Drain是一个在线实时日志解析方法，其采用的是固定长度的树模型

强化学习分为三类，分别为基于价值（Value-Based）的强化学习、基于策略（Policy-Based）的强化学习、演员-评论家（Actor-Critic）强化学习

1.介绍1.1.介绍在论文《NEURAL ARCHITECTURE SEARCH WITH REINFORCEMENT LEARNING》中首次提出了NAS（神经网络架构搜索NEURAL ARCHITECTURE SEARCH），本文首先翻译总结了下此篇内容。接着根据《Efficient Neural Architecture Search via Parameter Sharing》写了EN..

强化学习分类与汇总介绍

我们模型latent diffusion models (LDMs)是两阶段的。第一部分就是下面左半部分（红色），对图片进行压缩，将图片压缩为隐变量表示（latent），这样可以减少计算复杂度；第二部分还是扩散模型（diffusion与denoising），中间绿色部分。此外引入了cross-attention机制，下图右半部分，方便文本或者图片草稿图等对扩散模型进行施加影响，从而生成我们想要的图

1 简介本文根据2019年《ViLBERT: Pretraining Task-Agnostic Visiolinguistic Representations for Vision-and-Language Tasks》翻译总结的。主要是同时处理视觉和文本输入，多模态模型。ViLBERT ( Vision-and-Language BERT)，我们将流行的BERT模型扩展到多模双流模型，首先以分

语音识别预训练模型Hidden-Unit BERT (HuBERT)

1 简介本文根据2020年《Self-training with Noisy Student improves ImageNet classification》翻译总结。自训练（Self-training）使用标注数据训练一个好的teacher模型，然后使用该teacher模型对未标注的数据进行标注，最后使用标注数据和非标注数据联合训练一个student模型。如下图所示。本文提出的Noisy St

1.6FacenetFacenet主要是采用的欧几里得距离（欧式距离）来衡量两张图片或者两张人脸的相似度，欧式距离越小代表图片越相似，欧式距离越大，代表图片越不相似。所以先将一副图片x，采用函数f（x）将其变成128维的embedding（embedding：多维数组来表示不同的类别），然后计算embedding之间的距离。在比较embedding的欧式距离时，将图片的欧式距离与真的（pos...

1 简介GPT先是非监督的预训练，然后进行监督训练微调。而GPT-2，是想只需要非监督训练即可，不用再监督训练。本文根据2019《Language Models are Unsupervised Multitask Learners》翻译总结。从标题就可以看出来，作者尝试只使用非监督学习。监督学习是脆弱、敏感的，比如当数据分布稍微改变，或者只针对的某个特定任务。我们本文描述语言模型可以不需要任何监