西山晴雪的知识笔记

〖摘要〗 〖原文〗 Standford cs228 notes 〖参考〗CMU 10-708 Slides / CMU 10-708 Lecture Notes / Jordan TextBook, Ch.2(section 2.2 - end) / Koller’s Textbook,Ch.4 / A. Fischer and C. Igel, An Introducton to Restricted Boltzmann Machines / B. A. Cipra, An Introduction to the Ising Model

【摘 要】 许多景深学习应用受益于具有多个回归和分类目标的多任务学习。在本文中，我们观察到此类系统的性能在很大程度上取决于每个任务损失之间的相对权重。手动调整这些权重是困难且昂贵的，这使多任务学习在实践中令人望而却步。我们提出了一种多任务景深学习的原理性方法，它通过考虑每个任务的同质不确定性来权衡多个损失函数。这使我们能够在分类和回归任务中同时学习具有不同尺度或类别的各种数据。我们的模型从单眼输入图像中学习了逐像素的景深回归、语义分割和实例分割。也许会令人惊讶，我们发现，该模型能够学得多任务的权重，并且其性能胜过了在每个任务上单独训练的模型。 【原 文】 Kendall, A., Gal, Y., and Cipolla, R. 2018. Multi-Task Learning Using Uncertainty to Weigh Losses for Scene Geometry and Semantics. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CV ...

〖摘要〗 〖原文〗 Standford cs228 notes 〖参考〗CMU 10-708 Slides / CMU 10-708 Lecture Notes / Jordan TextBook, Ch.2(section 2.2 - end) / Koller’s Textbook,Ch.4 / A. Fischer and C. Igel, An Introducton to Restricted Boltzmann Machines / B. A. Cipra, An Introduction to the Ising Model

【摘 要】机器学习方法越来越多地用于从不断增长的地理空间数据流中提取模式和见解，但是当系统行为受空间或时间上下文支配时，当前的方法可能不是最优的。在这里，我们认为应该将这些上下文线索用作深度学习（ 一种能够自动提取时空特征的方法 ）的一部分，而不是仅仅对经典机器学习方法做修补，以获得对地球系统科学问题更进一步的过程理解。例如，改善季节性预报的预测能力、跨多个时间尺度的远距离空间连接性建模。下一个阶段将会是将 物理过程模型 与 数据驱动的机器学习多功能性 相结合的混合建模方法时代。 【原 文】 M. Reichstein, G. Camps-Valls, B. Stevens, M. Jung, J. Denzler, and N. Carvalhais, “Deep learning and process understanding for data-driven earth system science,” Nature, vol. 566, no. 7743, pp. 195–204, 2019. 【阅后感】2019年，德国马克斯普朗克研究所、美国劳伦斯伯克利实验室等 ...

【摘 要】尽管主动学习是机器学习的重要支柱，但深度学习工具在其中应用并不普遍。在主动学习场景中使用深度学习会带来一些困难。首先，主动学习处理的对象是小数据，而深度学习的最新进展主要源于其对大量数据的依赖。其次，许多采集能力依赖于模型的不确定性估计，而在深度学习中很少表示模型的不确定性。本文基于深度​​学习的贝叶斯方法，以实用方式将贝叶斯深度学习的最新进展结合到了主动学习框架中。我们为高维数据开发了一个主动学习框架，这项任务在已有文献非常匮乏的情况下极具挑战性。利用贝叶斯卷积神经网络等专门模型，本文以图像数据为示例展示我们的主动学习技术，结果表明该技术能够显著改进现有主动学习方法。 【原 文】 Gal Y., Islam R., Ghahramani Z. (2016) Deep Bayesian Active Learning with Image Data. In: Bayesian Deep Learning workshop, NIPS 【阅后感】 本文对于那些尚不太清楚不确定性能做什么的人，是一个结合图像数据的很好案例。对于那些想提升主动学习效率的读者，也会有所帮助 ...

