SegFormer论文详解，2021CVPR收录，将Transformer与语义分割相结合的作品，动机来源有：SETR中使用VIT作为backbone提取的特征较为单一，PE限制预测的多样性，传统CNN的Decoder来恢复特征过程较为复杂。主要提出多层次的Transformer-Encoder和MLP-Decoder，性能达到SOTA。SegFormer是一个将transformer与轻量级多层

得益于深度学习的发展，计算机视觉技术在医学图像分析中得到了广泛的应用。图像分割是医学图像分析的重要组成部分。特别是准确、鲁棒的医学图像分割可以在计算机辅助诊断和图像引导的临床手术中发挥基石作用。现有的医学图像分割方法主要依赖u型结构的全卷积神经网(FCNN)。典型的u型网络，U-Net，由一个具有跳跃连接的对称编码器-解码器组成。在编码器中，采用一系列卷积层和连续降采样层来提取接收感受野的深度特征

百万级别的数据，从数据库一次性查询出来，是一件非常耗时的工作。即使我们可以从数据库中一次性查询出所有数据，没出现连接超时问题，这么多的数据全部加载到应用服务的内存中，也有可能会导致应用服务出现OOM问题。MySQL批量查询、数据同步、数据导出可以使用类似于分页查询的思路，但是鉴于LIMIT offset,size的效率太低，可以采用”滚动翻页”的实现方式 注意要用自增趋势的主键。针对报表中频繁查询

今天我们来学习半监督学习的第2篇文章Mean-TeacherMean-Teacher是对这篇论文Temporal Ensembling for Semi-Supervised Learning做的改进一致性判定正是描述了其中一个属性，那就是一个表现很好的模型应该对输入数据以及他的某些变形表现稳定。比如人看到了。那半监督学习也是一样，我们想要我们的模型表现良好，表现和上限通过大量有标签数据训练的一样

研究内容：本文提出了基于多层感知器的图像分类体系结构 ResMLP。方法介绍：它是一种简单的残差网络，它可以替代(i) 一个线性层，其中图像小块在各个通道之间独立而相同地相互作用，以及(ii)一个两层前馈网络，其中每个通道在每个小块之间独立地相互作用。实验结论：当使用使用大量数据增强和选择性蒸馏的现代训练策略进行训练时，它在 ImageNet 上获得了惊人的准确性/复杂度折衷。本文还在自监督设置中

朴素贝叶斯的内容

讲解了机器学习的聚类算法1. 什么是聚类2. 聚类的评价指标3. 聚类的分类

朴素贝叶斯中的朴素贝叶斯估计讲解

fork了别人的项目，自己重新填写，我的代码如下https://gitee.com/fakerlove/machine-learning/tree/master/code代码原链接文章目录6. 吴恩达机器学习课程-作业6-SVM6.1 支持向量机6.1.1 题目介绍6.1.2 可视化数据6.1.3 代码6.2 基于高斯核的支持向量机6.2.1 题目介绍6.2.2 可视化数据6.2.3 代码6.2.

fork了别人的项目，自己重新填写，我的代码如下https://gitee.com/fakerlove/machine-learning/tree/master/code代码原链接文章目录7. 吴恩达机器学习课程-作业7-Kmeans and PCA7.1 k-means7.1.1 题目介绍7.1.2 算法流程7.1.3 实现k-means7.1.4 测试7.2 图像压缩与k-均值7.3 PCA7