关于本站
欢迎光临咱的小站~ 这里是关于本站的一些信息~
关于纸模比赛的一些注意事项
纸模比赛注意事项由于纸模的定义过于模糊, 且此前纸模比赛也没有显式声明, 往届比赛有少数同学在准备制作材料错误, 导致成品不合要求.
为了避免这种情况, 今后纸模比赛中的纸模均指代剪贴类模型.
纸模比赛考验是同学的动手能力、细心程度和耐心程度. 为了保证公平, 不允许出现拼插类模型, 也不允许购买或提交此前提交过的成品.
若你不知道什么是剪贴类和拼插类模型, 请务必阅读何为纸模(点击传送)一节
关于模型材料的准备一般情况下，纸模比赛鼓励各位参赛选手从无到有自行设计和完成纸模.
但由于模型的设计门槛相对较高, 对于没有这方面的能力的同学可以在网上找相关图纸打印下载或去电商平台上购买商家提供打印好的图纸.
你所准备的图纸应当是这样的(注意, 根据模型复杂程度, 图纸通常有很多张)
模型的复杂程度越复杂越精细的模型通常与所耗费的时间成正比, 不要求模型要多复杂, 根据自己的能力量力而行即可=w=.
往届比赛作品集
青年榜样, 前进之光纸模大赛
2022-06-10
模建党史，漫说建党百年 ...
Network-in-Network
https://zhuanlan.zhihu.com/p/125473947
论文(2014年): 链接代码: 链接
是一篇比较老的文章了(2014年ICLR的一篇paper), 是当时比较牛逼的一篇论文, 同时在现在看来也是一篇非常经典并且影响深远的论文, 后续很多创新都有这篇文章的影子. 通常里程牌式的经典是不随时间而黯淡的, 同样值得好好学习.
NIN的结构 有两个创新点, 都是比较有里程牌意义的, 分别是MLPconv以及全局平均池化
MLP Convolution Layers在讲之前, 我想梳理一下”历史”, 我们知道在神经网络还没有出现之前, 有个叫感知机(PLA)的东西, 它是神经网络的雏形, 它所用的激活函数叫阶跃函数, 而当激活函数使非线性函数是, 便进入到了神经网络的世界, 神经网络的一个重要性质就是 它可以自动地从数据种学习到合适的权重参数, 不同于感知机时的人工设置参数, 而神经网络的别名就是多层感知机(Multi Layer Perceptron, MLP), 即使用sigmoid等非线性激活函数的多层网络. 非线性激活函数的重要性很大, 如果使用线性激活函 ...
1*1卷积到底有哪些用处?
https://zhuanlan.zhihu.com/p/145566635
1*1卷积核如果卷积的输出输入都只是一个平面, 那么1*1卷积核并没有什么意义, 它是完全不考虑像素与周边其他像素关系. 但卷积的输出输入是长方形, 所以**1x1卷积实际上是对每个像素点, 在不同的channels上进行线性组合(信息整合), 并保留了图片的原有平面结构, 调控depth, 从而完成升维或降维的功能.
1x1卷积核的作用1x1卷积的作用可以总结为以下三点:
可以实现信息的跨通道整合和交互
具有降维和升维的能力, 减少网络参数. 这里的维度指的是卷积核通道数(厚度), 而不改变图片的宽和高.
在保持feature map尺寸不变(即不损失分辨率)的前提下大幅增加非线性特性, 即可以把网络做得很deep, 也可以提升网络的表达能力
跨通道信息交互(channels)例子: 使用1x1卷积核, 实现降维和升维的操作其实就是channel间信息的线性组合变化, 3x3，64channels的卷积核后面添加一个1x1，28channels的卷积核，就变成了3x3，28channels的卷积核，原来的 ...
卷积神经网络
https://zhuanlan.zhihu.com/p/140552872
卷积神经网络卷积网络(convolutional network), 也叫卷积神经网络(convolutional neural network, CNN), 是一种专门用来处理具有类似网格结构的神经网络. 卷积神经网络主要包括: 输入层(Input layer), 卷积层(convolution layer), 池化层(poling layer), 全连接层(full-connected layer), 输出层(output layer).
本篇博文我们主要描述卷积神经网络中卷积层和池化层的工作原理, 并解释填充, 步幅, 输入通道和输出通道的含义和卷积过程中的参数计算公式.
卷积层卷积层的组成: 一个卷积层的配置通常由以下四个参数确定.
滤波数(filter)个数. 卷积层中的权值通常会被称为滤波器(filter)或卷积核. 使用一个滤波器对输入进行卷积会得到一个二维的特征图(feaure map). 使用多个滤波器同时对输入进行卷积, 便可以得到多个特征图.
感受野(receptive field) ...
