文简介：In this work, we analyze the limitations of the Point Transformer and propose our powerful and efficient Point Transformer V2 model with novel designs that overcome the limitations of previous work.

论文摘要：作为探索 3D 点云理解的变压器架构的开创性工作，Point Transformer 在多个竞争激烈的基准测试中取得了令人印象深刻的结果。在这项工作中，我们分析了 Point Transformer 的局限性，并提出了我们强大而高效的 Point Transformer V2 模型，其新颖的设计克服了以前工作的局限性。特别是，我们首先提出了组向量注意力，它比之前版本的向量注意力更有效。继承了可学习的权重编码和多头注意力的优点，我们提出了一种高效的分组向量注意力的实现，它带有一个新的分组权重编码层。我们还通过一个额外的位置编码乘数来加强位置信息以引起注意。此外，我们设计了新颖且轻量级的基于分区的池化方法，可实现更好的空间对齐和更有效的采样。大量实验表明，我们的模型比其前身实现了更好的性能，并在几个具有挑战性的 3D 点云理解基准测试中达到了最先进的水平，包括 ScanNet v2 和 S3DIS 上的 3D 点云分割以及 ModelNet40 上的 3D 点云分类。我们的代码将在 https://github.com/Gofinge/PointTransformerV2 上提供。

⚡ 论文：M2D2: A Massively Multi-domain Language Modeling Dataset

论文时间：13 Oct 2022

领域任务：Domain Generalization, Language Modelling，领域泛化，语言建模

论文地址：https://arxiv.org/abs/2210.07370

代码实现：https://github.com/machelreid/m2d2

论文作者：Machel Reid, Victor Zhong, Suchin Gururangan, Luke Zettlemoyer

论文简介：We present M2D2, a fine-grained, massively multi-domain corpus for studying domain adaptation in language models (LMs).

论文摘要：我们提出了 M2D2，这是一个细粒度、大规模的多领域语料库，用于研究语言模型 (LM) 中的领域适应。 M2D2 由 8.5B 个令牌组成，跨越从 Wikipedia 和 Semantic Scholar 提取的 145 个域。使用源自 Wikipedia 和 ArXiv 类别的本体，我们将每个数据源中的域组织成 22 个组。这种两级层次结构可以研究域之间的关系及其对适应后域内和域外性能的影响。作为 M2D2 支持的新型研究的示例，我们还对 LMs 中有效领域适应的性质提出了一些见解。为了提高域内性能，我们展示了沿域层次结构调整 LM 的好处；与大量弱相关数据相比，适应更少量的细粒度特定领域数据可以带来更大的域内性能增益。我们进一步证明了本体内部和跨本体的域内专业化和域外泛化之间的权衡，以及域外性能和域之间的词汇重叠之间的强相关性。

⚡ 论文：Towards a Unified Multi-Dimensional Evaluator for Text Generation

论文时间：13 Oct 2022

领域任务：Question Answering, Response Generation, 问答

论文地址：https://arxiv.org/abs/2210.07197

代码实现：https://github.com/maszhongming/unieval

论文作者：Ming Zhong, Yang Liu, Da Yin, Yuning Mao, Yizhu Jiao, PengFei Liu, Chenguang Zhu, Heng Ji, Jiawei Han

论文简介：We re-frame NLG evaluation as a Boolean Question Answering (QA) task, and by guiding the model with different questions, we can use one evaluator to evaluate from multiple dimensions.

论文摘要：多维评估是自然语言生成（NLG）中人类评估的主要范式，即从多个可解释的维度（例如连贯性和流畅性）评估生成的文本。然而，NLG 中的自动评估仍然以基于相似性的指标为主，我们缺乏可靠的框架来更全面地评估高级模型。在本文中，我们为 NLG 提出了一个统一的多维评估器 UniEval。我们将 NLG 评估重新定义为布尔问答 (QA) 任务，并通过用不同的问题指导模型，我们可以使用一个评估器从多个维度进行评估。此外，由于统一的布尔 QA 格式，我们能够引入中间学习阶段，使 UniEval 能够整合来自多个相关任务的外部知识并获得进一步改进。对三个典型 NLG 任务的实验表明，与现有指标相比，UniEval 与人类判断的相关性要好得多。具体来说，与表现最好的统一评估者相比，UniEval 在文本摘要方面的相关性高出 23%，在对话响应生成方面的相关性超过 43%。此外，UniEval 对看不见的评估维度和任务展示了强大的零样本学习能力。源代码、数据和所有预训练的评估器都可以在我们的 GitHub 存储库 (https://github.com/maszhongming/UniEval) 上找到。

