Seven597的博客

同异构图一样， 主要就是 组成数据的时候。---- 组成batch。# 初始化 结点类型。

解决方案： 正常图片压缩，注意尽可能选择“清晰度优先”。压缩结束后 大小在 50KB 到 400KB 左右。这样 latex导出的 pdf 大概率就在2M以内了。当图形比较复杂时，矢量图文件也很大，注意优化。解决方法： 加大图片的分辨率。

Autoencoder 是一种无监督学习算法，通过学习数据的低维表示来实现数据重建。它由编码器和解码器组成。VAE 的结构包含编码器、重参数化层和解码器。VQ-VAE 的结构包含编码器、向量量化层和解码器。

初始化图数据初始化数据import dgl# 创建一个简单的图对象# 添加节点特征和边特征node_features = torch.randn(num_nodes, 10) # 假设节点特征是 10 维的随机张量edge_features = torch.randn(num_edges, 5) # 假设边特征是 5 维的随机张量# 将图对象存储到 graph_list 列表中定义同构图GCNimport dgl# 定义一个简单的GCN模型return x初始化图数据初始化数据。

Diffusion 的train 和 inference 您 懂了吗？一张图说明 Train & Inference从代码出发一张图说明 Train & Inferencetrain的过程：给定 真实mel， 然后随机 t 步 噪声， 加到真实mel， 生成带噪的mel通过方差适配器输出的 cond 和 步数 t， 以及带噪mel。 预测噪声。（注意， 这个为了和inference 保持一致， 在推理时需要类似 带噪mel、cond、t 这个三个输入， 才能预测噪声，

加油

加油

1

加u

记录对自己有帮助的深度学习视频

nlp

nlp

nlp

nlp

nlp

几个nlp的小任务（序列标注）安装一个 评估的库序列标注的介绍初始化参数加载数据集查看数据集编码选出示例展示数据预处理类，转token判断是否为 transformers.PreTrainedTokenizerFast类型继续分割word介绍对齐解决对齐对数据集进行批量预处理微调预处理模型设置 参数args使用数据收集器，将处理好的模型喂给模型设置评估方法评估测试整体评估函数设置训练函数，并开始训练安装一个 评估的库序列标注的介绍初始化参数加载数据集查看数据集编码选出示例展示数

nlp

BERT、ERNIE、Grover、XLNet、GPT、MASS、UniLM、ELECTRA、RoBERTa、T5、C4ELMOBERTERNIEGroverXLNetGPTMASSUniLMELECTRARoBERTaT5C4ELMOBERTERNIEGroverXLNetGPTMASSUniLMELECTRARoB

加油

加油

1

加油

生成对抗网络与优化算法（第十次组会）生成对抗网络(Generative Adversarial Network)优化算法生成对抗网络(Generative Adversarial Network)优化算法

对不确定性数据进行建模

GRU、LSTM、注意力机制（第八次组会）一、 GRU二、 LSTM三、 深度RNN、双向RNN四、 注意力机制一、 GRU二、 LSTM三、 深度RNN、双向RNN四、 注意力机制

初见RNN（第七次组会）序列模型、马尔可夫假设循环神经网络序列模型、马尔可夫假设循环神经网络

NiN、GoogLeNet、ResNet、BatchNorm、DenseNet（第六次组会）1.NiN2. GoogLeNet3. Batch Normalization4. ResNet5. DenseNet6. 卷积神经网络的总结1.NiN2. GoogLeNet3. Batch Normalization4. ResNet5. D

AlexNet、VGG与Attention is all you need阅读一、卷积神经网络AlexNetVGG二、Attention is all you need一、卷积神经网络AlexNetVGG二、Attention is all you need

卷积神经网络1. 为什么用卷积2. 两个原则3. 参数理解4. 理解卷积1. 为什么用卷积2. 两个原则3. 参数理解4. 理解卷积

Multimodal fusion via cortical network inspired losses论文介绍1. 论文研究的任务是什么？2. 论文关注/拟解决的问题是什么？3. 论文提出什么方法如何解决这个问题？4. 如何设计实验 来证明 所提方法确实解决了 拟解决的问题？论文介绍1. 论文研究的任务是什么？2. 论文关注/拟解决的问题是什么？3. 论文提出什么方法如何解决这个问题？4. 如何设计实验 来证明 所提方法确实解决了 拟解决的问题？

【代码】pytorch的学习与总结(第二次组会)

a.线性回归解释：回归问题可以解决一些“有多少”的问题，线性回归利用输入特征和权重的线性组合来进行预测输出，类似于把预测值落在一条线性函数的附近，例如给定一个房子的特征，预测价格。公式： W @ X + bPytorch实现方法： net = nn.Sequential(nn.Linear(2,1))b.Softmax回归(分类)