- 博客(130)
- 资源 (3)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 【论文精读04】AltCLIP: Altering the Language Encoder in CLIP for Extended Language Capabilities
在这项工作中，我们提出了一个概念上简单和有效的方法来训练一个强大的双语/多语言的多模态表示模型。设计一个预训练好的多语言文本编码器——XLM-R来替代CLIP中的文本编码器，并通过一个两阶段的训练模式——教师学习和对比学习来对齐语言-图像表示。我们在一系列任务上设置了最先进的性能，包括ImageNet-CN、Flicker30kCN、COCO-CN和XTD。此外，我们与CLIP在几乎所有任务上都获得了非常接近的性能，这表明人们可以简单地改变CLIP中的文本编码器，以扩展功能，如多语言理解。
2023-06-15 16:57:55
309
原创 【论文精读03】Drag Your GAN: Interactive Point-based Manipulation on the Generative Image Manifold
合成满足用户需求的视觉内容通常需要对生成对象的姿态、形状、表达和布局的灵活性和可控性有着一定的要求。现有的方法是通过手动标注的训练数据或先前的三维模型来获得生成对抗网络（GANs）的可控性，这些方法往往缺乏灵活性、精度和通用性。在这项工作中，我们研究了一种强大但浅探索的控制GANs的方法，即“拖动”图像中的任何点，以用户交互的方式精确到达目标点，如图1所示。图1。DragGAN允许用户“拖动”任何GAN生成的图像的内容。
2023-05-29 19:38:25
412
原创 【论文精读02】BLIP-Diffusion: Pre-trained Subject Representation for Controllable Text-to-Image Generation
主题驱动的文本-图像生成模型创造出了一个基于文本提示的输入主题的新展现。现存的模型有着微调时间长、主题保存性不强的问题，基于此提出了BLIP-Diffusion模型，它支持多模态控制，并且使用主题图像和文本提示作为输入。与其他工作不同的是，它引入了一个新的、预训练好的、能提供主题嵌入的多模态编码器。我们首先follow BLIP-2来预训练 视觉编码器；接着，我们设计了一个主题表示学习任务，使扩散模型能够利用这种视觉表示生成新的主题呈现。
2023-05-28 10:28:29
362
原创 Re01：NerLTR-DTA: drug–target binding affinity prediction based on neighbor relationship and learning
NerLTR-DTA: drug–target binding affinity prediction based on neighbor relationship and learning to rank
2022-10-23 17:30:18
886
1
原创 ogb数据集划分报错TypeError: __copy__() takes 1 positional argument but 2 were given
ogb数据集划分报错TypeError: __copy__() takes 1 positional argument but 2 were given
2022-10-04 16:39:29
798
原创 【斯坦福大学公开课CS224W——图机器学习】七、图神经网络2：GNN设计空间
【斯坦福大学公开课CS224W——图机器学习】七、图神经网络2：GNN设计空间
2022-10-02 08:51:46
693
原创 【斯坦福大学公开课CS224W——图机器学习】六、图神经网络1：GNN模型
【斯坦福大学公开课CS224W——图机器学习】六、图神经网络1：GNN模型
2022-10-01 16:54:29
910
原创 【斯坦福大学公开课CS224W——图机器学习】四、Link Analysis: PageRank
【斯坦福大学公开课CS224W——图机器学习】四、Link Analysis: PageRank
2022-09-19 16:19:12
558
原创 【斯坦福大学公开课CS224W——图机器学习】二、图机器学习中的传统方法（2）
【斯坦福大学公开课CS224W——图机器学习】二、图机器学习中的传统方法（2）
2022-09-10 21:28:05
998
原创 【斯坦福大学公开课CS224W——图机器学习】一、图机器学习中的传统方法（1）
【斯坦福大学公开课CS224W——图机器学习】一、图机器学习中的传统方法（1）
2022-09-09 20:10:30
1135
原创 Pytorch框架学习记录6——torch.nn.Module和torch.nn.functional.conv2d的使用