收录于
ShowMeAI日报 ⛽ 用知识加速每一次技术进步

当前文章被收录于：

ShowMeAI日报 ⛽ 用知识加速每一次技术进步
373 篇文章 115 人学习

ShowMeAI带你一览领域发展前沿，抓住最新发展机会！📬 订阅专栏，第一时间接收推送。 🎡 关注 ShowMeAI，获取结构化成长路径和全套资料库，用知识加速每一次技术进步~

订阅专栏 查看详情
标签
#人工智能 #计算机视觉 #深度学习 #python #扩散模型
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。
diffusion:Diffusion是一个C ++库，用于从一个编写器进程到多个读取器进程的有效数据分发 扩散 Diffusion是一个C++库，用于从一个编写器进程到多个读取器进程的有效的基于消息的数据分发。 当前，Diffusion支持三种传输类型：文件之间的共享，通过共享内存的，通过网络的。 扩散的设计侧重于简单性和效率。 入门 Diffusion使用CMake生成构建和安装脚本。 默认安装是静态的； 只有头文件以及静态调试和发布库将安装到系统库中。 因此，生成的目标文件将不依赖于目标计算机上的Diffusion 。 用户可以指定使用动态库来代替。 如何在GNU / Linux上安装？ 复制Diffusion后，并将当前工作目录设置为目录diffusion 。 我们为源外构建设置了一个临时目录。 mkdir build cd build 如果要安装在默认的/usr/local目录中，则可以简单地使用 cmake .. 我们还可以指定将安装头文件和库文件的目录 cmake .. -DC 立即下载

相关推荐

cpp-flashlight是Facebook开源的一个快速灵活的C机器学习库

flashlight是一个快速，灵活的机器学习库，完全用C 编写，来自FAIR Speech Team以及Torch和DeepSpeech的创建者。 它使用ArrayFire张量库，并具有与现代C 的即时编译功能。 支持CPU和GPU后端，以实现最高效率和规模。

论文阅读Point Transformer V2: Grouped Vector Attention and Partition-based Pooling

相比于传统的最大池化或平均池化，基于划分的池化将小块划分成多个子块，然后对每个子块进行独立计算，最后将它们组合起来得到整个小块的特征表达。在PCT的基础上进一步改进的点云处理方法，通过分组向量注意力(Grouped Vector Attention)和基于划分的池化机制，提高了对点云特征的提取和聚合能力，并在轻量级上有了新的突破。相比于传统的向量注意力，分组向量注意力将向量拆分成多个小块，然后对每个小块进行独立计算，从而降低了计算复杂度。4.点云解码:对整个点云的特征进行解码，得到点云的分类或分割结果。

canmengw的博客 2237

利用python爬取东方财富网股吧评论并进行情感分析（一）

利用python爬取东方财富网股吧评论（一） python-东方财富网贴吧文本数据爬取 分享一下写论文时爬数据用到的代码，有什么问题或者改善的建议的话小伙伴们一起评论区讨论。 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客： 全新的界面设计 ，将会带来全新的写作体验； 在创作中心设置你喜爱的代码高亮样式，Markdown 将代码片显示选择的高亮样式 进行展示； 增加了 图片拖拽 功能，你可以将本地的图片直

YMG521000的博客 1万+

Point Transformer V2: 分组向量注意力和基于分区的池化 超详细解析

​ 首次提出了群体向量注意力 继承了可学习权重编码和多头注意力机制，提出了一种基于分组权值编码层的分组向量注意力。同时引入额外的位置编码乘子来增加位置编码信息。此外，设计了新颖的轻量级的基于分区的池化方法，以实现更好的空间对其和更有效的采样。 V2在V1的基础上，改进包括：分组向量注意力、位置编码乘数、基于分区的池化。

