<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[missgrass的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/missgrass</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; missgrass]]></copyright><item><title><![CDATA[JAVA知识点点以及内容-设计JAVA、Redis、Spirng、Spring Cloud、MyBatis、kafka、Docker]]></title><link>https://blog.youkuaiyun.com/missgrass/article/details/143849421</link><guid>https://blog.youkuaiyun.com/missgrass/article/details/143849421</guid><author>missgrass</author><pubDate>Mon, 25 Nov 2024 19:51:05 +0800</pubDate><description><![CDATA[AOP通知类型：@Around：环绕通知。最灵活的通知方式，必须掌握的方式@Before：前置通知。通知方法在 目标方法执行之前 先执行@AfterReturning：返回通知。通知方法在 目标方法正常执行之后 再执行@AfterThrowing：异常通知。通知方法在 目标方法抛出异常之后 再执行@After：最终通知/后置通知。通知方法在 目标方法执行之后 一定会执行，无论是否有异常SpringAOP（面向切面编程）【看这一片文章就够了】AOP的连接点与切点区别，连接点，切点，切面的基础概念。]]></description><category></category></item><item><title><![CDATA[javamail 发送邮件报错：Could not connect to SMTP host: smtp.163.com, port: 25 ，问题解决]]></title><link>https://blog.youkuaiyun.com/missgrass/article/details/135448111</link><guid>https://blog.youkuaiyun.com/missgrass/article/details/135448111</guid><author>missgrass</author><pubDate>Mon, 08 Jan 2024 07:44:08 +0800</pubDate><description><![CDATA[报错内容其实代码没啥问题，主要就是两个步骤。]]></description><category></category></item><item><title><![CDATA[论文笔记：AugGPT: Leveraging ChatGPT for Text Data Augmentation]]></title><link>https://blog.youkuaiyun.com/missgrass/article/details/131671384</link><guid>https://blog.youkuaiyun.com/missgrass/article/details/131671384</guid><author>missgrass</author><pubDate>Fri, 14 Jul 2023 17:18:31 +0800</pubDate><description><![CDATA[文本数据增强是克服许多自然语言处理（NLP）任务中样本量有限的挑战的有效策略。这一挑战在小样本学习场景中尤为突出，其中目标域中的数据通常更加稀缺且质量较低。缓解此类挑战的一种自然且广泛使用的策略是执行数据增强，以更好地捕获数据不变性并增加样本量。然而，当前的文本数据增强方法要么无法确保生成的数据的正确标记（缺乏忠实性），要么无法确保生成的数据足够的多样性（缺乏紧凑性），或者两者兼而有之。]]></description><category></category></item><item><title><![CDATA[maven进阶总结]]></title><link>https://blog.youkuaiyun.com/missgrass/article/details/129240488</link><guid>https://blog.youkuaiyun.com/missgrass/article/details/129240488</guid><author>missgrass</author><pubDate>Tue, 28 Feb 2023 01:47:39 +0800</pubDate><description><![CDATA[1. maven之间可以互相导包2. maven的依赖是具有传递性的4. 继承与聚合4.1聚合4.2 继承5. 属性的配置与使用6. 版本管理8. 多环境开发和跳过测试（了解）]]></description><category></category></item><item><title><![CDATA[SpringMVC中的mybatis]]></title><link>https://blog.youkuaiyun.com/missgrass/article/details/129163921</link><guid>https://blog.youkuaiyun.com/missgrass/article/details/129163921</guid><author>missgrass</author><pubDate>Thu, 23 Feb 2023 22:00:00 +0800</pubDate><description><![CDATA[没有必要在 Spring 的 XML 配置文件中注册所有的映射器。这个类可以让你直接注入数据映射器接口到你的 service 层 bean 中。当使用映射器时,你仅仅如调 用你的 DAO 一样调用它们就可以了,但是你不需要编写任何 DAO 实现的代码,因为 MyBatis-Spring 将会为你创建代理。首先，Mybatis中的有一段配置非常方便，省去我们去写DaoImpl（Dao层实现类）的时间，这个配置就是包扫描。映射过去对应的POJO封装对象。]]