Pytorch框架学习记录6——torch.nn.Module和torch.nn.functional.conv2d的使用
2022-07-29 15:41:54
397
原创 Pytorch框架学习记录4——数据集的使用（torchvision.dataset）
Pytorch框架学习记录4——数据集的使用（torchvision.dataset）
2022-07-29 09:06:17
304
原创 Pytorch框架学习记录2——TensorBoard的使用
Tensorboard在训练模型时很有用，可以看训练过程中loss的变化。之前用于框架，自Pytorch1.1之后，Pytorch也加了这个功能。
2022-07-28 09:44:54
813
原创 Pytorch框架学习记录1——Dataset类代码实战
torch.utils.data.Dataset是代表自定义数据集方法的抽象类，你可以自己定义你的数据类继承这个抽象类，非常简单，只需要定义__len__和__getitem__这两个方法就可以。
2022-07-27 18:57:37
348
原创 【基于栈的二叉树中序遍历】二叉树的中序遍历+栈，O(h)的空间复杂度
【基于栈的二叉树中序遍历】二叉树的中序遍历+栈，O(h)的时间复杂度一般情况我们通常使用递归算法对二叉树进行中序遍历，模板如下：void dfs(TreeNode *root){ if(!root)return; dfs(root->left); cout<<root->val<<endl; dfs(root->right);}该算法的时间复杂度为O（n），若需要对二叉树进行随机存取，则需要使用数组对二叉树进行扁平化保存，空间复杂度为O（n）在L
2022-05-27 16:10:39
560
原创 【优先队列+STL】218. 天际线问题（hard）——详细思路解析
【优先队列+STL】218. 天际线问题（hard）——详细思路解析1、题目再现218. 天际线问题城市的 天际线 是从远处观看该城市中所有建筑物形成的轮廓的外部轮廓。给你所有建筑物的位置和高度，请返回 由这些建筑物形成的 天际线 。每个建筑物的几何信息由数组 buildings 表示，其中三元组 buildings[i] = [lefti, righti, heighti] 表示：lefti 是第 i 座建筑物左边缘的 x 坐标。 righti 是第 i 座建筑物右边缘的 x 坐标。 heigh
2022-05-09 16:11:02
857
原创 【记忆化搜索】329. 矩阵中的最长递增路径——理解记忆化搜索的原理
【记忆化搜索】329. 矩阵中的最长递增路径——思路分析329. 矩阵中的最长递增路径给定一个 m x n 整数矩阵 matrix ，找出其中 最长递增路径 的长度。对于每个单元格，你可以往上，下，左，右四个方向移动。 你 不能 在 对角线 方向上移动或移动到 边界外（即不允许环绕）。输入：matrix = [[9,9,4],[6,6,8],[2,1,1]]输出：4解释：最长递增路径为 [1, 2, 6, 9]。这道题的常规解法是使用DFS算法，然而当该算法的时间复杂度为O(n2)O(n
2022-05-07 20:02:38
278
原创 【Bellman-Ford算法（求解最短路径约束问题）】787. K 站中转内最便宜的航班——算法分析
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
2022-05-06 17:33:50
296
原创 【树形动态规划】968. 监控二叉树——思路分析
【树形动态规划】968. 监控二叉树——思路分析968. 监控二叉树给定一个二叉树，我们在树的节点上安装摄像头。节点上的每个摄影头都可以监视其父对象、自身及其直接子对象。计算监控树的所有节点所需的最小摄像头数量。输入：[0,0,null,0,0]输出：1解释：如图所示，一台摄像头足以监控所有节点。思路分析【树形动态规划】本题以二叉树为背景，不难想到用递归的方式求解。本题的难度在于如何从左、右子树的状态，推导出父节点的状态。为了表述方便，我们约定：如果某棵树的所有节点都被监控，则称该
2022-05-04 17:02:31
323
原创 【机器学习】范数规则化之——L0、L1与L2范数
【机器学习】范数规则化之——L0、L1与L2范数在机器学习领域中，我们通常求解模型的目标是“minimizeyour error while regularizing your parameters”，也就是在规则化参数的同时最小化误差。最小化误差是为了让我们的模型拟合我们的训练数据，而规则化参数是防止我们的模型过分拟合我们的训练数据。因为参数太多，会导致我们的模型复杂度上升，容易过拟合，也就是我们的训练误差会很小。但训练误差小并不是我们的最终目标，我们的目标是希望模型的测试误差小，也就是能准确的预测
2022-05-01 10:56:50
