self专题

[LeetCode] 238. Product of Array Except Self

题：https://leetcode.com/problems/product-of-array-except-self/description/ 题目 Given an array nums of n integers where n > 1, return an array output such that output[i] is equal to the product of all

【Live Archive】6393 Self-Assembly【强连通】

传送门：【Live Archive】6393 Self-Assembly 题目分析：假设我们只用到向上或者向右的块，这样我们只要找到一个回路使得某个块可以和第一个块一样，那么我们就相当于找到了一个循环，这样就可以无限循环了。但是我们要怎样去找这么一个环？考虑到必须是对应字母 X+,X− X^+,X^-才能建边，然后一个环中一定是多个一对一对的这样的对应字母组成的。可以发现块的数量那么

【网络安全】Self XSS + 文件上传CSRF

未经许可，不得转载。文章目录正文发现反射点实现XSS跨站请求伪造 (CSRF) 与文件上传结合POC 正文在目标网站 target.com 的“联系我们”表单中，我注意到一个文件上传选项。我最初输入了一个随机字符串，如 123xss，结果发现服务器没有对这个字符串进行足够的处理，比如转义或过滤，而是将其直接反射到网页中并展示给用户。于是，我尝试注入XSS

在Yolov8中model.export后self.export=false问题(记录)

遇到一个问题是自己创建了新的Detect检测头，但是在导出模型时，想要修改输出格式，在yolo中可以通过if self.export:来修改网络的返回值格式当使用model.export()导出时，理论上会自动将export设置为True 但是在实际中发现export=false,于是通过调试发现在ultralytics/engine/exporter.py中 for m in model

Self-study Python Fish-C Note20 P64to65

类和对象 (part 3) 本节主要介绍类和对象的多态和鸭子类型、私有变量和 __slots__（原视频P64-65)\ 多态多态是面向对象编程的三大特征之一，另外两个是封装和继承。多态是指同一个运算符、函数或对象，在不同场景下具有不同作用效果的情况。 Python 是一门动态语言，多态本来就是 Python的一种特性。比如：加号：两边都是数字的时候就是执行算术运算（相加），如果两边

详解PyTorch中的`remove_self_loops`函数及其在图神经网络中的应用

remove_self_loops 引言什么是自环？`remove_self_loops`函数简介函数的基本用法为什么要移除自环？`remove_self_loops`的实际应用引言在图神经网络（GNN）的研究与应用中，数据预处理是实现高效和精确模型的关键步骤之一。remove_self_loops函数在这一过程中扮演了重要角色。本文将深入探讨这一函数的定义、作用以及在

【王树森】RNN模型与NLP应用(9/9)：Self-Attention（个人向笔记）

前言上节课讲到的attention用到了Seq2Seq模型上，而Attention并不局限与Seq2Seq模型，而是可以用在所有RNN模型上。Self-attention在原论文中用到了LSTM上，而本节课做了简单的替换：换成了 Simple RNN。 SimpleRNN + Self-Attention 下面的 h 0 h_0 h0 为初始状态，是一个全0向量无 Self-A

Self-Attention Generative Adversarial Networks解读+部分代码

Self-Attention Generative Adversarial Networks解读+部分代码引言这篇是文章是Ian goodfellow他们的新工作，在GAN中引入Attention。在文章的摘要中作者主要突出了三点。 Self-Attention Generative Adversarial Network(SAGAN)是一个注意力驱动，长范围关联模型(a

Js中window.parent ,window.top,window.self详解

在应用有frameset或者iframe的页面时，parent是父窗口，top是最顶级父窗口（有的窗口中套了好几层frameset或者iframe），self是当前窗口， opener是用open方法打开当前窗口的那个窗口。 window.self 功能：是对当前窗口自身的引用。它和window属性是等价的。语法：window.self 注：window、self、windo

[SimCLR v2] Big Self-Supervised Models are Strong Semi-Supervised Learners

1、目的借助无监督预训练来提升半监督学习的效果 2、方法 1）unsupervised/self-supervised pretrain -> task-agnostic -> big (deep and wide) neural network可以有效提升准确性

python中的类中属性元素加self.和不加self.的区

如果不加self，表示是类的一个属性（可以通过“类名.变量名”的方式引用），加了表示是类的实例的一个属性（可以通过“实例名.变量名”的方式引用）。比如： In [17]: class Test(object): ....: val = 1 ....: ....: def __init__(self): ....:

使用GitHub Actions的Self-hosted runner

登录github网站选择项目点击Settings按钮，进入设置页面点击actions/runners进入Runners页面点击New self-hosted runner按钮进入新增页面选择相应配置，生成相应的命令，在内网机器上运行下载： # Create a folder$ mkdir actions-runner && cd actions-runner# Download the l

python setitem(self)和getitem(self)

Python中除了可以使用内建的类型，如list,tuple,dict，还可以创建自己的对象来实现像这些内建类型的访问，不过需要在定义类的时候对一些魔法方法逐一实现。如下： [python] view plain copy print ? class DictDemo: def __init__(self,key,value):

python len(self)详解

__len__如果一个类表现得像一个list，要获取有多少个元素，就得用 len() 函数。要让 len() 函数工作正常，类必须提供一个特殊方法__len__()，它返回元素的个数。例如，我们写一个 Students 类，把名字传进去：class Students(object):def __init__(self, *args):self.names = argsdef __len__(se

