相关文章
测试测量-DMM直流精度
测试测量-DMM直流精度 最近去面试，发现了自己许多不足，比如我从未考虑过万用表准或者不准，或者万用表有多准？ 在过去的实验室中，常用的DMM有KEYSIGHT 34401A以及 KEITHLEY THD2015，就以这两台为例，我们去看看他们能测试的边界在哪里? 图1展示了34401A的测试精度说明，图2展示了THD2016的精度说明 图1:34401A 精度说明 图2:THD
热电阻温度计的测量电路
热电阻温度计的测量电路，为达到高精度测量，通常会采用电桥测量原理，并结合适当的热电阻类型和连接方式。 惠斯通电桥是用于测量一组电阻式元件阻值变化的电路。该电路具有两个并联电阻支路，充当激励电压 VEXCITATION 的分压器。每个电阻分压器的标称输出为 VEXCITATION 除以二。在没有施加负载的情况下，元件的电 阻变化 ΔR 等于零。假设有一个理想系统，其中每个元件的标称电阻为 R，每个
深度学习：关于损失函数的一些前置知识（PyTorch Loss）
在之前进行实验的时候发现：调用 Pytorch 中的 Loss 函数之前如果对其没有一定的了解，可能会影响实验效果和调试效率。以 CrossEntropyLoss 为例，最初设计实验的时候没有注意到该函数默认返回的是均值，以为是总和，于是最后计算完 Loss 之后，手动做了个均值，导致实际 Loss 被错误缩放，实验效果不佳，在后来 Debug 排除代码模型架构问题的时候才发觉这一点，着实花费了
Python统计实战：一题搞定多元线性回归、共线性、相对重要性分析
为了解决特定问题而进行的学习是提高效率的最佳途径。这种方法能够使我们专注于最相关的知识和技能，从而更快地掌握解决问题所需的能力。 （以下练习题来源于《统计学—基于Python》。联系获取完整数据和Python源代码文件。） 练习题 为了分析影响不良贷款的因素，一家商业银行在所属的多家分行中随机抽取25家，得到的不良贷款、贷款余额、应收贷款、贷款项目个数、固定资产投资等有关数据如下（前3行
轮式里程计（Wheel Odometry）和惯性测量单元（IMU）的融合
轮式里程计（Wheel Odometry）和惯性测量单元（IMU）的融合通常采用某种形式的滤波技术，最常见的是卡尔曼滤波器（Kalman Filter）或其变体，如扩展卡尔曼滤波器（Extended Kalman Filter, EKF）、无迹卡尔曼滤波器（Unscented Kalman Filter, UKF）或粒子滤波器（Particle Filter）。这些滤波器能够综合两种传感器的优势，
【SkiaSharp绘图08】SKPaint方法：自动换行、是否乱码、字符偏移、边界、截距、文本轮廓、测量文本
文章目录 SKPaint方法BreakText 计算指定宽度内可绘制的字符个数ContainsGlyphs字体是否包含文本字符(是否会乱码)GetGlyphOffsets 字符偏移量GetGlyphPositions 偏移坐标GetGlyphWidths 每个字符的宽度与边界GetHorizontalTextIntercepts 轮廓截距GetPositionedTextIntercepts
损失函数 （loss function）
损失函数 损失函数（loss function）或代价函数（cost function）是将随机事件或其有关随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的函数。在应用中，损失函数通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和评估模型。例如在统计学和机器学习中被用于模型的参数估计（parametric estimation），在宏观经济学中被用于风险管理（risk
FAT：一种快速的Triplet Loss近似方法，学习更鲁棒的特征表示，并进行有噪声标签的提纯...
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 导读 Triplet的两大问题，计算复杂度和噪声敏感，看看这篇文章如何用一种对Triple的近似的方法来解决这两大问题。 摘要 三元组损失是ReID中非常常用的损失， 三元组损失的主要问题在于其计算上非常贵，在大数据集上的训练会受到计算资源的限制。而且数据集中的噪声和离群点会对模型造成比较危险的影响。这篇文章要解决的就是这两个问题，
Generalized Focal Loss：Focal loss魔改以及预测框概率分布，保涨点 | NeurIPS 2020
为了高效地学习准确的预测框及其分布，论文对Focal loss进行拓展，提出了能够优化连续值目标的Generalized Focal loss，包含Quality Focal loss和Distribution Focal loss两种具体形式。QFL用于学习更好的分类分数和定位质量的联合表示，DFL通过对预测框位置进行general分布建模来提供更多的信息以及准确的预测。从实验结果来看，GF