792
原创 《机器学习》西瓜书课后习题9.4——python实现K-means算法
《机器学习》西瓜书课后习题9.4——python实现K-means算法9.4 试编程实现k均值算法，设置三组不同的k值、三组不同的初始中心点，在西瓜数据集4.0上进行实验比较，并讨论什么样的初始中心有利于取得好结果.本文主要适用python语言编程实现了K-means算法的过程，并使用了西瓜数据集4.0作为测试数据，在初始化均值向量时使用随机选择的方法，因此相同参数的情况下代码每次运行的结果可能会有所不同。最后，为了验证聚类效果，可视化了最终的结果集，可以发现的是，随着迭代的此时的增多，聚类的效果
2022-04-25 17:36:11
5633
2
原创 【单调栈】84. 柱状图中最大的矩形——数据结构经典问题求解思路
【单调栈】84. 柱状图中最大的矩形——数据结构经典问题求解思路该问题属于虽然是困难模式，但是却是数据结构的一个经典问题，该问题的求解方法包括：暴力法、单调栈方法。建议读者先掌握暴力法的求解思路，之后出于优化该算法的目的，提出了单调栈算法。84. 柱状图中最大的矩形给定 n 个非负整数，用来表示柱状图中各个柱子的高度。每个柱子彼此相邻，且宽度为 1 。求在该柱状图中，能够勾勒出来的矩形的最大面积。输入：heights = [2,1,5,6,2,3]输出：10解释：最大的矩形为图中红色区域，面
2022-04-25 09:32:31
305
原创 【机器学习中的数学基础】矩阵特征值、特征向量和特征值分解的几何意义
【机器学习中的数学基础】矩阵特征值、特征向量和特征值分解的几何意义在《机器学习》西瓜书中的第十章提到了“多维缩放”（简称MDS）方法，该方法是一种经典的的降维方法。此方法的目标是获得样本在d′d^{'}d′维空间的表示，且任意两个样本在d′d^{'}d′维空间中的欧式距离等于原始空间中的距离。在介绍该方法时提到了特征值分解这一概念，在线性代数的课程学习中，重点放在了如何求解特征值和特征值分解，对于其表示的数学含义而不求甚解，因此，本文就矩阵的特征值、特征向量以及特征值的分解所具有的几何意义做出解释。相
2022-04-24 11:00:31
3489
1
原创 《机器学习》西瓜书课后习题8.5——python实现基于决策树的Bagging算法
《机器学习》西瓜书课后习题8.5——python实现基于决策树的Bagging算法8.5 试编程实现Bagging，以决策树桩为基学习器，在西瓜数据集3.0a上训练一个Bagging集成，并玉图8.6相比较写在前面：由于写者的失误错将“西瓜数据集3.0a"看成”西瓜数据集3.0“，由于这两个数据集存在较大的差别，本文所论述的完全是基于3.0a数据集的，但是算法的核心思想没有改变，仅供读者参考！！！参考博客：《机器学习》西瓜书课后习题4.3——python实现基于信息熵划分的决策树算法（简单、全
2022-04-22 21:10:44
3233
原创 《机器学习》西瓜书课后习题8.3——python实现基于决策树的AdaBoost算法
《机器学习》西瓜书课后题8.3——基于决策树学习器的集成学习（Python代码实现）
2022-04-22 15:22:49
4456
2
原创 【AdaBoost算法】集成学习——AdaBoost算法实例说明
【AdaBoost算法】集成学习——AdaBoost算法实例说明AdaBoost算法是数据挖掘十大算法之一，但是部分参考书上只给了该算法的数学推导过程，具体的流程并未详细举例加以解释，因此不利于学习者的掌握和领悟，通过查找相关资料，发现知乎有篇博文介绍的很是详细，并且附有具体实例加以理解。（十三）通俗易懂理解——Adaboost算法原理一、AdaBoost算法过程给定训练数据集：（x1,y1）,(x2,y2)···(xn,yn)，其中yi属于{1，-1}用于表示训练样本的类别标签，i=1,…,N。A
2022-04-21 15:30:38
3255
1
原创 【树+前缀和】437. 路径总和 III——思路解释
【树+前缀和】437. 路径总和 III——思路解释437. 路径总和 III1.暴力法——深度优先搜索思路：逐个遍历树的每个节点从该节点开始遍历其左右子树，并累加求和如果当前的和等于targetSum，则ans++该种方法的时间复杂度为O(n2)O(n^2)O(n2)，在进行测试的时候回出现INT溢出，因此在求和的过程中要用long long int/** * Definition for a binary tree node. * struct TreeNode { * i
2022-04-20 14:22:56
860
编写函数f，功能是用递归的方法求斐波那契数列的第n项
2019-12-14
C语言中利用递归的方式得到n！
2019-12-14
如何使用mongoose查询属性名为中文，内容也为中文的数据？
2021-12-23
TA创建的收藏夹 TA关注的收藏夹
TA关注的人