<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[whitevegetable的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/whitevegetable</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; whitevegetable]]></copyright><item><title><![CDATA[Latex图表并列]]></title><link>https://blog.youkuaiyun.com/whitevegetable/article/details/145532351</link><guid>https://blog.youkuaiyun.com/whitevegetable/article/details/145532351</guid><author>whitevegetable</author><pubDate>Sun, 09 Feb 2025 15:08:00 +0800</pubDate><description><![CDATA[（3）在两个minipage都设置为t时，没实现图1和2顶端对齐，改成现在的t和h才实现；在给论文配图时图画得太长，想把图和表像下面这样排列起来，没想到调了挺久才实现:)（2）避免（1）的情况但两个minipage还竖向排列的话，调整它们的宽度比例；（1）minipage之间不要加回车，要不然它们会竖向排列；]]></description><category></category></item><item><title><![CDATA[基于depgraph的模型压缩——使用coco128+yolov5验证]]></title><link>https://blog.youkuaiyun.com/whitevegetable/article/details/137070594</link><guid>https://blog.youkuaiyun.com/whitevegetable/article/details/137070594</guid><author>whitevegetable</author><pubDate>Mon, 01 Apr 2024 10:46:56 +0800</pubDate><description><![CDATA[目前没有区别Sparse Learning和Fine-tuing的optimizer和scheduler，需要的话，可以增加if语句为两种情况创建不同的优化器。，是一种结构化的模型压缩算法。凭记忆写的，可能会有些小问题...我的这条命令会报错找不到对应版本的包，通过关掉vpn解决了。2. 到官网下载代码解压，cd到对应文件夹里安装环境。）与coco128数据集，放到yolov5的文件夹中。参考论文是23年发表在cvpr的论文，1. 下载yolov5的代码（仍然使用上面的conda环境。]]></description><category></category></item><item><title><![CDATA[KubeFATE单机部署踩坑总结]]></title><link>https://blog.youkuaiyun.com/whitevegetable/article/details/132977981</link><guid>https://blog.youkuaiyun.com/whitevegetable/article/details/132977981</guid><author>whitevegetable</author><pubDate>Mon, 18 Sep 2023 14:59:27 +0800</pubDate><description><![CDATA[2. 执行./docker_deploy.sh all命令后，显示The authenticity of host 'ip (ip)' can't be established.（恐怖是输入yes后居然要输入12次密码！按照其他教程给的“#url#”安装后，docker-compose version命令输出报错line 1: html: No such file or directory等。这次再./docker_deploy.sh all，就成功了。找到需要版本的地址，填充到代码块的“#ur#l”中。]]></description><category></category></item><item><title><![CDATA[Latex表格\multicolumn和\makecell同时使用时，单元格内容垂直居中]]></title><link>https://blog.youkuaiyun.com/whitevegetable/article/details/132012574</link><guid>https://blog.youkuaiyun.com/whitevegetable/article/details/132012574</guid><author>whitevegetable</author><pubDate>Sun, 30 Jul 2023 22:20:50 +0800</pubDate><description><![CDATA[方法是修改合并行\multirow{行数}{*}{内容}的第一个{}，用大于真正行数的数字试一下。\multirow{4}{*}{}行数是4而不是2.]]></description><category></category></item><item><title><![CDATA[Ubuntu下，构建docker报错The repositoryis ... not signed.解决]]></title><link>https://blog.youkuaiyun.com/whitevegetable/article/details/129367846</link><guid>https://blog.youkuaiyun.com/whitevegetable/article/details/129367846</guid><author>whitevegetable</author><pubDate>Mon, 06 Mar 2023 18:11:52 +0800</pubDate><description><![CDATA[解决E: The repository 'https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64  InRelease' is not signed.]]></description><category></category></item><item><title><![CDATA[文献阅读：Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge]]></title><link>https://blog.youkuaiyun.com/whitevegetable/article/details/121194892</link><guid>https://blog.youkuaiyun.com/whitevegetable/article/details/121194892</guid><author>whitevegetable</author><pubDate>Sun, 07 Nov 2021 22:29:43 +0800</pubDate><description><![CDATA[背景

在用户异构（用户的通信、计算能力不同）的蜂窝网络中，传统的联邦学习会很低效。这是因为传统联邦学习中每轮参与模型训练的用户是随机选取的，这样如果一轮中选取的某些用户的通信、计算能力较差，那么其模型训练、上传所需的时间就更长，进而拖延本轮的模型聚合步骤，最终导致整个模型训练效率的低下。

研究内容

    论文提出了FedCS协议，将传统联邦学习的随机选取参与用户改为由用户的资源情况选择尽可能多的“优质”用户来进行模型更新。图示如下：



FedCS协议的具体步骤：

1....]]></description><category></category></item></channel></rss>