学习

自监督：对比学习contrastive learning「建议收藏」对比自监督学习英文原文对比自监督学习导读利用数据本身为算法提供监督。对比自监督学习技术是一种很有前途的方法，它通过学习对使两种事物相似或不同的东西进行编码来构建表示。自监督方法将取代深度学习中占主导地位的直接监督范式的预言已经存在了相当一段时间。AlyoshaEfros打了一个著名的赌，赌在2015年秋季之前，一种无监督的方法将会在检测PascalVOC方面胜过有监督的R-CNN。但四年之后，他的预言现在已经实现了。目前，自监督方法（MoCo，Heetal.，2019）在Pasc

Unity3d菜鸟入门的学习路线–笔记1最近刚刚开始接触unity3d，因此想把自己的学习路线记录下来，方便自己以后总结。由于毕业论文的关系，需要使用Unity3D开发，做虚拟现实的应用，使用的设备是HTCvivepro产品。初始学习，由于没有基础，因此一团乱，总结一下目前看过的教程和书籍。1、开始看的是b站上极客学院讲解的unity3d的入门课程，对操作的界面有了初步的了解，不需要看完，看到编程之前就可以。2、由于需要使用C#编程…

偏态分布学习笔记（期望，中位数，众数）一：偏态函数分类（1）正态（期望=中位数=众数）（2）正偏态：也称为右偏态（期望>中位数>众数）（3）负偏态：也称左偏态(期望<中位数<众数)二：如何辨认正负偏态函数关键：看尾巴哪边长，左边尾巴长的成为左偏态（负偏态），反之右偏态（正偏态）三：关于期望，中位数，众数参考上面的草图：可以这样理解，（1）对于正偏态而言，数据大多分布在右侧，从而也就把期望与中位数往右侧移动。（2）对于负偏态而言，数据大多分布在左侧，从而也就把期望与中位数往左侧移动。…

一文看懂半监督学习(Semi-supervised Learning)和自监督学习(Self-Supervised Learning)1.机器学习学习任务1.1监督学习根据输入-输出样本对L={(x1,y1),⋅⋅⋅,(xl,yl)}L=\{(x1,y1),···,(xl,yl)\}L={(x1,y1),⋅⋅⋅,(xl,yl)}学习输入到输出的映射f:X−>Yf:X->Yf:X−>Y,来预测测试样例的输出值。SL包括分类(Classification)和回归(Regression)两类任务，分类中的样例xi∈Rmx_i∈R^mxi​∈Rm(输入空间)，类标签yi∈{c1,c2,⋅⋅⋅,cc}y_i∈\{c_1,c

深度学习入门系列1：多层感知器概述本人正在学习《deeplearningwithpython》–JasonBrownlee，有兴趣的可以一起学习。人工智能系列1：多层感知器概述待更新：人工智能系列2:用Keras构建你的第一个神经网络人工智能系列3:深度学习模型性能评价人工智能系列4:使用keras模型与scikit-learn进行通用机器学人工智能系列5:项目：花种的多分类人工智能系列6:项目：声纳二分类人工智能系列7:项目：波士顿房屋价格回归人工智能系列8:保存模型以便稍后进行序列化人工智能系列9:训练期.

JavaScript语法学习（一文带你学会JavaScript）概述所有的代码必须写在<scripttype=“text/javascript”>当中。如果需要引用外部的js文件，格式为 <scripttype=“text/javascript”src=“XXXXX”></script>src为链接的外部地址 而此时所有的代码必须为外部文件，写在其中的代码无效。每一句js语句后面都要跟上分号为了语法规范，script标签应该写在head标签当中，且可以引入多个script标签表示不同功能块&lt;可以表示

深度学习 | MATLAB实现一维卷积神经网络convolution1dLayer参数设定深度学习|MATLAB实现一维卷积神经网络convolution1dLayer参数设定

RC522读卡器 M1卡学习总结（二）二、说说RC522读卡器       我从淘宝里买来的读卡器模块如下：M1卡 学习总结（二）”title=”RC522读卡器 M1卡 学习总结（二）”style=”margin:0px;padding:0px;border:0px;list-style:none”>它带有一组接口：SDA  SCK  MOSI  MISO  IRQ(NG)  GND  RST  3

Zynq-Linux移植学习笔记之一-入门[通俗易懂]1、相关网站zynqlinux软件网站：www.wiki.xilinx.comzynqu-bootgithub地址：https://github.com/xilinx 2、启动过程3、u-boot配置3.1下载u-bootUBOOT有多个版本，可以去网站上下载相应的版本。14.5及早期的版本对Micron的QSPIFlash芯片支持不完整。建议下载后期

深度强化学习之模仿学习（Imitation Learning）  上一部分研究的是奖励稀疏的情况，本节的问题在于如果连奖励都没有应该怎么办，没有奖励的原因是，一方面在某些任务中很难定量的评价动作的好坏，如自动驾驶，撞死人和撞死动物的奖励肯定不同，但分别为多少却并不清楚，另一方面，手动设置的奖励可能导致不可控的行为。要解决此类问题，可以将人类专家的范例作为强化学习代理的参考去学习，因此模仿学习又叫演示学习（Learningbydemonstration）…