引言 在对抗样本综述(二)中，我们知道了几种著名的对抗攻击和对抗防御的方法。下面具体来看下几种对抗攻击是如何工作的。这篇文章介绍FGSM(Fast Gradient Sign Method)。 预备知识 符号函数sign 泰勒展开 当函数\(f(x)\)在点\(x_0\)处可导时，在点\(x_0\)的邻域\(U(x_0)\)内恒有: \[
摘要 与最近在视觉领域的深度生成建模相比，文本的通用生成和控制具有挑战性并且成功率有限。本文旨在生成合理的文本句子，其属性是通过学习具有指定语义的隐藏表示来控制。我们提出了一种新的神经生成模型，该模型结合了变分自编码器 (VAE) 和整体属性判别器，用于有效施加语义结构
CTC::Connectionist Temporal Classification: Labelling Unsegmented Sequence Data with Recurrent Neural Networks(论文解析) 作者：elfin 资料来源：CTC论文 论文地址：https://people.idsia.ch//~santiago/papers/icml2006.pdf 目录1、摘要2、相关介绍3、时间分
一、简介 学习通用句嵌入向量是一个NLP的基础问题。本文通过对比学习的方式实现了SOTA句嵌入向量。具体来说，论文提出了称为 SimCSE(Simple Contrastive Sentence Embedding Framework) \text{S
1.\noindent\textbf{Analysis of the effect of augmented data sets}\par2.\\\textbf{Analysis of the effect of augmented data sets}\par2方法解释 打开电脑中的Latex软件，打开任意一个tex文件。注意，因为原来Latex中文件代码有“\par”，所以运行结果是显示“自动换行”。因此，需
Appearance-and-Relation Networks for Video Classification,CVPR2018Two-tream网络效果好，但是太耗时；2Dconv+LSTM和其他方式的效果又不太好，主要是因为LSTM只能抓住高层次的模糊信息，不能抓住细粒度的运动信息。3Dconv的效果到目前为止也不太好。所以作者提出了一个新的网络结构---A
基于翻译的模型 TransE模型 TransE认为在知识库中，三元组<h,r,t>可以看成头实体h到尾实体t利用关系r所进行的翻译。 比如，<柏拉图，老师，苏格拉底>头实体“柏拉图”的向量加上关系“老师”的向量，应该尽可能和尾实体“苏格拉底”的向量接近，也就是h+r≈t
现在先用网上的简历 以后会补 % filename:my-cy.cls \LoadClass[a4paper,UTF8]{ctexart} \pagestyle{empty} \usepackage{float} \newcommand{\name_wanted}[1][2]{ \leftline{\huge {\textbf{#1}}} \rightline{\normalsize {\textbf{申请职位：}} #1} } \documentclass{my-cv}
原文档：https://link.zhihu.com/?target=https%3A//krasjet.github.io/quaternion/ 一、笔记 1、p11 这里的平移，如果轴不经过原点，那么，在平移过程中，要旋转的点也是跟随轴一起平移的，它们可以看作一个整体。也就是说，先将轴和要围绕这轴旋转的点一起平移到轴经过原点的地方，然后进行
2021美赛Latex排版 还有两周就打美赛啦！！！这次小组准备用Latex排版，毕竟比word用得舒坦~ 下面是官网下载的MCM-ICM_2021_Summary： %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% MCM/ICM LaTeX Template %% %% 2021 MCM/ICM %% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
0 前言 本文参考 《控制系统仿真与计算机辅助设计 · 第2版》薛定宇 机械工业出版社《MATLAB for Control Engineers》Katsuhiko Ogata现代控制理论线性系统入门(一)状态方程描述下的动态系统《现代控制理论基础》— 2 什么是状态与状态空间 本文已假设读者具有自动控制原理
\(\Huge \color{Cadetblue}{\texttt{0x01 位运算}}\) \(\color{cadetblue}{\textbf{1.介绍}}\) 通过对一个个 \(\operatorname{bit}\) (二进制位)的操作，提高程序运行时空效率，降低编程复杂度。 \(\color{cadetblue}{\textbf{2.操作}}\) $,|,~,^,<<,>> 等基本操作 lowbit(x) = x &
1、三维坐标系转换 在无人车的外参标定中，各传感器获取的数据在自己的坐标系中，一般要转化到车辆坐标系中，车辆坐标系一般选择惯导坐标系。本文以顶装的激光雷达坐标系与车辆坐标系为例，具体讲述三维坐标转换，坐标示例如下图。图中 O
摘要 基于transformer的最新技术的神经机器翻译（NMT）系统仍遵循标准的编码器-解码器框架，在该框架中，具有自注意机制的编码器可以很好地完成源语句的表示。尽管基于Transformer的编码器可以有效地捕获源句子表示形式中的常规信息，但是代表句子要点的主干信息并未特别关注。在本文
【若本文能给你提供帮助，我将无比荣幸，但是也请你也给我点一个赞，非常感谢！】 感谢博主的启发，使用了该博主提供的代码，的确可以实现两张表格并排，但是有个问题就是，我加入了\caption{表格注释} 总是失败，然后我进行了排查，最后发现了问题并解决了， 效果图 在排查过程中，我发现不能
\(\large{题目链接}\) \(\\\) \(\Large\textbf{Solution: } \large{设取n次的得到的最大值为M，那么方案数为M^{n}-(M-1)^{n}。\\其中，M^n表示取值在\left[ 1.M\right]的方案数，M^{n - 1}表示取值在\left[ 1,M-1\right]的方案数。\\答案即为：\sum \limits^{m}_{i=1}i\cdot \dfrac {\lef
###### 我们遇到什么困难也不要怕，微笑着面对它！消除恐惧的最好办法就是面对恐惧！坚持，才是胜利。加油！奥利给！ # $\textbf{Day 0}$ 早上8点起床，9点22分在南京南站候车。9点50，上车。 然后，在名叫“复兴号”的动车组上坐了263分钟(途中没有认识的神仙，好无聊啊) 下午到北大报道了(实则是拿
论文解读：Sequence to Sequence Mixture Model for Diverse Machine Translation 机器翻译是自然语言处理中比较热门的研究任务，在深度学习背景下，通过神经网络搭建的机器翻译也称为当今主流方式。在解决机器翻译过程中需要解决诸多问题，例如原始句子的语义表征、句子对齐
Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernels： 一旦退化模型被定义，下一步就是使用公式表示能量函数(energy function，也可以称为目标函数).通过MAP(Maximum A Posterriori) probability， 能量函数能够被给出： $min_{x}\frac{1}{2\sigma^{2}}||\textbf{y} - (x\dow
Week2 线性回归和梯度下降法参数说明1.多特征的线性回归方程2.梯度下降法(Gradient Descent)2.1如何选择参数向量θ呢？2.2优化梯度下降法的方法 1).特征缩放(特征标准化) 2).学习率α的选择2.3批量梯度下降算法和随机梯度下降算法3.线性回归的“非线性拟合”4.目标函
回归和分类的线性模型分别在第3章和第4章中讨论过了。它们基于固定⾮线性基函数ϕj(x)\phi_j(\textbf{x})ϕj(x)的线性组合，形式为 其中f(⋅)f(·)f(⋅)在分类问题中是⼀个⾮线性激活函数，在回归问题中为恒等函数。我们的⽬标是推⼴这个模型，使得基函数ϕj(x)\phi_j(\text
