做个笔记，ncm格式转mp3格式

解决方案说简单也挺简单，只需要两步完成。但是其实又蛮繁琐，因为需要将现在的容器保存为镜像，然后从镜像重新创建容器（关键点是在创建新容器过程中加入权限指令）。但是，出现了权限的报错：RTNETLINK answers: Operation not permitted。

通过缓存以前的键（Key）和值（Value），我们可以只关注计算新token的注意力。如下图，每当来一个新的tokenqnewq_{new}qnew​时，计算得到新的knewk_{new}knew​和vnewv_{new}vnew​，并将其拼接（concat）到缓存的KprevK_{prev}Kprev​和VprevV_{prev}Vprev​中。假设TTT是序列长度，DDD。

本文介绍了Agent的基本概念及其实现方式。Agent是一种能够感知环境并自主决策的实体，具备任务规划、记忆和工具调用等能力，模仿人类的决策流程。文章重点讲解了ReAct推理模式（Reasoning->Action->Observation），并展示了如何使用LangChain框架构建一个ReAct Agent。具体包括：1）Agent作为调度器的核心组件；2）规范定义工具的方法；3）

刚刚有个同学问我：“深层神经网络如果去掉一部分残差，到底还能不能正常训练呀？”这个问题着实很好，我也没思考过，也没尝试过，然后试着去Google Scholar检索了一下关键词“without shorcut”，于是看到了以下的文章。让我比较惊奇的是，这是个很多人研究的方向，并且近年来不少文章发表在AI三大会。其中包含：1）残差的融合提高效率（重参数化）；2）去除一部分残差提高效率；3）用更好的架

思路初始化树将无序数组有序化，通常是升序用大顶堆，降序用小顶堆（反着想将新的数放在末梢，如果比父结点大，则交换上去构造目标顶堆将堆顶元素和末尾元素交换，那么大数就到了末尾，小的回到了堆顶，再与左右二子对比，与比它大的数继续交换过来，那么大数又回到堆顶，循环上述操作，大数就逐渐放在了末尾处。#include<bits/stdc++.h>using namespace...

搭建DNN的代码，在上周花了两三天时间写好，这个过程中遇到非常多的问题，也是为什么迟迟不敢总结到博客中。如果发现搭建的这个神经网络并不能真正识别我们上传的图像，不要慌张，对于这个数据集来说，即使在训练集和开发/测试集上有较好的效果，事实上在我们真正的测试集上（用户上传的图片）精度是完全达不到的！在这样一个小规模数据集上，写DNN模型更多是为了熟悉深层神经网络的内部结构，把深度学习的理论知识运用到实

研究聚类系数的目的和意义描述一个图中的某节点与其相连节点之间聚集成团的程度的一个系数。聚类系数的目标是比较群组的聚合紧密程度与其能够达到的聚合紧密程度。一个节点的局部聚类系数体现的是其邻节点也相互连通的可能性。聚类系数的研究范围是无向图。对于我的研究意义：在地理位置的定位分析过程中，需要考虑不同坐标之间的聚集程度，那么聚类系数就是一个很基础且很重要的图指标。方法基础：三角形计数计算公式CC(u)=

一、迁移学习在识别猫的场景下，我们已经训练出了不错的模型，如果要把这个模型搬到放射科诊断上，应该怎么做呢？如下的做法利用了预训练模型或者说微调（fine tuning）要在另一个场景下做图像识别的工作，当然和识别猫不一样咯，这里的做法是把输出层的去掉，并去掉输出层的权值，然后为输出层赋予随机权重，让神经网络在放射诊断的数据上训练。这种迁移学习有两种做法：数据足够多，把每一层的参数都重新训练数据不够

零、数据集及工具传送门数据集用的是搭建DNN时使用的手势识别图像。提取码：pcoi一、原理和框架这篇文章的卷积网络模型基于LeNet-5，也就是input→conv1→relu→maxpool1→conv2→relu→maxpool2→fc3→fc4→output(softmax)input\to conv1\to relu\to maxpool1\to conv2\to relu\to maxp