架构师(JiaGouX)我们都是架构师！
架构未来，你来不来？
作者： justcodeit 数据量不断增加，企业需要灵活快速地处理这些数据。处理器主频和散热遇到瓶颈，多核处理器成为主流，并行化计算应用不断增加。开源软件的成功使得大数据技术得以兴起。互联网技术的发展让大多数企业能够积累大量的数据，而企业需要灵活快速地从这些数据中提取出有价值的信息来服务
转载
2024-05-22 15:15:06
44阅读
我们从最基本的卷积操作开始说起。近些年来，卷积神经网络在很多领域上都取得了巨大的突破。而卷积核作为卷积神经网络的核心，通常被看做是在局部感受野上，将空间上（spatial）的信息和特征维度上（channel-wise）的信息进行聚合的信息聚合体。卷积神经网络由一系列卷积层、非线性层和下采样层构成，这样它们能够从全局感受野上去捕获图像的特征来进行图像的描述。然而去学到一个性能非常强劲的网
转载
2024-09-29 19:08:56
30阅读
仿真不收敛，提示ERROR(ORPSIM-15138): Convergence problem in transient analysis at Time = 116.4E-21. Time step = 116.4E-21, minimum allowable step si
转载
2024-04-28 11:28:47
159阅读
前言 少样本学习(FSL)是机器学习的一个子领域，它解决了只用少量标记示例学习新任务的问题。FSL的全部意义在于让机器学习模型能够用一点点数据学习新东西，这在收集一堆标记数据太昂贵、花费太长时间或不实用的情况下非常有用。作者 | Christophe Atten少样本学习方法支持样本/查询集:使用少量图片对查询集进行分类。少样本学习中有三种主要方法需要了解:元学习、数据级和参数级。元学习
在量化计算中经常遇到收敛失败的情况，可进一步分为SCF不收敛和几何优化不收敛两种情形。SCF自洽场叠代不收敛，是指对指定结构的波函数不断优化、寻找能量最低点的波函数时出现的收敛失败，而几何优化不收敛是在结构优化过程中出现的收敛错误。网上关于量化计算收敛失败的讨论贴较多，本文汇总了网络资料和个人的使用经验，以Gaussian16为例，详细地列出了这类报错的可能解决办法。在Gaussian16中，默认
转载
2024-02-10 06:50:28
510阅读
1.是什么何恺明大神的又一经典之作： ResNeXt（《Aggregated Residual Transformations for Deep Neural Networks》）。这个网络可以被解释为 VGG、ResNet 和 Inception 的结合体，它通过重复多个block（如在 VGG 中）块组成，每个block块聚合了多种转换（如 Inception），同时考虑到跨层连接。ResNe
<<Designers Guide to Spice and Spectre>>
为什么要读这本书？
① 该书是介于算法和教你如何操作软件之间的一本书，可以帮助你更好的使用Simulator的设置。
② Simulator仿出的结果可靠不？精确不？是否收敛？应该如何处理，如何设置？
③ 读完这本书，你应该会： 
转载
2024-03-25 15:08:55
73阅读
无穷级数1.这个证明还是蛮有意思的，将1/n与ln(1+n)进行比较，发现前者要大于后者，然后去求后者的和。发现后者的和为无穷大。所以，1/n是收敛的。 2.这是属于比较常见的级数，所以，还是要记住的。 感觉这种题目却是还是蛮有意思的，因为这种题目正好是用到了高中的一些不等式的知识，而这又是非常难已看出的。 4.这里主要是记住那个公式。这样，在遇到一些题目的时候，思路会较为清晰一点。 5.这一题呢
转载
2024-09-18 20:22:17
108阅读
1. SALT_BUCKETS HBASE建表之初默认一个region，当写入数据超过region分裂阈值时才会触发region分裂。我们可以通过SALT_BUCKETS方法加盐，在表构建之初就对表进行预分区。SALT_BUCKETS值的范围是1~256（2的8次方），一般将预分区的数量设置为0.5～1 倍核心数。 &
有的时候我们在做Spectre trans瞬态仿真时，也许会遇到不收敛的情况，log上面print出来的time step越来越小，甚至可能是10e-18的级别，导致仿真无法结束，这是怎么回事呢？一、不收敛的原因在Cadence的官方文档Spectre® Classic Simulator, Spectre APS, Spectre X, and Spectre XPS User Guide中可以
转载
2023-10-20 14:03:01
