Python 的extend()方法是一个非常有用的工具，它允许你将一个可迭代对象的所有元素添加到列表的末尾。通过上面的示例，你可以看到extend()是如何工作的，以及在使用它时需要注意的一些事项。记住，extend()是直接修改原始列表的，而不是创建一个新的列表。如果你想要将一个可迭代对象的所有元素添加到列表末尾，并且不介意直接修改原始列表，那么extend()或+=是很好的选择。其中，ext

尽管Transformer最初是为自然语言处理引入的，但它现在已经被广泛用作计算机视觉中的通用主干结构。最近，长短期记忆（LSTM）已被扩展为一种可扩展且性能优越的架构——xLSTM，它通过指数门控和可并行化的矩阵内存结构克服了LSTM长期以来存在的限制。在本报告中，我们介绍了Vision-LSTM（ViL），它是将xLSTM构建块应用于计算机视觉的一种适配。ViL由一系列xLSTM块组成，其中奇

注意力机制由于其能够有效提升深度神经网络性能的能力，在计算机视觉领域获得了广泛认可。然而，现有方法往往难以有效利用空间信息，或者在利用空间信息的同时会牺牲通道维度或增加神经网络的复杂性。为了解决这些局限性，本文提出了一种高效的局部注意力（ELA）方法，该方法以简单的结构实现了显著的性能提升。通过分析坐标注意力方法的局限性，我们发现了批量归一化缺乏泛化能力、维度减少对通道注意力的不利影响以及注意力生

作为视觉Transformer的关键组件，自注意力机制可以有效地捕获不同位置之间的关系。给定一个输入x∈RN×dx∈RN×d，如图2(a)所示，其中包含NNN个标记，每个头内部有ddd维嵌入向量。自注意力可以通过相似度函数Sim⁡QKexp⁡QK⊤dSimQKexpQK⊤d​OSoftmax⁡QK⊤dVOSoftmaxd​QK⊤​V。

训练部分。

论文翻译：https://blog.csdn.net/m0_47867638/article/details/131860981?官方源码：https://github.com/SLDGroup/MobileViGMobileViG是第一个用于移动设备视觉任务的混合CNN-GNN架构，它使用SVGA。MobileViG在图像分类、目标检测和实例分割任务的准确性和/或速度方面优于现有的ViG模型和现

论文翻译：https://blog.csdn.net/m0_47867638/article/details/131161083官方源码：https://github.com/qhfan/CloFormer这是一篇来自清华大学的论文。作者提出CloFormer，一种轻量级的视觉transformer，利用上下文感知局部增强。CloFormer探索了普通卷积算子中经常使用的全局共享权重和特定toke

训练部分。

TextRNN仅仅是将Word Embedding后，输入到双向LSTM中，然后对最后一位的输出输入到全连接层中，在对其进行softmax分类即可，模型如下图：代码：TextRNN_ATT在TextRNN的基础上加入注意力机制，代码：数据集数据集采用cnews数据集，包含三个文件，分别是cnews.train.txt,cnews.val.txt,cnews,test.txt。类别：体育, 娱乐,

训练部分。