Abstract 要解决的问题：网络的结构和参数一起进化 优势：①提出了一种在不同结构之间交叉的方法；②通过种族（speciation）来保障种群的创新性；③从一个最小的拓扑结构进行进化。 实验：①通过对比实验证明，在加强学习的任务上，增长性的结构比固定结构性能更好；②通过剪切实验证明NEAT算法的各个部分不可或缺。 贡献：①证明GA可以同时优化和复杂化（这里的复杂化应该指的是多样化）解

文章目录 引入1 库引入2 测试函数3 测试图像4 转换器4.1 PIL和tensor均可4.1.1 中心裁剪CenterCrop4.1.2 颜色改变ColorJitter4.1.3 五分裁剪FiveCrop4.1.4 灰度转换Grayscale4.1.5 填充Pad4.1.6 中心不变随机仿射变换RandomAffine4.1.7 随机转换RandomApply4.1.8 随机裁剪Rand

用基于注意力的聚集来扩充卷积网络 摘要 我们展示了如何用基于注意力的全局映射来扩充任何卷积网络，以实现非局部推理。我们用一个基于注意力的聚合层代替最终的平均池，该聚合层类似于单个变压器块，它对补丁如何参与分类决策进行加权。我们用由两个参数(宽度和深度)参数化的简单的基于补丁的卷积网络来插入这个学习的聚集层。与金字塔式设计相比，这种架构系列在所有层上保持输入patch分辨率。正如我们在各种计算