280阅读
2021年ICLR的一篇文章一、IntroductionDETR的缺点：1、模型很难收敛，训练困难。相比于现存的检测器，他需要更长的训练时间来收敛，在coco数据集上，他需要500轮来收敛，是faster r-cnn的10到20倍；2、DETR在小物体检测上性能较差。现存的检测器通常带有多尺度的特征，小物体目标通常在高分辨率特征图上检测，而DETR没有采用多尺度特征来检测，主要是高分辨率的特征图会
转载
2024-08-15 01:04:17
150阅读
①、一般首先是改变初值，尝试不同的初始化，事实上好像初始化很关键，对于收敛。②、FLUENT的收敛最基础的是网格的质量，计算的时候看怎样选择CFL数，这个靠经验 ③、首先查找网格问题，如果问题复杂比如多相流问题，与模型、边界、初始条件都有关系。④、有时初始条件和边界条件严重影响收敛性，曾经作过一个计算反反复复，通过修改网格，重新定义初始条件，包括具体的选择的模型，还有老师经常用的方法就是看看哪个因
转载
2024-04-09 13:16:59
524阅读
1 引言逻辑不逻辑，回归非回归。回想当年初次学习逻辑回归算法时，看到”逻辑回归“这个名字，第一感觉是这是一个与线性回归类似的回归类别的算法，只不过这个算法突出”逻辑“，或者与某个以”逻辑“命名的知识点有关。可后来却发现，这是一个坑死人不偿命的名字——逻辑回归算法不是回归算法，是分类算法，也与逻辑无关，要说有关也仅是因为它的英文名字是Loginstics，音译为逻辑而已（所以也有资料称之为逻辑斯蒂回
Few-shot learning数据集 小样本学习（few shot learning）里面常用的测试数据集主要有Omniglot和miniImagenet两个，但是网上能查到的下载地址都在谷歌网盘上，而且miniImagenet中还缺少标注数据的csv文件,这里写一下搜索到的地址miniImagenet部分miniImagenet下载地址 ：百度云链接: https://pan.baidu.c
在了解收敛性之前，应该首先了解几个基本概念： (1)。报告步： 一个数模作业包括多个报告步，报告步是用户设置要求多长时间输出 运行报告，比如可以每个月，每季度或每年输出运行报告，运行报告包括产量报告 和动态场（重启）报告。 (2)。时间步： 一个报告步包括多个时间步，时间步是软件自动设置,即通过多个时间步的计算来达到下一个报告步，以ECLIPSE为例，假如报告 步为一个月，在缺省条件下，ECLIS
到目前为止我们所使用的全部是命令式编程，事实上我们用的大部分Python代码都是采用的命令式编程，比如下面这个例子：def add(x,y):
return x+y
def func_add(A,B,C,D):
E=add(A,B)
F=add(C,D)
G=add(E,
小样本学习和元学习基础知识人工智能最终依赖于大数据中学习。很难用很少的数据快速概括一个模型。相反，人类可以快速应用他们过去学到的东西来学习新事物。一个重要的方向是缩小人工智能与人类之间的差距。通过有限数据进行学习。少样本学习（few-shot learning）深度学习是data hunger的方法， 需要大量的数据，标注或者未标注。少样本学习研究就是如何从少量样本中去学习。拿分类问题来说,每个类
各位同学好，今天和大家分享一下如何使用 Tensorflow 构建 ResNeXt 神经网络模型，通过 案例实战 ResNeXt 的训练以及预测过程。每个小节的末尾有网络、训练、预测的完整代码。ResNeXt 是 ResNet 的改进版，在 bottleneck卷积块 结构上进行了较小的改动，其他都和 ResNet 模块相近，如下图所示，ResNeXt 比 ResNet 的精度更好。 文章目录完整
摘要本文为少样本异常检测（FSAD），这是一种实用但尚未被研究的异常检测（AD），少样本意味着在训练中只为每个类别提供有限数量的正常图像。现有的少样本异常检测的研究主要使用的是 一类别一模型 学习范式，而类别间的共性尚未被探索。受人类探测异常的启发，将有问题的图像与正常图像进行比较，我们在这里利用配准，这是一种固有可跨类别泛化的图像对齐任务，作为代理任务来训练类别不可知的异常检测模型。在测试过程中
转载
2024-01-14 13:26:29
267阅读
16.1 任务与奖赏强化学习任务通常用马尔可夫决策过程来描述：强化学习任务对应了四元组表示状态空间，表示动作空间， 指定了状态转移概率， 指定了奖赏。强化学习的目标是在环境中不断地尝试而学得一个“策略”（policy），在状态下就能得知要执行的动作。策略有两种表示方法：确定性策略 表示为函数随机性策略 表示为概率，为状态下选择动作的概率，且。策略的优劣在于长期执行这一策略后得到
