HelloWorld的博客

原创 创建和训练神经网络模型的全步骤——PyTorch

原创 开启AI新篇章：全新GPT-4订阅方案! ChatGPTPlus(GPT4)支付渠道! 付费充值!

这意味着您可以更容易地掌握复杂的代码逻辑，快速地解决问题，甚至从他人的代码中获得灵感，以更高效地实现您的项目目标。例如，您可以创建自定义API插件进行数据库连接和查询，或开发与您的业务应用集成的插件，使GPT-4成为您的个性化AI助手。作为前沿的语言模型，GPT-4为您的工作和创造带来了无与伦比的生产力提升，彻底改变您的工作和创造方式。GPT-4不仅具有卓越的自然语言处理能力，还引入了先进的代码解释器特性和灵活的插件扩展功能，以提高效率和创造力。使用我的邀请码，首次创建卡片可享受12%的独家折扣。

原创 ACMMM 2024 ACM International Conference on Multimedia

这个领域呼吁提出新的、创新的解决方案，能够将多媒体数据组合、链接、编辑和总结成简洁但富有见地、愉悦且多视角的呈现形式，以促进多媒体分析、决策制定、搜索和浏览等任务。话题包括（i）用于访问、创作和消费多媒体数据的新颖交互技术和模式，（ii）设计和实施新颖的互动媒体，（iii）理解和/或衡量多媒体体验质量的新方法、模型和度量标准。该领域的论文应解决与数据管理和索引相关的性能问题，以支持大规模的多媒体访问，包括浏览、搜索、推荐、分析、处理和挖掘。话题包括支持多媒体访问和分析的可扩展系统和索引技术。

原创 ECCV 2024 European Conference on Computer Vision

官网： https://eccv2024.ecva.net/

原创 IJCAI 2024 International Joint Conference on Artificial Intelligence

论文标题、作者姓名、联系方式以及简要摘要必须在摘要提交截止日期前通过IJCAI 2024论文提交网站（上方链接）进行电子提交。可以在全文提交截止日期之前对标题和摘要进行轻微编辑。然而，带有“占位符”摘要的提交可能会被删除而不予考虑。

原创 科大讯飞算法笔试1028

在训练期间，如果某些神经元的权重更新导致它们的输出一直为零，那么它们将不再参与梯度下降的更新，导致它们“死亡”，无法学习。资源分配图用于可视化表示系统中的进程、资源和它们之间的关系，以便更好地理解资源的分配和使用情况，以及识别潜在的死锁情况。这些随机性有助于减少过拟合，提高模型的泛化能力，但当基学习器的数量较少时，这些随机性可能会减弱，导致模型的性能不如在基学习器数量较多时。一个具有 n 个特征的数据集的特征子集的数量可以通过计算2的n次方来确定，其中 n 是特征的数量。，计算每个小块的最小初始电量。

原创 吉利笔试——编程代码题

一个矩形n行m列，可以看作分为n✖️m个大小为一的正方形块。计算输出对角线上经过的块的数量。例如，输人[“j jj”,”j kj”,”jjjj”]。假设有一个n 行m 列的表格，可以分成n✖️m 个块。如果外围一圈全是墙j的话，则也是false。输入一个 n✖️n 大小的数组，需要按照。如果只有一个元素k时，也输出true。输入一个字符串列表，表示一个迷宫。按照从外到里的顺时针方向，依次。

原创 计算机网络——三次握⼿、四次挥手

1、第⼀个SYN报⽂：客户端随机初始化序列号client_isn，放进TCP⾸部序列号段，然后把SYN置1。把SYN报⽂发送给服务端，表⽰发起连接，之后客户端处于SYN-SENT状态。2、第⼆个报⽂SYN+ACK报⽂：服务端收到客户端的SYN报⽂，把⾃⼰的序号server_isn放进TCP⾸部序列号段，确认应答号填⼊client_ins + 1，把SYN+ACK置1。把SYN+ACK报⽂发送给客户端，然后进⼊SYNRCVD状态。3、第三个报⽂ACK：客户端收到服务端报⽂后，还要向服务端回应最

原创 动态规划的入门

子问题个数，即图中节点的总数，由于本算法不存在冗余计算，子问题就是 f(1), f(2), f(3) …具体什么意思等会会举例详解，但是在实际的算法问题中，写出状态转移方程是最困难的，这也就是为什么很多朋友觉得动态规划问题困难的原因，我来提供我研究出来的一个思维框架，辅助你思考。动态规划，英文：Dynamic Programming，简称DP，如果某一问题有很多重叠子问题，使用动态规划是最有效的。，在本算法中，没有循环，只有 f(n - 1) + f(n - 2) 一个。我看到的动态规划问题都很难啊！

原创 SAM segment anything

介绍地址：https://ai.facebook.com/research/publications/segment-anything/GitHub地址：https://github.com/facebookresearch/segment-anything。地址：https://huggingface.co/spaces/xdecoder/SEEM。演示地址：https://segment-anything.com/demo#论文地址：https://arxiv.org/abs/2304.02643。

原创 ICRA2024

2024年IEEE国际机器人与自动化大会（ICRA2024）是IEEE机器人与自动化学会的旗舰会议。作为日本对外开放的象征，港口城市横滨将成为ICRA 2024成为机器人学开放于其他领域的新社会的象征。ICRA汇集了来自世界各地的机器人研究人员、学生和工业合作伙伴，讨论最新的创新和突破，强调机器人和自动化在应对全球挑战中的作用。ICRA2024将包括大会报告和主题演讲、论文报告会、研讨会和教程、论坛、企业合作伙伴的博览会和展览、机器人比赛以及各种社交活动。2023年10月15日。2023年10月31日。