></description><category></category></item><item><title><![CDATA[Spring的IOC，注入问题，包括自动注入的条件和前提]]></title><link>https://blog.youkuaiyun.com/missgrass/article/details/129092499</link><guid>https://blog.youkuaiyun.com/missgrass/article/details/129092499</guid><author>missgrass</author><pubDate>Sun, 19 Feb 2023 12:38:17 +0800</pubDate><description><![CDATA[Spring的核心技术IOC(Intorol of Converse控制反转)的实现途径是DI(dependency Insert依赖注入)。而依赖注入(DI)的实现方式又有两种，xml方式和注解方式。属性注入就是在实例化对象时，同时向对象中的属性进行相应的赋值。即，通俗点说，属性注入就是给类中的属性赋值。]]></description><category></category></item><item><title><![CDATA[AOP总结]]></title><link>https://blog.youkuaiyun.com/missgrass/article/details/129071102</link><guid>https://blog.youkuaiyun.com/missgrass/article/details/129071102</guid><author>missgrass</author><pubDate>Thu, 16 Feb 2023 21:14:37 +0800</pubDate><description><![CDATA[切入点表达式标准格式:动作关键字( 访问修饰符 返回值 包名类/接口名方法名(参数异常名)表示模块名，例如UserService的匹配描述为。表示名词，例如getById匹配描述为getBy*5.方法名书写保留动词，例如get，使用。6.参数根据实际情况灵活调整。2查询操作的返回值建议使用。切入点表达式描述通配符。切入点表达式书写技巧。]]></description><category></category></item><item><title><![CDATA[论文笔记：Cross-Lingual Cross-Modal Consolidation for Effective Multilingual Video Corpus Moment Retrieva]]></title><link>https://blog.youkuaiyun.com/missgrass/article/details/128551991</link><guid>https://blog.youkuaiyun.com/missgrass/article/details/128551991</guid><author>missgrass</author><pubDate>Fri, 06 Jan 2023 02:43:54 +0800</pubDate><description><![CDATA[现有的多语言视频语料库矩检索（mVCMR）方法主要基于双流结构。视觉流利用视频中的视觉内容来估计查询视觉相似性，而字幕流利用查询字幕相似性。最后的查询视频相似性集合了来自两个流的相似性。在我们的工作中，我们提出了一种简单有效的策略，称为跨语言跨模态整合（C3），以提高mVCMR的准确性。我们采用整体相似性作为教师来指导每个流的训练，从而产生更强大的整体相似性。同时，我们使用特定语言的教师来指导学生使用另一种语言，以开发不同语言之间的互补知识。在mTVR数据集上的大量实验证明了我们的C3方法的有效性。]]></description><category></category></item><item><title><![CDATA[ffmpeg压缩视频]]></title><link>https://blog.youkuaiyun.com/missgrass/article/details/127856117</link><guid>https://blog.youkuaiyun.com/missgrass/article/details/127856117</guid><author>missgrass</author><pubDate>Mon, 14 Nov 2022 21:34:09 +0800</pubDate><description><![CDATA[然后又用ffmpeg来压缩，先设置视频的帧率为为 20fps，然后再设置视频的码率为1Mb/s，最后发现视频也被压缩到80M，但是效果要好很多，清晰度也比较高。]]></description><category></category></item><item><title><![CDATA[JS正则表达式的规则]]></title><link>https://blog.youkuaiyun.com/missgrass/article/details/126377413</link><guid>https://blog.youkuaiyun.com/missgrass/article/details/126377413</guid><author>missgrass</author><pubDate>Wed, 17 Aug 2022 02:37:25 +0800</pubDate><description><![CDATA[正则表达式规则]]></description><category></category></item><item><title><![CDATA[MyBatis流程以及套路]]></title><link>https://blog.youkuaiyun.com/missgrass/article/details/126085320</link><guid>https://blog.youkuaiyun.com/missgrass/article/details/126085320</guid><author>missgrass</author><pubDate>Tue, 16 Aug 2022 12:22:26 +0800</pubDate><description><![CDATA[构建 SqlSessionFactory官方文档给出的有两种方法，一种是从 XML 中构建 SqlSessionFactory，另一种是不使用 XML 构建 SqlSessionFactory，我学习的就是从 XML 中构建 SqlSessionFactory，所以另一种方法也不多解释。