一文彻底搞懂Transformer - Why Self-Attention（为什么是自注意力）

Transformer 使用自注意力（Self-Attention）机制在序列处理任务中，特别是自然语言处理（NLP）领域，变得越来越流行，主要是因为它在计算复杂度、并行化能力、长距离依赖的建模能力等多个关键方面相较于传统的循环神经网络（RNNs）和卷积神经网络（CNNs）具有显著的优势。一、计算复杂度计算复杂度：自注意力机制尽管计算复杂度为O(n^2)，但通过高度优化的矩阵运算库

Transformer系列-6丨LRNet和Stand-Alone Self-Attention网络解析

0. 前言本次主要分享之前看的两篇将自注意力机制self-attention应用在视觉感知任务的文章，分别为LRNet和Stand-alone self-attention。为了深化读者的理解，本文提供了较为详细的中文注释的代码。首先了解一下这两篇文章的背景，其都是在Vision Transformer（ViT）提出之前将transformer应用在感知任务上的尝试。尽管这些方法没有取得像

LLM agentic模式之reflection：SELF-REFINE、Reflexion、CRITIC

SELF-REFINE SELF-REFINE出自2023年3月的论文《Self-Refine: Iterative Refinement with Self-Feedback》，考虑到LLM第一次生成结果可能不是最好的输出，提出一种包括反馈(feedback)和改善(refinement)两个步骤的迭代方法来改进LLM的初始输出。基本思路对于输入，SELF-REFINE让LLM生成一个

【Deep Learning】Self-Supervised Learning：自监督学习

自监督学习本文基于清华大学《深度学习》第12节《Beyond Supervised Learning》的内容撰写，既是课堂笔记，亦是作者的一些理解。在深度学习领域，传统的监督学习(Supervised Learning)的形式是给你输入 x x x和标签 y y y，你需要训练一个基于参数 θ \theta θ的神经网络 f θ ( x ) f_\theta(x) fθ(x)使其能

MCT Self-Refine：创新集成蒙特卡洛树搜索（MCTS）提高复杂数学推理任务的性能，超GPT4，使用 LLaMa-3 8B 进行自我优化

📜 文献卡题目： Accessing GPT-4 level Mathematical Olympiad Solutions via Monte Carlo Tree Self-refine with LLaMa-3 8B作者: Di Zhang; Xiaoshui Huang; Dongzhan Zhou; Yuqiang Li; Wanli OuyangDOI: 10.48550/a

CVPR2023论文速览自监督Self-Supervised相关38篇

Paper1 Self-Supervised Video Forensics by Audio-Visual Anomaly Detection 摘要原文: Manipulated videos often contain subtle inconsistencies between their visual and audio signals. We propose a video foren

oc学习笔记1——self，super

self： self和java中的this，比较类似，但oc中的self比java中的this要强大。 1.self在对象方法（以－（减号）开头的方法）中，表示当前的实例对象。 2.self在类方法（以＋（加号）开头的方法中），表示当前类 super：调用当前方法的父类方法（类方法或对象方法），使用的场景：子类只是想覆盖父类中的某个方法，并且只是对父类方法的拓展，在父类

Advanced RAG 08：使用 Self-RAG 打造高质量、可追溯的 RAG System

编者按： RAG 技术通过检索并利用外部知识源，能够较为有效地提升生成内容的准确性和多样性。然而，经典 RAG 流程也存在一些不足，例如不必要的检索会浪费计算资源，并可能引入无关内容或错误信息，影响生成质量。本文介绍了 Self-RAG 这一技术，通过引入 Reflection Tokens，语言模型能够根据具体需求动态决定是否检索外部知识，从而大大减少了不必要的检索操作。与此同时，Self-

Transformer中的Self-Attention和Multi-Head Attention

2017 Google 在Computation and Language发表当时主要针对于自然语言处理（之前的RNN模型记忆长度有限且无法并行化，只有计算完ti时刻后的数据才能计算ti+1时刻的数据，但Transformer都可以做到）文章提出Self-Attention概念，在此基础上提出Multi-Head Atterntion 下面借鉴霹雳吧啦博主的视频进行学习： Se

【AI开发】CRAG、Self-RAG、Adaptive-RAG

先放一张基础RAG的流程图 https://blog.langchain.dev/agentic-rag-with-langgraph/ 再放一个CRAG和self-RAG的LangChain官方博客 Corrective RAG(CRAG) 首先需要知道的是CRAG的特色发生在retrieval阶段的最后开始，即当我们获得到了近似的document（或者说relevant snippet

Self Dividing Numbers问题及解法

问题描述： A self-dividing number is a number that is divisible by every digit it contains. For example, 128 is a self-dividing number because 128 % 1 == 0, 128 % 2 == 0, and 128 % 8 == 0. Also, a

SGU 108. Self-numbers 2 离线+位优化

可以像筛选法那样标记但是内存最多只能开1024的int数组我用了位优化用一个int 32 位标记32个数字接下来就离线排个序算出第k大的哪个数 #include <cstdio>#include <cstring>#include <algorithm>using namespace std;int a[10000000/32];struct node{int x, y,