晨的博客 3447

MDK开发篇：基于立创逻辑派FPGA-G1与Cortex-M1软核的按键控制LED实战

本文详细介绍了基于立创逻辑派FPGA-G1开发板与高云Cortex-M1软核的完整开发流程。通过Gowin云源软件配置软核系统与GPIO外设，并在Keil MDK环境中编写按键控制LED的C程序，最终实现程序固化与上电自启动。教程涵盖硬件配置、软件开发、在线调试与固化部署全步骤，帮助STM32开发者快速上手FPGA软核开发。

weixin_42103128的博客 149

Stata:手动安装ivreghdfe包的完整指南与常见问题解决

本文提供了Stata中手动安装ivreghdfe包的完整指南，包括准备工作、详细安装步骤及常见问题解决方案。ivreghdfe作为处理高维固定效应模型的强大工具，依赖ftools、reghdfe和ivreg2三个核心组件，手动安装可避免版本冲突问题。文章还分享了进阶使用技巧，如并行计算加速和保存固定效应估计值，助力用户高效完成工具变量回归分析。

weixin_29251131的博客 929

《Point Transformer V2：分组向量注意力和基于分区的池化》的理解

《Point Transformer V2：分组向量注意力和基于分区的池化》的理解

一青的博客 2089

手把手教你用Simulink搭建DSOGI-PLL模型（附完整代码下载）

本文详细介绍了在Simulink中搭建高鲁棒性DSOGI-PLL模型的完整工程实践指南。针对传统锁相环在非理想电网下的不足，文章深入剖析了双二阶广义积分器锁相环（DSOGI-PLL）的核心原理与优势，并提供了从模块构建、系统组装到参数整定与测试验证的全流程手把手教程，附有完整代码下载，助力工程师应对谐波、电压跌落等复杂电网工况。

weixin_29223603的博客 389

探索Private Detector：智能隐私保护的利器

探索Private Detector：智能隐私保护的利器 项目地址:https://gitcode.com/gh_mirrors/pr/private-detector 项目简介 Private Detector是一款强大的隐私检测工具，由Bumble Tech开发并开源。它旨在帮助用户识别和保护他们的个人信息，防止敏感数据在不知情的情况下被泄露。通过先进的图像识别技术和自然语言处理算法，Priv...

gitblog_00096的博客 828

Python从0到100（二）：Python语言介绍及第一个Pyhon程序

Python从0到100（二）：Python语言介绍及第一个Pyhon程序。与C和Java比，Python的学习成本和难度曲线不是低一点，更适合新手入门，自底向上的技术攀爬路线。

拥有百余位万粉技术博主、200余位可合作代发博主，私域技术社群规模达千人，商务合作私信 5440

把 ABAP 出站 IDoc 做到稳如老狗：从数据抽取到端口投递的全链路拆解

SAP出站IDoc创建流程解析 本文详细拆解了SAP系统中出站IDoc的创建流程，将其归纳为四个关键阶段：数据获取、数据转换、控制记录校验和端口投递。文章指出，IDoc的稳定性取决于整条流水线的设计质量，而不仅仅是字段映射。 核心要点包括： IDoc由控制记录和数据记录组成，需在WE31/WE30中定义段结构 2.数据获取阶段需明确触发点、依赖链和一致性保证 3.数据转换应遵循"结构版本+映射纪律"原则 4.控制记录校验决定IDoc能否发出，需与WE20伙伴配置匹配 5.端口类型(tRF

2007 年 ~ 2025 年，深耕 SAP 技术 18 年 173

点云检测之Point Transformer V2: Grouped Vector Attention and Partition-based Pooling

在2021年发表了一篇名为Point Transformer的论文，在这篇论文中，分析了 Point Transformer 的局限性，并提出了强大而高效的 Point Transformer V2 模型。这篇论文再Point Transformer基础之上进行了优化，提出了Grouped Vector Attention、Position Encoding Multipler和Partition-based Pooling。

