【论文阅读笔记】HetConv: Heterogeneous Kernel-Based Convolutions for Deep CNNs
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/cskywit/article/details/88663018 论文地址：https://arxiv.org/abs/1903.04120 本文是CVPR2019上发表的一篇文章，文章主要设计了新的滤波器结构，在大幅减少FLOPS的前提下还能保证延迟和准确性。 文章将现有的卷积过滤器大致分为三类：1）深度方面的卷积过滤器，用于执行逐深度的卷积（DWC）2）点方面的卷积过滤器，用于执行逐点卷积（P
卷积神经网络的模型训练技巧
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/cskywit/article/details/88701247 本文cifar10图片分类的例简要说明卷积神经网络中的模型训练技巧，这里我们暂且不提训练的结果的准确度。代码都很简单，不做过多解读。 1.基本的模型 这里使用的就是普通的卷积加池化，最后通过global average pooling输出10个向量经softmax分类： import tensorflow as tf
import
Python装饰器简介
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/cskywit/article/details/88740687 1.装饰器实现的基本问题 基本的Python装饰器 @function_wrapper
def function():
pass
以上代码等价于：
def function():
pass
function = function_wrapper(function)
使用类来实现装饰器 class functi
Python中的浅复制与深复制
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/cskywit/article/details/88742953 Python中的标识、 相等性和别名 1.is，id和== >>> charles = {'name': 'Charles L. Dodgson', 'born': 1832}
>>> lewis = charles ➊
>>> lewis is charles
True
>>> id(charles), id(lewis) ➋
(
【论文阅读笔记】An Unsupervised Learning Model for Deformable Medical Image Registration
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/cskywit/article/details/88773955 图像配准是图像处理研究领域中的一个典型问题和技术难点，其目的在于比较或融合针对同一对象在不同条件下获取的图像，例如图像会来自不同的采集设备，取自不同的时间，不同的拍摄视角等等，有时也需要用到针对不同对象的图像配准问题。具体地说，对于一组图像数据集中的两幅图像，通过寻找一种空间变换把一幅图像映射到另一幅图像，使得两图中对应于空间同一位
【论文阅读笔记】The Effectiveness of Multitask Learning for Phenotyping with Electronic Health Records Data
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/cskywit/article/details/89418622 本文发布在arxiv 2019 电子表型分析的任务是通过分析其医疗记录来确定个人是否具有感兴趣的医学病症，并且是临床信息学的基础。电子表型越来越多地通过监督学习来完成。本文使用电子健康记录（EHR）数据研究多任务学习对表型分析的有效性。多任务学习旨在通过共同学习其他辅助任务来提高目标任务的模型性能，并已用于机器学习的不同领域。但是，
【论文阅读笔记】Linguistic Knowledge and Transferability of Contextual Representations
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/cskywit/article/details/89428157 本文发布在arxiv 2019 preprint 通过十六种不同的探究任务来研究语境化知识和语境化词语表示的可迁移性。预训练的上下文相关词向量足以在广泛的NLP任务中实现高性能。对于需要特定信息但未被上下文单词表示捕获的任务，学习特定任务的上下文特征有助于在词向量中编码必要的知识。此外，对情境化层的可迁移性模式的分析表明，LSTM的
【论文阅读笔记】Learning Hierarchical Representations of Electronic Health Records for Clinical Outcome
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/cskywit/article/details/89520118 本文发布在arxiv 2019 基于电子病历(EHR)的临床结局预测对提高医疗质量起着至关重要的作用。传统的深度序列模型无法捕捉到长而不规则的临床事件序列中编码的丰富的时间模式。长时间尺度的临床事件表现出较强的时间模式，而短时间内的事件往往是无序的共现。因此，本文提出了不同时间尺度的临床事件模型的不同机制。本文提出的模型学习事件序列
清华源失效后如何安装pytorch1.01
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/cskywit/article/details/89646764 今天本想体验下最新版的pytorch1.01，结果发现conda install时候HTTP error了，查了一下原来从4月25日其国内的清华源、中科大源等陆续关停服务，无奈又只能恢复到Anaconda官网的原始源，我的心情拔凉拔凉的，只能这样啦，安装过程中如何提速记录分享一下。我的GPU是Nvidia 2080ti，CUDA版本