但现在有了一种更简洁的方式——使用和指定语句的参数和返回值相匹配的接口（比如 BlogMapper.class），现在你的代码不仅更清晰，更加类型安全，还不用担心可能出错的字符串字面值以及强制类型转换。...]]></description><category></category></item><item><title><![CDATA[论文笔记：DeBERTa: Decoding-enhanced BERT with Disentangled Attention]]></title><link>https://blog.youkuaiyun.com/missgrass/article/details/123918662</link><guid>https://blog.youkuaiyun.com/missgrass/article/details/123918662</guid><author>missgrass</author><pubDate>Fri, 15 Jul 2022 19:49:36 +0800</pubDate><description><![CDATA[DeBERTa：具有分离注意力的解码增强型 BERT摘要介绍2 背景2.1 TRANSFORMER2.2 MASKED LANGUAGE MODEL（屏蔽语言模型）3 THE DEBERTA ARCHITECTURE3.1 DISENTANGLED ATTENTION: A TWO-VECTOR APPROACH TO CONTENT AND POSITION  EMBEDDING(解开注意力：内容和位置嵌入的双向量方法)
摘要
预训练神经语言模型的最新进展显着提高了许多自然语言处理 (NLP) 任务的性能]]></description><category></category></item><item><title><![CDATA[论文笔记：Cross-View Language Modeling: Towards Unified Cross-Lingual Cross-Modal Pre-training]]></title><link>https://blog.youkuaiyun.com/missgrass/article/details/125562631</link><guid>https://blog.youkuaiyun.com/missgrass/article/details/125562631</guid><author>missgrass</author><pubDate>Fri, 15 Jul 2022 19:48:55 +0800</pubDate><description><![CDATA[本文介绍了一种简单有效的语言模型预训练框架Cross-ViewLanguageModeling，该框架将跨语言跨模态预训练与共享的架构和目标相结合。我们的方法受到一个关键观察的启发，即跨语言和跨模式的预训练具有相同的目标，即将同一对象的两个不同视图对齐到一个共同的语义空间中。为此，跨视图语言建模框架将多模态数据（即图像-字幕对）和多语言数据（即并行句子对）视为同一对象的两个不同视图，并通过条件掩码语言建模和对比学习来训练模型以最大化它们之间的相互信息来对齐两个视图。两个开创性的工作，M3PM3。...]]></description><category></category></item><item><title><![CDATA[pytorch-Detach的作用]]></title><link>https://blog.youkuaiyun.com/missgrass/article/details/125790119</link><guid>https://blog.youkuaiyun.com/missgrass/article/details/125790119</guid><author>missgrass</author><pubDate>Thu, 14 Jul 2022 20:00:45 +0800</pubDate><description><![CDATA[它可以使两个计算图的梯度传递断开，从而实现我们所需的功能。]]></description><category></category></item><item><title><![CDATA[为什么测试的时候不需要batch normalization 和dropout？]]></title><link>https://blog.youkuaiyun.com/missgrass/article/details/125623752</link><guid>https://blog.youkuaiyun.com/missgrass/article/details/125623752</guid><author>missgrass</author><pubDate>Tue, 05 Jul 2022 17:06:39 +0800</pubDate><description><![CDATA[转载自：Batch Normalization
BN，Batch Normalization，就是在深度神经网络训练过程中使得每一层神经网络的输入保持相近的分布。BN训练和测试时的参数是一样的嘛？对于BN，在训练时，是对每一批的训练数据进行归一化，也即用每一批数据的均值和方差。而在测试时，比如进行一个样本的预测，就并没有batch的概念，因此，这个时候用的均值和方差是全量训练数据的均值和方差BN训练时为什么不用全量训练集的均值和方差呢？因为在训练的第一个完整epoch过程中是无法得到输入层之外其他层全量训练]]></description><category></category></item><item><title><![CDATA[论文笔记：A CLIP-Hitchhiker’s Guide to Long Video Retrieval]]></title><link>https://blog.youkuaiyun.com/missgrass/article/details/125341868</link><guid>https://blog.youkuaiyun.com/missgrass/article/details/125341868</guid><author>missgrass</author><pubDate>Wed, 29 Jun 2022 11:09:10 +0800</pubDate><description><![CDATA[  本文的目标是将图文模型应用于长视频检索。