Blabala的博客 2327

72、海洋地理信息系统：电子海图的全面解析

本文全面解析了海洋地理信息系统中的电子海图技术，从AIS数据的应用、电子海图数据的存储与显示，到电子导航的发展趋势和S-100通用水文数据模型的推广，系统地阐述了电子海图在现代航海中的核心作用及其未来发展方向。

hhh00的博客 253

开源项目 Private Detector 使用教程

开源项目 Private Detector 使用教程 项目地址:https://gitcode.com/gh_mirrors/pr/private-detector 项目介绍 Private Detector 是由 Bumble 技术团队开发的一个预训练模型，用于检测色情图像。该项目是一个图像分类器，旨在帮助用户识别和过滤不当内容。Private Detector 模型经过大量数据训练，能够有效地...

gitblog_01131的博客 1107

uniapp(微信小程序)：实现PDF在线预览+在线预览pdf文件完整示例源码，支持文件来源：服务器pdf外链URL预览、调用后端API接口获取PDF文件流二进制下载及解析打开、上传本地PDF文件预览

uni-app实现PDF预览功能，uniapp微信小程序预览PDF，uniapp开发微信小程序在线预览pdf等文件，uniApp微信小程序实现PDF在线预览，Uniapp app在线预览pdf文件流，微信小程序实现pdf预览（苹果安卓兼容），uniapp-微信小程序 实现pdf外链在线预览，uniapp小程序如何做在线预览pdf功能，uniapp小程序端 实现pdf文件预览，微信小程序(uniapp)PDF预览完整实现方案示例demo源码，uni-app预览PDF，小程序pdf预览插件插件，Uniapp微信

✅ 精选推荐文章 4705

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Ubuntu20.4.5+Clion+Falshlight+ArrayFire+Intel-MKL 人工智能深度机器学习C++开发环境搭建

Ubuntu20.4.5+Clion+Falshlight+ArrayFire+Intel-MKL 人工智能深度机器学习C++开发环境搭建

westwolf99的博客 3643

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。

超级有用的c++库

C++ 标准库——包括 STL Containers、STL Algorithm、STL Functional等。C++ 标准库- 类和函数的集合，它们是用核心语言编写的，也是 C++ ISO 标准本身的一部分。标准模板库- 标准模板库 (STL)。C POSIX library - POSIX 系统的 C 标准库规范。ISO C++ 标准委员会- ISO/IEC JTC1/SC22/WG21 - C++ 标准委员会。网站GNU C 库- 本手册的目的是告诉您如何使用 GNU C 库的工具。

qq_16500963的博客 3610

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具

WINCC7.3破解文件

WINCC7.3硬件够破解文件，有需要的下载！WINCC7.3硬件够破解文件，有需要的下载！

【点云处理】PointTransformerV1、V2、V3

对于分类任务，不包含上采样部分，在经过四次下采样，将点云分辨率减小到N/256之后，直接执行全局平均池化，得到一个长度为512的向量，这就是经过之前point transformer block和transition down之后提取到的点云全局特征向量，最终将这个特征向量输入到最后的MLP中，输出分类标签。假设V代表n个点，每个点xyz坐标，所以3列n行，注意力权重为nxn，那么在计算的时候就会发现，权重值是直接乘以每一个点的（就是说点向量的三个通道没有区别，直接乘以一个权重值）。

1900的博客 6069

Diffusion_models_tutorial：深度学习图像生成模型入门指南

Diffusion_models_tutorial：深度学习图像生成模型入门指南 项目介绍 在深度学习领域，图像生成技术一直是研究的热点。近期，Stable Diffusion 公开版模型的发布，为图像生成领域带来了新的突破。Diffusion_models_tutorial 是一个开源项目，旨在帮助初学者和研究人员快速上手并理解扩散模型（Diffusion Models）的理论基础，以及如何使用...