原创 anaconda 安装_Linux系统上

anaconda 安装

原创 顶会论文写作建议

顶会论文写作建议

原创 零次学习（Zero-Shot Learning）

这可以通过多种方式实现，例如，可以训练一个神经网络，使得同一类别的样本的特征在类别嵌入空间中尽可能接近，而不同类别的样本的特征在类别嵌入空间中尽可能远离。请注意，这只是ZSL的一个非常简化的版本，实际的ZSL模型可能会考虑更复杂的情况，例如类别间的关系，或者使用更复杂的映射函数等。我建议你在阅读这些论文的同时，也查阅一下他们的引用文献，以了解更多相关的工作。零次学习（Zero-Shot Learning，ZSL）的基本原理是通过学习已知类别和语义描述之间的映射，从而理解并识别新的、未曾见过的类别。

原创 开放集学习 Open Set Learning

例如，在人脸识别的应用中，我们可能会遇到一些我们从未见过的人脸（Open Set Learning），并且我们可能需要从只有一两张图片的情况下学习这个人的特征（Few-Shot Learning）。Open Set Learning和Zero-Shot Learning都是机器学习中的一种任务设置，主要考虑在训练数据中未出现过的类别在测试时的情况，但它们在处理这个问题的方式上有所不同。例如，在一个图像分类任务中，假设训练数据中只有狗、猫和鸟的图像，然后在测试阶段，我们希望模型能够处理马的图像。

原创 ICRA 2024 国际机器人与自动化大会

投稿范围：robotics and automation。

原创 AAAI2024 The Thirty-Eighth Conference on Artificial Intelligence

For information about past AAAI Conferences, please consult the following pages.https://aaai.org/conference/aaai/https://aaai.org/aaai-conference/2024 年 2 月在加拿大温哥华举行的第 38 届 AAAI 人工智能年度会议The 38th Annual AAAI Conference on Artificial IntelligenceMain Confere

原创 银行/国企 —— 无领导小组面试/讨论

银行/国企 —— 无领导小组面试/讨论计时人——打分开始说自己的看法，然后开始帮大家计时最后，还有两分钟结束了，快着说我来总结一下节奏把控者主持人 _ 控场、台风下面请XXX发言一下你的发言时间有点长内容把控者提出不一样的观点有则好，无则算了不要瞎说，说太多 起负面作用大局掌控者撑场面__最重要一句话不说不好

原创 百度笔试0410

算法笔试

原创 腾讯音乐笔试0414

算法笔试

原创 算法八股文——大厂真题——感知智能+数据挖掘

算法八股文——大厂真题——感知智能+数据挖掘

原创 剑指 Offer —— 数组和字符串

剑指 Offer 刷题—— 数组和字符串

原创 算法代码题——模板

算法代码题的模板

原创 十大经典排序算法【快速了解】

十种常见排序算法

原创 Dropout

Dropout

原创 权重衰减/权重衰退——weight_decay

权重衰减/权重衰退——weight_decay

原创 2023年 MCM美赛 C题 Wordle预测问题 求解！

2023年 MCM美赛 C题 Wordle预测问题 求解

原创 2023年美赛MCM 问题C:预测Wordle结果 ​

2023年mcm美赛C题

原创 contrastive learning loss——simCLR loss 实现

对比学习损失函数SimCLR

原创 对比学习 LOSS

对比学习属于无监督学习的一种，即给一堆数据，没有标签，自己学习出一种特征表示。

原创 Pytorch 多GPU训练

Pytorch 多GPU训练

原创 服务器登录校园网

校园网用户通过WEB认证接入Internet

原创 2023 冲冲冲

中国时间（北京时间）与GMT标准时间相差8个小时。

原创 图片相似度计算

计算图片的相似度方法

原创 本地使用服务器中的Jupyter

本地使用服务器中的Jupyter

原创 LCD: 2D-3D匹配算法

LCD：用于 2D-3D 匹配的学习跨域描述符

原创 FixMatch：一致性正则与伪标签

FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence

原创 深度学习+计算机视觉+3D = 待学习资源

深度学习+计算机视觉+3D = 待学习资源

原创 高效阅读论文

目录三轮阅读法一、第一轮阅读1.1 快速浏览1.2 工作范围1.3 回答以下问题二、第二轮阅读2.1 仔细阅读-略过细节2.2 你应该可以三、第三轮阅读三轮阅读法第一轮 了解论文的大意第二轮 了解论文的主要内容（而非细节）第三轮 深入研究 一、第一轮阅读1.1 快速浏览鸟瞰式阅读法， **快速浏览 **论文由此决定是否需要进入后两轮阅读，用时 **5-10分钟 ** 1.2 工作范围仔细阅读题目、摘要及导言阅读章节标题，略过其他内容阅读结论

原创 动态聚类法

目录动态聚类法一、K—均值算法(K-means)1.1 条件及约定1.2 基本思想：1.3 基于使聚类准则函数最小化准则函数聚类准则1.4 算法步骤1.5 讨 论1.6 例题动态聚类法两种常用算法：K-均值算法(K-means算法)迭代自组织的数据分析算法(ISODATA, iterative self-organizing data analysis techniques algorithm) 一、K—均值算法(K-means)1.1 条件及约定设待分类的模式特征矢量集