全局平均池化
原文https://zhuanlan.zhihu.com/p/345183296
一、全局平均池化全局平均池化层(GAP)在2013年的《Network in Network》 (NIN)中首次提出，于是便风靡各种卷积神经网络。为什么它这么受欢迎呢？
一般情况下， 卷积层用于提取二维数据如图片、视频等的特征，针对用于具体任务(分类, 回归, 图像风格)等,卷积层后续会用到不同类型的网络, 拿分类问题举例, 最简单的方式就是将卷积网络提取出的特征(feature map)输入到softmax全连接层对应不同的类别. 首先, 这里的feature map是二维多通道的数据结构, 类似于三个通道(红黄绿)的彩色图片, 也就是这里的feature map具有空间上的信息; 其次, 在GAP被提出之前, 常用的方式是将feature map直接拉成一维向量(下图左), 但是GAP不同, 是将每个通道的二维图像做平均, 最后也就是每个通道对应一个均值(下图右).
可以看到, GAP的设计非常简单直接, 但是为什么要这么做呢? 或者说GAP区别于全连接的方式有哪些优势呢?
抑制过拟合. 直接拉 ...
javascript变量作用域，闭包
变量作用域，闭包JavsScript是一种非常面向函数的语言。它给了我们很大的自由度。在JavaScript中，我们可以随时创建函数， 可以将函数作为参数传递给另一个函数，并在完全不同的代码位置进行调用。
我们已经知道函数可以访问其外部的变量。
但是，如果在函数被创建之后，外部函数发生了变化会怎么？函数会获得新值还是旧值？
如果将函数作为参数（argument）传递并在代码中的另外一个位置调用它，该函数将范围的是新位置的外部变量吗？
让我们通过本文来学习这些相关知识，以了解在这些场景以及更复杂的场景下到底会发生什么。
代码块如果在代码块{}内声明了一个变量，那么这个变量只在该代码块内可见。
例如：
123456789{ // 使用在代码块外不可见的局部变量做一些工作 let message = "Hello" // 只在此代码块内可见 alert(message);}alert(message); // Error: message is not defined
我们可以使用它来隔离一段代码，该段代码 ...
Linux的五种IO模型
Linux系统为我们提供了五种可用的IO模型， 分别是阻塞式IO、非阻塞式IO、IO多路复用、信号驱动式IO和异步IO。这些模型的作用是让应用程序能够更好地管理和处理输入输出操作。
阻塞式IO: 简单易用，但效率不高。
非阻塞式IO：可以让应用程序在等待数据准备完成的过程中执行其他操作，但需要应用程序不停轮询内核缓冲区。
IO多路复用：可以同时监控多个文件描述符，提高了引用程序对输入输出操作的管理能力。
信号驱动式IO：可以让应用程序在数据准备好时接收到通知，避免了轮询。
异步IO：可以让应用程序在发起异步读写操作后立即返回，并不等待操作完成。
每种模型都有其优缺点，具体使用哪种模型取决于应用场景。
Linux的I/O迷信可以应用到所有的文件读写。在Linux中，一切设备皆文件，我们可以使用系统调用中的I/O函数（如open()、close()、write()、read()）对文件进行相应的操作。下面是以网络请求作为例子。
网络请求过程当一个网络请求到达操作系统时，涉及到多个步骤，下面是一个典型的流程：
网络请求被网卡接受：当一个网络请求达操作系统是，它首先被网卡接受。网卡会将请 ...
万能近似定理
神经网络的结构(architecturel)指网络的整体结构. 大多数神经网络被组织成为曾的单元组, 然后将这些层布置成链式结构, 其中每一层都是前一层的函数.
在这种结构种, 第一层由下式给出:
第二层:
第三层, 以此类推!
可以看出, 每一层的主体都是线性模型. 线性模型, 通过矩阵乘法将特征映射到输出, 顾名思义, 仅能表示线性函数. 它具有易于训练的优点, 因为当使用线性模型时, 许多损失函数会导出凸优化问题. 不幸的是, 我们经常希望我们的系统学习非线性函数.
乍一看, 我们可能认为学习非线性函数需要我们想要学习的那种非线性专门涉及一类模型族, 幸运的是, 具有隐藏层的前馈网络提供了一种万能近似框架.
具体来说, 万能近似定理(universal approximation theorem)表明, 一个前馈网络神经网络如果具体线性输出层和至少一层具有任何一种’挤压’性质的激活函数的隐藏层, 只要给予网络足够数量的隐藏单元, 它可以以任意的精度来近似任何从一个有限维控件到另一个有限维空间的可测函数.
万能近似定理意味着无论我们试图学习什么函数, 我们知道一个大的MLP一定 ...
协程如何工作(How it works?)
这篇文章将阐述**协程(coroutine)**以及相关概念的含义, 并给出和分析一个基于生成器的、使用Python实现的协程调度器示例，以及一个测试用的异步HTTP请求实现