- 综合排序
- 最热优先
- 最新优先
- 来自专栏零域Blog
Data Representation - Integer
There are mainly two properties to make a integer representation different: Size, of the number of bits There are four well-known schemas to encode it, according to signed number representation of wikipedia the minimal negative is -128 Offset binary 移码 It’s also called excess-K (偏移 K) or biased representation extension such as Unicode nowadays, but we’ll ignore it for future posts dedicated for char and string representation
58920编辑于 2022-03-28 - 来自专栏AIUAI
low rank representation
所以提出来了low rank representation的方法，因为lowrank是对系数矩阵整体的约束，所以llr的方法是从全局的观点出发来表达的，其次由于噪声会提高数据的rank，故在lowrank
1K30发布于 2019-02-18 - 来自专栏CreateAMind
disentangled-representation-papers
https://github.com/sootlasten/disentangled-representation-papers This is a curated list of papers on disentangled (and an occasional "conventional") representation learning. Life-Long Disentangled Representation Learning with Cross-Domain Latent Homologies (Aug, Achille et. [paper] *** Neural Scene Representation and Rendering (Jun, Eslami et. al.) [paper] ? [paper] * Neural Discrete Representation Learning (Nov, Oord et. al.) [paper] ?
2.1K20发布于 2018-09-27 - 来自专栏CreateAMind
State Representation Learning for Control: An Overview
Loss = Lprior(s1:n;θφ|c) (5) All these approaches are detailed in Section 3. 2.3 State representation characteristics Besides the general idea that the state representation has the role of encoding essential In a reinforcement learning framework, the authors of [Böhmer et al., 2015] defines a good state representation as a representation that is: • Markovian, i.e. it summarizes all the necessary information to be able Learning In this section, we cover various implementation aspects relevant to state representation learning
81720发布于 2019-04-28 - 来自专栏机器学习入门
Prime Number of Set Bits in Binary Representation
Prime Number of Set Bits in Binary Representation 传送门：762. Prime Number of Set Bits in Binary Representation Problem: Given two integers L and R, find the count of numbers in the range [L, R] (inclusive) having a prime number of set bits in their binary representation
59650发布于 2019-05-26 - 来自专栏零域Blog
Data Representation - Floating Point Numbers
In the last episode we talked about the data representation of integer, a kind of fixed-point numbers The representation of floating-point number had to made trade-offs between ranges and precision. Imaging the dot can be float to the left by one to make the representation .12345. Recall that the E = 0b0111 1111 = 0 because it used a biased representation! } Representation of Non-Numbers There are more in the IEEE-754!
58420编辑于 2022-03-28 - 来自专栏CreateAMind
Nonparametric VAE for Hierarchical Representation Learning
structured Bayesian nonparametric priors with VAEs, to en- able infinite flexibility of the latent representation We apply our model in video representation learning.
39810发布于 2018-07-24 - 来自专栏叶子的开发者社区
Intermediate Representation （IR） 中间表示
Intermediate Representation（IR，中间表示）是在计算机科学和编译器设计中使用的概念，它是一种中间形式的程序表示，用于在不同编译阶段之间传递和处理代码。 下面将详细介绍Intermediate Representation的背景、特点和用途。 背景 在编译过程中，源代码需要经过多个阶段的转换和优化，最终生成可执行的机器代码。 为了在这些阶段之间进行通信和处理，需要一种中间形式的程序表示，即Intermediate Representation。 特点 抽象性：IR是在高级语言和底层机器代码之间的抽象层次。 总之，Intermediate Representation是一种中间形式的程序表示，被广泛应用于编译器设计和优化领域。
1.6K20编辑于 2023-07-30 - 来自专栏计算机视觉理论及其实现
Learning Texture Invariant Representation for Domain Adaptation
由于为语义分割注释像素级标签非常费力，因此利用合成数据是一个很有吸引力的解决方案。然而，由于合成域与真实域之间存在域间的差异，用合成数据训练的模型很难推广到真实数据中去。在本文中，我们考虑到两个域之间的根本区别作为纹理，提出了一种适应目标域纹理的方法。首先，我们利用风格转换算法对合成图像的纹理进行多样性处理。生成图像的各种纹理防止分割模型过度拟合到一个特定的(合成)纹理。然后通过自训练对模型进行微调，得到对目标纹理的直接监督。我们的结果达到了最先进的性能，我们通过大量的实验分析了在程式化数据集上训练的模型的属性。
2.4K30编辑于 2022-09-02 - 来自专栏CreateAMind
CPC(representation learning with contrastive predctive coding)
摘要： 监督学习在很多应用方面有了巨大的进步，但是非监督学习却没有如此广的应用，非监督学习是人工智能方面非常重要也非常具有挑战性的领域。这篇论文提出了 constrative predictive coding，一个非监督的通用的算法用于在高维度数据中提取有用的表示信息。算法的核心是通过强大的自回归（autoregressive）模型来学习未来的（预测的）隐变量表示。论文使用对比损失概率（probabilistic contrastive loss）来引入最大化预测样本的信息的隐变量。大多数其他研究的工作都集中在使用一个特殊的修正（公式）评估表示，论文（CPC）所使用的方法在学习有用信息表示的时候表现非常优异。
2.1K30发布于 2018-10-18 - 来自专栏叶子的开发者社区
MLIR （Multi-Level Intermediate Representation）
MLIR（Multi-Level Intermediate Representation）是一种多级中间表示的编译器基础架构，旨在提供通用的、可扩展的编译器基础设施。
88810编辑于 2023-07-30 - 来自专栏书山有路勤为径
Image Representation & Classification(图像表示与分类)
RGB channels Visualize the levels of each color channel. Pay close attention to the traffic signs!
