目录小样本学习研究现状Are Large-scale Datasets Necessary for Self-Supervised Pre-training?小样本学习研究现状目前，计算机视觉神经网络被大量参数化：它们通常有数千万或数亿个参数，这是它们成功利用大型图像集合 (如 ImageNet) 的关键。然而，这些高容量模型往往会在小型（包含数十万张图像）甚至中型数据集上过度拟合。因此，有研究者

机器学习中的小批次数据生成器，上代码以备以后使用：#inputs, targets就是 X 和 ydef iterate_minibatches(inputs, targets, batchsize, shuffle=False):assert len(inputs) == len(targets)if shuffle:indices = np.arang...

目录需要保证其安全三要素（完整性Integrit、可用性Availability、机密性Confidentially）是安全的，如对于一个网络流量包——1.其必须是完整的，否则信息就没有意义了——完整性2.其必须可被接受者所获得和使用，否则这个包也没有意义了——可用性3.其只能让有权读到或更改的人读到和更改——机密性那么对于AI系统而言，我们同样可以从AI系统的三要素来进行考虑和分析。如下图所示—

了解了 urllib 之后，我们就用 python 代码来模拟请求吧！

需要提前安装的包 pip install pymupdf创建一个文件夹，把需要转换的pdf图片全部放入该文件夹，在文件夹中新建一个py文件，拷入代码：import osimport fitzpdf_dir=[]def get_file():docunames = os.listdir()for docuname in docunames:if os.path.splitext(docuname)[

传统的物体检测算法受限于繁琐的人工标注，在开放世界中出现新类别后往往需要“从头来过”，即使只增加一个新类别，也要完整过一遍标注、训练、部署整个流程，严重限制了其通用性，这显然不“科学”。向大家介绍一篇今天新出的非常有意思的 CVPR 2023 的论文，相比于传统的目标检测算法，训练时标注了几个类别，就只能检测几个类别，这篇论文属于通用目标检测的范畴。3）为了应对训练中的新挑战，作者还提出了提出的解

参见：https://zhuanlan.zhihu.com/p/424631681

本文从入门级讲述了迁移学习的原理及基本实现方法

原文：MixNN: Protection of Federated Learning Against Inference Attacks by Mixing Neural Network Layers本文介绍了一种介于 client 和 server 中间的代理网络 MixNN proxy ，这样的代理网络有点类似同态加密（相当于利用神经网络进行加密），可以有效避免训练过程中的各类推断攻击。除此以

该技术来源于论文：Deep Learning with Differential Privacy讲述了如何在模型训练期间，通过修改损失函数，使训练后的模型具有一定抵御的DP的能力。原论文很长很复杂，本博客不讲原理，直接复现。参照https://github.com/pytorch/opacus/blob/main/tutorials/building_image_classifier.ipynb