最近的研究表明，通过采用CLIP，视频检索具有最先进的性能，有效地搭乘了视频任务的图文表示。然而，在学习时间聚合方面取得的成功有限，其性能优于平均池化由 CLIP 每帧提取的图像级表示。我们发现，通过查询评分的帧嵌入加权平均值的简单而有效的基线是比所有先前的时间建模尝试和均值池化的显着改进。通过这样做，我们提供了一个改进的基准，以供其他人进行比较，并在一套长视频检索基准上演示这一简单基准的最新性能。  预先训练的视觉语言模型正变得越来越普遍，因为它们在一系列下游任]]></description><category></category></item><item><title><![CDATA[论文笔记：Composable Sparse Fine-Tuning for Cross-Lingual Transfer]]></title><link>https://blog.youkuaiyun.com/missgrass/article/details/125047042</link><guid>https://blog.youkuaiyun.com/missgrass/article/details/125047042</guid><author>missgrass</author><pubDate>Tue, 07 Jun 2022 21:32:02 +0800</pubDate><description><![CDATA[用于跨语言传输的可组合稀疏微调Abstract1 简介2 Background7 Conclusion and Future Work
Abstract
对大型预训练模型的整个参数进行微调已成为迁移学习的主流方法。为了提高效率并防止灾难性的遗忘和干扰，已经开发了适配器和稀疏微调等技术。适配器是模块化的，因为它们可以组合以使模型适应知识的不同方面(例如，专用语言和/或任务适配器)。（每一个模块负责一个功能，然后组合起来）。稀疏微调具有表现力，因为它控制所有模型组件的行为。
在这项工作中，我们介绍了一种具有这两]]></description><category></category></item><item><title><![CDATA[论文笔记：Multi-Source Cross-Lingual Model Transfer: Learning What to Share]]></title><link>https://blog.youkuaiyun.com/missgrass/article/details/124614216</link><guid>https://blog.youkuaiyun.com/missgrass/article/details/124614216</guid><author>missgrass</author><pubDate>Wed, 11 May 2022 21:56:53 +0800</pubDate><description><![CDATA[多源跨语言模式迁移：学习分享什么摘要二级目录三级目录
摘要
利用神经网络模型，现代NLP应用已经享受了巨大的推动。然而，由于缺乏各种NLP任务的标注训练数据，这种深度神经模型不适用于大多数人类语言。跨语言迁移学习(CLTL)是一种通过利用来自其他(源)语言的标记数据来为低资源目标语言建立NLP模型的可行方法。在这项工作中，我们将重点放在多语言转换设置上，利用多种源语言的训练数据来进一步提高目标语言的性能。
二级目录
三级目录

...]]></description><category></category></item><item><title><![CDATA[论文笔记：Cross-Lingual Ability of Multilingual BERT: An Empirical Study]]></title><link>https://blog.youkuaiyun.com/missgrass/article/details/124441292</link><guid>https://blog.youkuaiyun.com/missgrass/article/details/124441292</guid><author>missgrass</author><pubDate>Fri, 29 Apr 2022 16:12:06 +0800</pubDate><description><![CDATA[多语种BERT跨语言能力的实证研究摘要介绍2 BACKGROUND2.1 BERT
摘要
最近的研究展示了多语言BERT(M-BERT)令人惊讶的跨语言能力-令人惊讶的是，它的训练没有任何跨语言目标，也没有对齐的数据。在这项工作中，我们对M-BERT中不同成分对其跨语言能力的贡献进行了全面的研究。我们研究了语言的语言属性、模型的体系结构和学习目标的影响。这项实验研究是在三种不同类型的语言-西班牙语、印地语和俄语-的背景下进行的，并使用了两种概念上不同的自然语言处理任务：文本蕴涵和命名实体识别。我们的主要结论]]></description><category></category></item><item><title><![CDATA[论文笔记：WORD TRANSLATION WITHOUT PARALLEL DATA]]></title><link>https://blog.youkuaiyun.com/missgrass/article/details/124341944</link><guid>https://blog.youkuaiyun.com/missgrass/article/details/124341944</guid><author>missgrass</author><pubDate>Wed, 27 Apr 2022 01:05:51 +0800</pubDate><description><![CDATA[没有平行数据的单词翻译摘要1 介绍
摘要
学习跨语言词嵌入的最先进方法依赖于双语词典或平行语料库。最近的研究表明，使用字符级信息可以减轻对平行数据监督的需求（再看看）。虽然这些方法显示了令人鼓舞的结果，但它们与受监督的方法相比并不相同，并且仅限于共享一个公共字母表的语言对。在这项工作中，我们表明，我们可以在不使用任何平行语料库的情况下，通过以无监督的方式对齐单语单词嵌入空间来建立两种语言之间的双语词典。在不使用任何字符信息的情况下，我们的模型在一些语言对的跨语言任务上甚至优于现有的监督方法。我们的实验表明，]]></description><category></category></item></channel></rss>