本文从阐述Python实现客观赋权法的四种方式：一. 熵权法二. 因子分析权数法(FAM)三. 主成分分析权数法(PCA)四. 独立性权系数法 Python实现客观赋权法，在进行赋权前，先导入数据（列：各维属性；行：各样本），并自行进行去空值、归一化等操作。 import pandas as pd
import numpy as np
data=pd.DataFrame(pd.read
转载
2024-10-29 09:38:57
51阅读
论文提出自适应的label assignment方法DW，打破了以往耦合加权的惯例。根据不同角度的一致性和非一致性指标，动态地为anchor分配独立的pos权重和neg权重，可以更全面地监督训练。此外，论文还提出了新的预测框精调操作，在回归特征图上直接精调预测框
论文:A Dual Weighting Label Assignment Scheme for Object Detection论文地址
转载
2024-03-21 21:25:26
172阅读
Python爬虫学习第十一天—pymongo模块使用一、安装pymongo模块python3 -m pip install pymongo二、pymongo模块的使用1、配置基础项user = 'pytest' # 账号
password = 'python' # 密码
# host = '127.0.0.1' # host
host = '10.1.1.141' # host
port = 27
# Python Pymoo 使用入门
在进行多目标优化时，Python 中的 `pymoo` 库提供了强大的工具和灵活的框架。`pymoo` 是一个多目标优化库，旨在帮助用户进行复杂的优化任务。它支持多种优化算法，能处理不等式约束、参数设置、以及不同的目标函数等。
## 安装 `pymoo`
首先，我们需要安装 `pymoo` 库。在命令行或终端中输入以下命令：
```bash
pip
原创
2024-08-10 05:04:46
1032阅读
在上离散数学课程时，老师给了这么一个问题：1. 对给出的任意一个命题公式（不超过四个命题变元），使学生会利用编程软件表示出来，并且能够计算它在各组真值指派下所应有的真值，画出其真值表。的真值表；的真值表； 2. 编程解决下列问题： 求公式 的主析取范式与主合取范式，并求公式的成真赋值和成假赋值。这对于是个菜狗的我简直
Python SMTP发送邮件SMTP(Simple Mail Transfer Protocol)即简单邮件传输协议,它是一组用于由源地址到目的地址传送邮件的规则，由它来控制信件的中转方式。python的smtplib提供了一种很方便的途径发送电子邮件。它对smtp协议进行了简单的封装。Python创建 SMTP 对象语法如下：import smtplibsmtpObj = smtplib.SM
转载
2023-09-06 11:29:15
55阅读
1 多目标函数定义在不损失任何通用性的情况下，优化问题可以定义为：式中：xix_ixi 为第 iii 个待优化变量；xiLx^
原创
2022-05-15 13:11:49
4156阅读
轮询算法round-robin是很基础的负载均衡算法，实际应用中wrr更为常见，但一般不需要自己实现，因为一般需要rr的场景，都已经在基础设施层面进行了支持，比如lvs或nginx通过配置即可实现，但业务上偶尔也需要自己实现负载均衡，所以有必要了解一下其技术原理。谈到wrr的应用场景，一般是服务器配置存在差异时，比如集群里有一个2C4G和一个4C8G，那么我们希望4C8G能承担更多的业务请求。或者
转载
2024-05-14 22:01:45
153阅读
1、对网络的权重进行随机初始化2、对网络做前向计算，即将输入数据经过卷积、 Batchnorm， Scale、激活函数、池化等 层后，得到网络的输出值。3、计算网络的输出值与期望的目标值（ Ground Truth）之间的误差。。4、当误差大于期望值时，将误差反传回网络中，依次求得池化、激活函数、 Scale， Batchnorm、卷积等网络层的误差。5、根据各层误差对各网络层的梯度进行计算，再由
转载
2024-04-06 11:05:01
105阅读
CMMI认证等级从一级到五级共有五个等级，其中CMMI-5为最高等级。能力度等级：属于连续式表述，共有六个能力度等级(0~5)。0 不完整级 1 已执行级 2 已管理级 3 已定义级 4 量化管理级 5 最优化级 通常我们企业的CMMI等级认证从CMMI-1到CMMI-5。 1、初始级：软件过程是无序的，有时甚至是混乱的，对过程几乎没有定义，成功取决于个人努力。管理是反应式的。2、可管理级：建立了
转载
2024-03-27 17:21:26
123阅读