65320发布于 2018-08-27 - 来自专栏计算机视觉理论及其实现
Momentum Contrast for Unsupervised Visual Representation Learning
我们提出了无监督视觉表征学习的动量对比(MoCo)。从作为字典查找的对比学习[29]的角度来看，我们构建了具有队列和移动平均编码器的动态字典。这使得能够动态构建一个大型且一致的词典，从而促进对比无监督学习。MoCo在ImageNet分类的通用线性协议下提供了有竞争力的结果。更重要的是，MoCo了解到的情况很好地转移到了下游任务中。在PASCAL VOC、COCO和其他数据集上，MoCo在7项检测/分割任务中的表现优于其监督的预训练对手，有时甚至远远超过它。这表明，在许多视觉任务中，无监督和有监督表示学习之间的差距已经基本消除。
2K30编辑于 2022-09-02 - 来自专栏计算机视觉
（condition instance batchnorm）A LEARNED REPRESENTATION FOR ARTISTIC STYLE
分享一个不错的对batchnorm的解释https://blog.csdn.net/aichipmunk/article/details/54234646.作者提到:Batch Norm会忽略图像像素（或者特征）之间的绝对差异（因为均值归零，方差归一）,instance norm也是一样的，他们只考虑相对差异，所以在不需要绝对差异的任务中（比如分类、风格），有锦上添花的效果。而对于图像超分辨率这种需要利用绝对差异的任务（超分辨率），Batch Norm只会添乱。 instance是作用于单张图片，batchnorm作用于一个batch instance batchnorm 作者提到图像风格化的结果不应该取决于内容图的对比度，而应该是风格图的对比度，所以instance batchnorm 能消除内容图的对比度的，毕竟归一化处理了，对比度一定下降。
68320发布于 2018-07-27 - 来自专栏AIUAI
论文阅读学习 - Deep Representation Learning with Target Coding
Deep Representation Learning with Target Coding [Project HomePage] [Paper - AAAI2015] [Supplementary
79560发布于 2019-02-18 - 来自专栏图与推荐
CS224W 7.2 Graph Representation Learning
CS224W 7.1 Graph Representation Learning 那么,有没有更好的随机游走策略来进一步提升deepwalk的效果呢,那就是Jure组的node2vec.
52720发布于 2020-04-07 - 来自专栏全栈程序员必看
graph representation learning_with for什么意思
云从科技在跨镜追踪（行人再识别）技术（ReID）上获取重大突破。同时在Market-1501，CUHK03，DukeMTMC-reID三个数据集刷新了世界纪录，其中最高在Market-1501上的首位命中率（Rank-1 Accuracy）达到96.6%，让跨镜追踪（ReID）在准确率上首次达到商用水平，人工智能即将从「刷脸」跨到「识人」的新纪元。
95320编辑于 2022-11-08 - 来自专栏小小程序员——DATA
神经网络 表述(Neural Networks: Representation)
神经网络 表述(Neural Networks: Representation) 1 非线性假设 我们之前学的，无论是线性回归还是逻辑回归都有这样一个缺点，即：当特征太多时，计算的负荷会非常大。
26710编辑于 2023-12-03 - 来自专栏神经网络和深度学习
8 神经网络：表达(Neural Networks: Representation)
8 神经网络：表达(Neural Networks: Representation) 8.1 非线性假设(Non-linear Hypotheses) 8.2 神经网络和大脑(Neurons and the Brain) 8.3 模型表示1(Model Representation I) 8.4 模型表示2(Model Representation II) 8.5 例子和直观理解1(Examples 例子和直观理解2(Examples and Intuitions II) 8.7 多类别分类(Multiclass Classification) 8 神经网络：表达(Neural Networks: Representation 8.3 模型表示1(Model Representation I) 既然神经网络模仿的是大脑神经元，那就先看一下大脑的神经元长什么样吧： [fhz61uhqto.jpg] 想象一下印刷厂中流水线的工人（ 依据本节所给模型，有： Size(Θ(1))=sj+1×(sj+1)=s2×(s1+1)=3×4 Size(Θ(2))=s3×(s2+1)=1×4 8.4 模型表示2(Model Representation
82940发布于 2020-07-07 - 来自专栏AutoML(自动机器学习)
论文笔记系列--iCaRL： Incremental Classifier and Representation Learning
--- title: 论文笔记系列--iCaRL： Incremental Classifier and Representation Learning tags: 论文,笔记,增量学习,incremental 增量学习主要旨在解决灾难性遗忘(Catastrophic-forgetting) 问题,本文将要介绍的《iCaRL： Incremental Classifier and Representation 计算能力与内存应该随着类别数的增加固定或者缓慢增长 有条件的可以去油管听听原作者对这篇论文的讲座：Christoph Lampert: iCaRL- incremental Classifier and Representation [vthf0udzzw.png] 其实该想法其实是基于LWF这篇论文，LWF的loss函数如下： [image.png] 结果 本文最终结果如下图示，将iCaRL,fixed representation
3.5K20发布于 2019-01-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号