gitblog_01025的博客 945

Flashlight 开源项目教程

Flashlight 是一个完全用 C++ 编写的快速、灵活的机器学习库，由 Facebook AI Research 和 Torch、TensorFlow、Eigen 以及 Deep Speech 的创建者共同开发。Flashlight 的核心特性包括： - **内部可修改性**：包括用于张量计算的内部 API。 - **小巧的体积**：核心库体积小于 10 MB，代码行数少于 20k。 - ...

gitblog_00027的博客 1363

Point Tranformer v2论文阅读

MSA代表多头标量注意力的权重编码， L代表权重编码为线性层，GL代表权重编码为分组线性层，L+N+A+L代表线性层、批量归一化、激活、另一层线性层的组合，GL+N+A+L代表分组线性层、批次归一化、激活和线性层的组合（作者作用方式）。图中假设特征维数为4，注意力组数为2。针对注意力机制的对比：①、②对比可以看到GVA的有效性（减少参数量、提升mIoU），③将②的权重生成方式改为分组线性层生成，减少参数量，提升计算速度，④在③的基础上加入归一化、激活函数和线性层，虽然降低了推理速度，但精度有了明显提升。

weixin_65412860的博客 860

Point Transformer V3: 更简单，更快，更强 详细解读

主题: "更简单，更快，更强大"，v3版本在保持高性能的同时，着重优化了模型的简洁性和计算效率。 核心改进: 简化设计: v3版本对Point Transformer层进行了简化，减少了模型复杂度，提高了训练和推理速度。 效率提升: 引入了新的优化算法和技术，如高效的点采样和特征提取方法，显著提升了处理速度。 性能增强: 即便在简化模型结构的同时，v3版本通过更加精细的注意力机制和改进的网络架构，依然实现了在多个3D点云处理任务上的性能提升。

晨的博客 7629

Point Transformer V2: Grouped Vector Attention and Partition-based Pooling

摘要 本文提出了Point Transformer V2（PTv2），一种改进的三维点云Transformer架构。针对PTv1存在的参数效率低、位置编码不足和池化效率低等问题，作者提出了三项创新设计：(1) 分组向量注意力机制（GVA），通过共享权重编码降低参数量，同时继承多头注意力和向量注意力的优势；(2) 增强的位置编码方案，通过位置编码乘数强化几何信息；(3) 基于分区的池化策略，使用均匀网格划分实现高效的空间对齐聚合。实验表明，PTv2在ScanNet v2、S3DIS等基准测试中达到了新的最先进

qihshe的博客 1091

Tutorial on Diffusion Models for Imaging and Vision

扩散模型的编码过程是确定性的，没有参数需要学习，只有解码过程有参数，而参数就是学习逆向转移的条件概率。因此，diffusion 的 kl 项无需训练，所以就只剩下了mse损失。VAE的编码和解码过程都用神经网络，所以编码和解码都有参数需要学习，因此有kl项。且直观解释了ELBO。非常直观地说明了逆向的每一步都是增加多样性，而不是为了去噪，这是因为其中第二项已经可以做去噪了。共同点都是和随机采样类似，有一个随机项，直观解释就是增加多样性。再过渡到像残差网络一样，学残差，不直接学图像，就是现在见到的损失函数。

u013600306的博客 390

【论文阅读】Tutorial on Diffusion Models for Imaging and Vision

。

qq_33673253的博客 2235

视频隐私脱敏工程化：CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中，动态遮挡（Dynamic Masking）是高频且高耗时的环节。传统手动关键帧打码不仅效率低下，且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度，解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 297
上一篇： 500亿美元！AI将颠覆生物科技行业；120个适合入门练习的Python项目；文案自动检查纠正工具；百万人脸图像数据集；前沿论文 | ShowMeAI资讯日报
下一篇： 全球名校AI课程库（40）| 威斯康星 · 深度学习和生成模型导论课程『Intro to Deep Learning and Generative Models』
点赞 1
评论 0
书签 书签 1
ShowMeAI
ShowMeAI
博客等级 码龄5年 6514粉丝 672原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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

打赏作者

ShowMeAI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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