Author: Nihai V. Nayak(March 2020)Graph Neural Networks图神经网络01 Introduction02 Basics03 Learning on Graphs03.1 Formal Definition04 Graph Convolutional Networks （GCN）04.1 Aggregate04.2 Combine05 Gr...

文章目录01 Multitask Learning01.1Parameter Sharing01.2 Parameter Tying.02 Embedding Learning相关阅读：A Survey on Few-Shot Learning | Introduction and OverviewA Survey of Few-Shot Learing | Data给定少数样本的Dt...

文章目录神经网络简介从零开始构建CNN模型卷积池化非线性激活ReLU视图 （view）训练模型狗猫分类问题利用迁移学习对狗猫分类创建和探索VGG16模型冻结层微调训练计算预卷积特征理解CNN模型如何学习CNN层的可视化权重神经网络简介构建图像分类器可分为以下步骤。获取数据创建验证数据集从零开始构建CNN模型训练和验证模型torchvision变换可以将数据转换成PyTorch张量并进行归一化。下面

基于深度学习的行人重识别研究综述基于表征学习的ReID方法基于度量学习的ReID方法对比损失（Constrastive loss）三元组损失(Triplet loss)四元组损失(Quadruplet loss)难样本采样三元组损失(Triplet loss with batch hard mining, TriHard loss)Reference [原文]基于深度学习的行人重识别研究综述...

Distilling the Knowledge in a Neural NetworkAbstract1 Introduction2 Distillation2.1 Matching logits is a special case of distillation3 Preliminary experiments on MNIST4 Experiments on speech recogniti

文章目录ubuntu下安装docker安装验证docker 添加容器conda 容器配置conda 安装 pytorch实验项目准备附录ubuntu下安装docker参考链接 :菜根谭安装由于apt官方库里的docker版本可能比较旧，所以先卸载可能存在的旧版本sudo apt-get remove docker docker-engine docker-ce docker.io...

文章目录内容框架系列文章Chap 02 基于样本的迁移学习2.1 引用2.2 NTL2.3 ITL内容框架系列文章《迁移学习》chap01 绪论Chap 02 基于样本的迁移学习2.1 引用基于样本的迁移学习的两个关键问题：如何筛选出源域中与目标域数据具有相似分布的有标签样本。如何利用这些“相似”的数据训练处一个更准确的目标域上的学习模型。如果源域和目标域的边缘分布不同，但条件概率分布相同，则将问

直接。

基于深度学习的行人重识别研究综述基于表征学习的ReID方法基于度量学习的ReID方法对比损失（Constrastive loss）三元组损失(Triplet loss)四元组损失(Quadruplet loss)难样本采样三元组损失(Triplet loss with batch hard mining, TriHard loss)Reference [原文]基于深度学习的行人重识别研究综述...

文章目录概述Seq2Seq（ Sequence-to-sequence ）Encoder-Decoder的缺陷Attention 机制的引入Transformer中的Encoder-Decoder概述Encoder-Decoder 并不是一个具体的模型，而是一个通用的框架。Encoder 和