Rime 输入法方案配置手册 ##　一、 Schema.yaml 文件详解 1.1 开始之前 12# Rime schema# encoding: utf-8 1.2 描述档 name: 方案的显示名偁〔即出现于方案选单中以示人的，通常为中文〕 schema_id: 方案内部名，在代码中引用此方案时以此名为正，通常由英文、数字、下划线组成 author: 发明人、撰写者。如果您对方案做出了修改，请保留原作者名，并将自己的名字加在后面 description: 请简要描述方案历史、码表来源、该方案规则等 dependencies: 如果本方案依赖于其它方案〔通常来说会依頼其它方案做为反查，抑或是两种或多种方案混用时〕 version: 版本号，在发布新版前请确保已陞版本号 示例 12345678910111213schema: name: "苍颉检字法" schema_id: cangjie6 author: - "发明人 朱邦复先生、沉红莲女士" dependencies: - luna_pinyin - ...

1 写在前面 适合人群 适合人群：寻找适合自己输入法的人、喜欢折腾的人。 基本概念 Rime — 不是一种输入法，而是从常见键盘输入法中提炼出来的抽象输入算法框架。 Rime 涵盖了大多数输入法的「 共性 」部分，所以通过不同配置，Rime 可化身为不同输入法。 Rime　输入法方案 — 要让 Rime 实现某种具体输入法的功能，就需要一些数据来描述其工作方式，即定义该输入法的「 个性 」。例如：「汉语拼音」、「注音」、「五笔字型」 等输入法可凭借 Rime 提供的通用设施、通过设定不同工作参数来实现。 本文的重点就是讲解如何制作一套个性化的输入法方案。 为什么要这么繁琐？ 一键就搞掂，则必然选项少、功能单一、可玩性低。 2 准备开工 2.1 Rime 的主要发行版 Rime 是跨平台的输入法软件，本文介绍的 Rime　输入法方案通用于以下发行版： 【中州韵】 ibus-rime → Linux / fcitx-rime / fcitx5-rime 【小狼毫】 Weasel → Windows 【鼠鬚管】 Squirrel → Mac OS X 你可以根据自身操作系统安 ...

【阅读建议】互联网上的无损音乐大多采用　.cue　文件格式分享。在　Ｗindows　中由很多可以做单曲分割的软件，但在　Linux 中需要在命令行下处理，本文介绍了一组可用的工具及其使用方法。 1 什么是 Cue 文件？ Cue　文件 指光盘映像（镜像）辅助文件或称标记文件，按照文本文件格式编制。它在刻录光盘映像文件时，起很重要的作用。它可以指挥刻录软件刻什么格式，刻录那些内容，从哪里开始，到哪里结束，附加什么信息等等。有了 cue 文件，既可以减少刻录的准备工作以提高刻录效率，又可以保证刻录的准确性。 通常网络上面下载无损 CD 抓取文件都是 一个 cue 文件 + 一个音频文件 (wav、flac、ape) 的形式。这两个文件组成了完整的专辑歌曲。 2 音频格式转换 如果音频文件是 wav 格式，就需要转换为 flac 格式。如果音频文件为　ape 格式 ，可以先转换成 wav，然后转 flac 格式。 12345# ape 转　wavffmpeg -i CDImage.ape CDImage.wav# wav 转　flacflac CDImage.wav CDImag ...

Git 如何一次 Push 至多个远程仓库 相信你一定不想看到辛苦写完的程序，因为意外造成 Source Code 遗失，当然还择良好的 Git server 服务是必要条件，但再稳固的服务也有可能出现被 DDOS 攻击或是服务管理员不小心把 DB 删除…等等，各式各样你意想不到的情境造成服务中断，所以为远程仓库进行备份也是应该的。 虽然备份很重要，但身为一个讲求效率的工程师，你一定也不想每次 push 到 remote 都要反覆操作 push 多次，就我们来看看可以如何设置，让一次动作就可以同时 push 到多个远程仓库。 一、设置多个 push 的远程仓库 原本工程的 remote 设置 使用指令加入其他 remote HTTPS 类型 指令： git remote set-url --add --push origin https://gitserver/repository.git 范例： git remote set-url --add --push origin https://github.com/yowko/TestMilestone.gi ...