个人技术分享

​● 拓扑序列：https://blog.csdn.net/hnjzsyjyj/article/details/129811447● 链式前向星：https://blog.csdn.net/hnjzsyjyj/article/details/139369904val[idx]：存储编号为 idx 的边的值e[idx]：存储编号为 idx 的结点的值ne[idx]：存储编号为 idx 的结点指向的结点的编号h[a]：存储头结点 a 指向的结点的编号

MindSpore Data（数据处理层）ModelZoo（模型库）MindSpore Science（科学计算），包含了业界领先的数据集、基础模型、预置高精度模型和前后处理工具MindSpore Insight（可视化调试调优工具），能够可视化地查看训练过程、优化模型性能、调试精度问题、解释推理结果。

当说到语义分割时，首先会想到图像，因为它是识别给定图像中每个像素的概念。分割可以推广到高维空间，对于 3D 点云，它是为每个 3D 点分配一个类的概念。为了更好地理解这个问题由什么组成，我们应该很好地理解点云实际上是什么。每个类（杂乱的点除外）都有独特且一致的结构。例如，墙壁、地板和天花板是平坦且连续的平面；诸如椅子和书柜之类的东西也应该在许多不同区域具有相同的结构。我们希望我们的模型能够以一定程度的准确性识别不同类别的不同结构。我们需要构建一个损失函数来引导我们的模型以有用的方式学习这些结构。

matlab矩阵分解汇总：LU矩阵分解、Cholesky分解和QR分解

参考学习来自。

高创新 | CEEMDAN-VMD-BiLSTM-Attention双重分解+双向长短期记忆神经网络+注意力机制多元时间序列预测

语义边缘检测和语义分割的关系调研结果为，语义信息可以用来增强语义分割的效果，也有一定的优点和采用理由，但此类论文的数量并不是很多，语义分割的多数方法还是使用深度学习直接做像素分类。在对比两者的性能时发现，两者的performance指标不一样，所以无法进行对比。添加L1正则来约束BN层系数。

本节均以二分类问题为例进行展开，统一定义类别标签y∈1−1，则分类正确时yfx;w0，且值越大越正确；错误时yfx;w0，且值越小越错误。不同损失函数间的损失随yfx;w。

本节介绍机器学习（ML）的类型、方法和技术的背景，并随后讨论ML在医疗领域的应用。

标注类别名称:[“carina”,“clavicle_left”,“clavicle_right”,“gastric_bubble”,“heart”,“humeral_head_left”,“humeral_head_right”,“lung_left”,“lung_right”,“trachea”]数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)标注数量(txt文件个数)：100。

这段代码是初始化的代码，在data类中，主要内容是解析游戏相关配置，从指定文件中读取并解析游戏相关配置信息，包括地图尺寸，地图内容，玩家信息，敌方基地和飞机信息，并将这些信息组织成易于处理的数据结构。当队列非空时，从队列中取出一个节点进行处理，遍历当前节点的四个相邻位置，针对每个相邻位置，进行越界检查，检查是否有充分的燃油供给（计算当前位置到基地的距离，确保基地燃油减去当前位置之后仍然》0）。实现过程中，循环创建飞机对象，添加到plane_arr中，并为每架飞机计算最近的己方基地，敌方基地的路径。

计算机毕业设计Python+Flask微博舆情分析 微博情感分析 微博爬虫 微博大数据 舆情监控系统 大数据毕业设计 NLP文本分类 机器学习 深度学习 AI

PSO-xgboost分类模型，粒子群优化xgboost（多输入多分类）-MATLAB实现使用粒子群优化 (PSO) 来优化 XGBoost 分类模型的超参数是一种有效的方法，可以提高模型的性能。

（1）其中K代表要求划分成K个簇，means是均值的意思，也就是说每个簇的中心点是该簇中所有点的均值。聚类是把各不相同的个体分割为有更多相似性子集合的工作，聚类生成的子集合称为簇（cluster）。生成的簇内部的任意两个对象之间具有较高的相似度，于不同簇的两个对象间具有较高的相异度。c.对每个族，计算所有点的均值作为新的聚类中心，注意这个点是产生出来的。聚类所要求划分的类是未知的，是无意识的，一般把它理解为无监督学习。b.对于剩下的点，根据其与聚类中心的距离，将其归入最近的族。

本周阅读了一篇关于多变量时间序列的论文。论文模型 MCformer 结合了 CI 策略的数据扩展优势，同时减轻了通道间相关性遗忘的问题。MCformer 使用了一种称为混合通道模块的方法，以增强多变量时间序列数据集的表示能力，同时使用原生的 Transformer 编码器来建模序列的长期和跨变量特征。实验结果表明，在多变量时间序列预测任务中，混合通道策略优于纯 CI 策略。

但如果手上只有振幅谱或相位谱的其一，就无法变换回去，这保证了隐私性。同时针对FL中可能存在的异质问题而导致每个Client重建，文章还提出了一个识别器用于分辨两个站点间重构出来的图像的特征区别，并将loss加上这个识别器的值，最终跑到识别器无法分辨出不同站点间的区别就算结束了，这解决了异质性的问题。具体的，文章指出传统的DG（域泛化）在FL隐私保护的背景下作用有限，提出将原始数据通过快速傅立叶变换转化到频率空间中，并通过连续插值的方法桥接多个数据分布空间，以加强模型在未见过的数据分布空间的性能。

机器学习（Machine Learning, ML）是人工智能（Artificial Intelligence, AI）的一个子领域，旨在通过算法和统计模型使计算机系统能够在没有明确编程的情况下从数据中学习和做出决策。以下是机器学习的一些基本概念和分类。常见算法：聚类（如K-means、层次聚类）、降维（如主成分分析PCA）、关联规则学习（如Apriori）。常见算法：线性回归、逻辑回归、支持向量机（SVM）、决策树、随机森林、神经网络等。应用场景：分类问题（如垃圾邮件分类）、回归问题（如房价预测）。

生成对抗网络 (Generative Adversarial Networks，简称GAN) 是一种强大的深度学习模型，用于生成具有逼真感的图像、音频和文本等内容。GAN 的核心理念是通过训练两个神经网络，生成器 (Generator) 和判别器 (Discriminator)，它们相互对抗、相互学习，以提高生成器生成数据的质量。本文将介绍GAN的基本原理、工作流程以及应用场景，旨在为新手小白提供一个简单易懂的入门指南。

维度不匹配只能是atten和hidden1的维度不匹配了，那attention和hidden1到底是什么？这里的hidden1对应着的是上一篇文章中forward的输出结果，也就是out，具体out的是什么？我感觉，我是不是学代码天生比别人慢一拍，就是其实很简单的函数也要花好久才能明白。之前在跑别人代码的时候，遇到了hidden这里的维度不匹配，就返回去找维度。然后return_attention_weight设置的是True。这的hidden1到底是什么？

深度神经网络（DNN）是一种由多层神经元组成的人工神经网络，通常包括输入层、隐藏层和输出层。深度神经网络在近年来因其出色的特征学习和表征学习能力而引起了广泛关注。与传统的浅层神经网络相比，深度神经网络能够通过多个隐含层进行逐级抽象，可以学习到更加复杂的数据表示，因此具有更强的建模能力。学术界和工业界对深度神经网络的研究和应用给人们的生产生活带来了翻天覆地的变化，深度学习已经成为当今人工智能领域的核心技术之一。学习复杂特征。