第一次参加这类较大型的人工智能赛事，我在初赛A榜取得了100+的名次，B榜则由于时间安排问题未能交卷，十分遗憾。但是作为一个过程论者，我仍在今夜十分欣喜地总结这一段比赛的收获。——2021年4月8日1 mmdetection的使用遇到的一些坎1怎么安装？尤其是在比赛当中我租用的gpu上快速搭建开发环境需要熟练。期间遇到了mmcv安装的报错——mmdetction需要安装mmcv-full，而安装的

★★ 有了精细的有限元，人工智能这样一个模仿有限元（借助有限元生成的数据）的、精度尚不如有限元的代理模型意义何在？（个人见解）1.强可迁移性。面对若干算例，有限元需要一个一个的去计算，把第100个算例算的很完美，并不能对它算第101个有任何帮助，一切还要从头开始（设置边界条件、设置迭代步长、等待求解完成等等）。但是深度神经网络不同，它具有泛化性能，也许一开始它会吃掉巨大的计算资源，但是当它学会了，

某个类别的准确率：该类别中正确的样本/类别样本个数某个类别的P-R曲线：横轴是某个类别的召回率，纵轴是某个类别的精确率。某个类别的AP：Average precision，平均精确率。指P-R曲线下的面积。mAP:mean average precision,按类平均的平均精确率。即各个类的AP平均值。...

HSE大学讲解机器学习模型可以被分为参数化模型、非参数化模型。参数化模型，例如多项式拟合数据点、神经网络中的多层感知机等。非参数化模型，如KNN(输入空间的最近数据点，也叫最近邻，将它们的标签取平均作为预测标签从而做回归任务),视频中还讲了权重改进版的KNN（最近邻根据各自据待测点的距离进行加权得到预测标签，关于权重的计算见下一段）。根据视频，权重的计算要用到各种核函数。（当然，也可以自己设计计算

https://docs.microsoft.com/en-us/visualstudio/ide/reference/command-prompt-powershell?view=vs-2019#visualstudio直接在visual studio—tool—命令行—开发者命令提示就能找到。

★★ 有了精细的有限元，人工智能这样一个模仿有限元（借助有限元生成的数据）的、精度尚不如有限元的代理模型意义何在？（个人见解）1.强可迁移性。面对若干算例，有限元需要一个一个的去计算，把第100个算例算的很完美，并不能对它算第101个有任何帮助，一切还要从头开始（设置边界条件、设置迭代步长、等待求解完成等等）。但是深度神经网络不同，它具有泛化性能，也许一开始它会吃掉巨大的计算资源，但是当它学会了，

我们采用神经网络拟合  43x1+1x2我们采用神经网络拟合\space\space\frac4{3x_1}+\frac1{x_2}我们采用神经网络拟合  3x1​4​+x2​1​实验记录：无论改变网络层数，还是改变网络的激活函数，当随机取点的范围由0.1-0.5变为0.001到0.5时，误差总会迅速增大，直到0-0.5时彻底跑飞。原因很明显，函数在x1,x

File “D:\my_codeworkspace\bishe_new\jiaoben\KINNfromMAE.py”, line 48, in forwardqkv = self.qkv(x).reshape(B, N, 3, self.num_heads, C // self.num_heads).permute(2, 0, 3, 1, 4)RuntimeError: shape ‘[10,

这篇文章称自己可以在拥有大量低可靠度（低质量）数据的前提下，仅使用少量高可靠度数据，让低可靠度的数据更多反映数据趋势As a result, the low-fidelity data can better reflect the trend while satisfying the condition in which the low-fidelity data should be suffic

...