背景nhanesA的开发是为了实现对国家健康和营养检查调查（NHANES）数据的完全可定制的检索。该调查是由国家卫生统计中心（NCHS）进行的，数据可在以下网站公开获取：https://www.cdc.gov/nchs/nhanes.htm。NHANES的数据每年被报告在一千多份同行评审的杂志出版物中。NHANES Data自1999年以来，NHANES调查一直在连续进行，在此期间的调查被称为 "
转载
2024-03-15 10:16:05
401阅读
ELF 文件结构介绍
ELF 文件结构介绍文件头以 ELF 文件64位版本为例：e_ident 【ELF魔数 16byte】1-4字节：ELF 文件都必须相同的标识码，分别为 0x7F,0x45,0x4C,0x46第5字节：程序位数（0x01表示32位，0x02表示64位）第6字节：规定该ELF文件是大端还是小端（0x01表示小端，0x02表示大端）第7字节
转载
2024-05-30 00:37:58
197阅读
随着网络和信息技术的飞速发展，网络中的信息量也呈现爆炸式的增长，那么快速并且正确从这些海量的数据中获取正确的信息成为了现在搜索引擎技术的核心问题。用户的输入通常呈现很大的差异性，这是因为不同的人接受不同的教育、不同的文化，导致在表述同一个问题上面差异很大，那么对用户输入的搜索词进行词条权重的打分是非常有必要的，这对于从用户输入的搜索词中提取核心词，或是对搜索词返回的文档排序等都是一个非常重要的课题
转载
2024-04-14 20:59:22
163阅读
什么是Attention机制？Attention机制的本质来自于人类视觉注意力机制。人们在看东西的时候一般不会从到头看到尾全部都看，往往只会根据需求观察注意特定的一部分。简单来说，就是一种权重参数的分配机制，目标是协助模型捕捉重要信息。具体一点就是，给定一组，以及一个目标(查询)向量query，attention机制就是通过计算query与每一组key的相似性，得到每个key的权重系数，再通过对v
转载
2024-03-31 16:03:22
340阅读
一、 半定松弛 Semidefinite relaxation (SDR)1.齐次QCQP SDR可以用于解决很多非凸的二次约束二次规划问题，因此成为信号处理领域一个有力的工具。一般的实值齐次QCQP问题可以表示为如下的形式：其中X是一个秩为1的半正定矩阵，因此该问题转化为如下的形式： 优化变量从原来的x变成了X，目标函数和约束条件对于
转载
2024-03-31 11:23:38
373阅读
1.seq2seq模型有遗忘问题和对齐问题，attention在原来的seq2seq模型上做出了改进，在decoder编码阶段它的输入变为原来向量的加权求和，赋予每个向量不同的权重。获取权重的方式：找一个向量ｑ与输入句子的每个词的向量进行比较，如果两个向量相近则获得的权重比较高。计算权重的方式：一种就是在预测ｔ时刻的输出时，用decoder阶段上一时刻的输出作为ｑ向量。另一种就是用ｈｔ作为ｑ向量。
转载
2023-08-25 21:43:16
83阅读
我们做分类算法训练时，如果训练集里的各个类别的样本数量不是大约相同的比例，就需要处理样本不平衡问题。也许你会说，不处理会怎么样呢？如果不处理，那么拟合出来的模型对于训练集中少样本的类别泛化能力会很差。如何解决这个问题呢？一般是两种方法：权重法或者采样法。权重法是比较简单的方法，我们可以对训练集里的每个类别加一个权重class weight。如果该类别的样本数多，那么它的权重就低，反之则权重就高。如
转载
2024-04-30 10:09:00
50阅读
模型读取参照三，想实现一个自己图像的可视化过程： 首先我发现自己训练出的model没有deploy文件。查阅了下：“如果要把训练好的模型拿来测试新的图片，那必须得要一个deploy.prototxt文件，这个文件实际上和test.prototxt文件差不多，只是头尾不相同而也。deploy文件没有第一层数据输入层，也没有最后的Accuracy层，但最后多了一个Softmax概率层。”记得我用的是
转载
2024-05-29 06:13:34
70阅读
我们在网上搜东西时，搜索引擎总是会把相关性高的内容显示在前面，相关性低的内容显示在后面。那么，搜索引擎是如何计算关键字和内容的相关性呢？这里介绍2种重要的权重度量方法：TF-IDF和BM25。 在进入理论探讨之前，我们先举个例子。假如，我们想找和“Lucence”相关的文章。可以想一下，那些内容里只出现过一次“Lucence”的文章，有可能是在讲某种技术，顺便提到了
转载
2024-08-13 10:32:51
73阅读
介绍 在DMN决策模型的决策依赖层面，由一个或多个决策依赖图（DRD）描绘出一个完整的决策依赖图形（DRG）。 一个决策域的DRG模型，显示了关键元素在其中的作用和他们之间的依赖关系，这些元素模型是：决策、领域业务知识、业务知识源和输入的数据。 决策元素是指：从多个输入中确定输出的行为，使用决策逻辑可以引用其中一个或者多个业务知识模型。 业务知识模型元素是指：以功能形式封装的业务知识，如，业务规则
转载
2024-06-26 13:37:32
143阅读