【论文阅读笔记】RETAIN: An Interpretable Predictive Model for ealthcare using Reverse Time Attention Mechani
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/cskywit/article/details/89848013 本文发布在NIPS2016，论文代码：https://github.com/mp2893/retain. 本文核心模型如图： 文章将事件序列建模为心力衰竭诊断的预测因子的方法表明，复杂模型可以提供更高的预测精度和更精确的解释能力。考虑到RNNs对序列数据分析的能力，文章提出了RETAIN，在保持RNN预测能力的同时允许更高程度的解释
[学习笔记]Pytorch迁移学习实例
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/cskywit/article/details/90338954 本文参考Pytorch官方教程，个人觉得代码结构写得非常好，很值得借鉴使用，所以转发分享，另外将调试中遇到的问题和解决一起说明一下。 目前在CNN上的迁移学习的主要场景主要有两大类： 1.CNN微调：使用预训练的CNN参数初始化网络，而不是随机初始化网络，如使用在imagenet上进行预训练的网络参数进行初始化； 2.将CNN作为固
【论文代码调测】A Convolutional Neural Network for Modelling Sentences
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/cskywit/article/details/90733729 本论文使用Dynamic K-max pooling和宽卷积提升句子建模精度，在NLP中，当卷积核的长度相对于输入向量的长度比较大，需要使用宽卷积，在TensorFlow的CNN实现中，padding='SAME'表示宽卷积，padding='VALID'实现的是窄卷积，关于宽窄卷积的说明可以参考这篇博客。本文在github源码Py
【论文阅读笔记】A Sensitivity Analysis of (and Practitioner Guide to) Convolutional Neural Networks for Sent
本文对TextCNN（原论文：Convolutional Neural Networks for Sentence Classification）做了大量调参实验，给出了很多使用TextCNN进行文本分类的具体建议。TextCNN的论文解析在网上有很多已有的博客可以参考，这里只是简述。 TextCNN结构如图： 网络原理简述：网络输入是句子，其中的每个单词已经通过one-hot、word2Vec或gloVe映射为词向量，一个句子构成一个词数*词嵌入维度大小的矩阵，类似图片格式一样。然后经过不同
【避免入坑】混合硬盘上安装Win10+Ubuntu18.04双系统需要注意的细节
因为系统崩溃且之前使用Win7分区不合理，所以直接重装，这里改用Win10，我的电脑配置是512G SSD+4T机械+32GB内存+Nvdia2080ti显卡，本文只是将安装中需要注意的细节说明，不重复所有细节，具体完整的安装网上已经有很多教程。 ## 一.安装Win10 使用U盘安装，比较简单，下载老毛桃装机工具，将网上下载的Win10写入即可，这方面网上教程很多，不赘述，值得注意的几点是： * 安装先进BIOS先把启动方式改为UEFI，默认是Legacy。 * 使用U盘启动进去PE后，用D
Anaconda中构建深度学习开发环境记录（Win10下测试）
有人问我Win10下深度学习环境的构建，个人觉得应该和Win7差不多，但出于负责还是亲自尝试记录一下。下面所说的命令都是亲测可用的。 我的平台是：Python3.6(Anaconda4.3)+CUDA10.0+windows10，提前去NVIDIA官网下载CUDA和cuDNN，配置见我的另一篇博客，这里不再赘述 设置源 2019年6月5日Anaconda清华源又恢复使用了，很好！！ 在annaconda命令行中使用一下命令就可以设置源。 conda config --add channels
centos6和centos7 下关闭防火墙
CentOS6关闭防火墙使用以下命令 关闭、启动、状态 service iptables stop|start|status 禁止开机启动 chkconfig iptables off CentOS7关闭防火墙使用以下命令 关闭、启动、状态 systemctl stop|start|status firewalld 禁止开机启动 systemctl disable firewalld
删除数据库表的所以记录的几种方法的比较
TRUNCATE TABLE 在功能上与不带 WHERE 子句的 DELETE 语句相同：二者均删除表中的全部行。但 TRUNCATE TABLE 比 DELETE 速度快，且使用的系统和事务日志资源少。 DELETE 语句每次删除一行，并在事务日志中为所删除的每行记录一项。 TRUNCATE TABLE 通过释放存储表数据所用的数据页来删除数据，并且只在事务日志中记录页的释放。 TRUNCATE,DELETE,DROP放在一起比较： TRUNCATE TABLE：删除内容、释放空间但不删除定
JDBC简易版数据库连接池
如何实现简易版的数据库连接池 1、前言 JDBC数据库的连接释放是很浪费资源的，如果每次操作数据库都新建连接显然是不符合业务要求的，在实际项目中我们常用的连接池有C3P0、DBCP等。那我们如何实际实现一个简易版的数据库连接池呢，核心思想就是使用动态代理来完成获取连接、释放。如是需要自己实现数据库连接池则需要实现DataSource接口，重写getConnection()方法。在数据库连接池中最重要的环节释放连接的时候，我们不是真正的释放连接，而是把连接返回到连接池中。这里讲的池也就是一个集合
今日推荐
周排行