感受野：在卷积神经网络中,感受野(Receptive Field)是指特征图上的某个点能看到的输入图像的区域,即特征图上的点是由输入图像中感受野大小区域的计算得到的。 感受野并非越大越好，反而可能因为过大而过于发散梯度下降（Gradient Descent GD）：简单来说就是一种寻找目标函数最小化的方法，它利用梯度信息，通过不断迭代调整参数来寻找合适的目标值。超参数：在机器学习的上下文中，超参数

“Guanxi” is a very important word in Chinese. It kind of means “relationship” or “contact”. Guanxi can be based on friendship, but also can be built on money. So Chinese often say “I don’t have one ma

题目：点击打开链接   题意：给出一个无向图n个点m条边，断开其中的除了1和n之外的其中一个点的所有边，让最短路最长。 思路：依次枚举除了1和n之外的其中一个点的所有边的最短路的结果，并且求出最大值。 代码： #include<iostream>#include<cstring>#include<algorithm>using namespace std;#define INF

【论文笔记】An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale(Vision Transformer, ViT) 文章题目：An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale作者：Dosovitskiy

Motivation Diffusion中常用的Backbone是UNet，使用 resnet 和 transformer 交替进行的，这样内存memory存储 其实也是不断shuffle变化的，resnet 以 feature 看 memory，而 transformer 以 token 看memory。如果可以统一memory的计算架构，那么memory的view就会好看很多。 用ViT结

问题： thriftpy.transport.TTransportException: TTransportException(type=1, message="Could not start SASL: b'Error in sasl_client_start (-4) SASL(-4): no mechanism available: No worthy mechs found'") 原因：

“We show that this reliance on CNNs is not necessary and a pure transformer applied directly to sequences of image patches can perform very well on image classification tasks.” ——完全不依赖CNN 参考：Vision T

All are Worth Words: A ViT Backbone for Diffusion Models, CVPR 2023 论文：https://arxiv.org/abs/2209.12152 代码：https://github.com/baofff/U-ViT 解读：U-ViT: A ViT Backbone for Diffusion Models - 知乎 (zhihu.

All are Worth Words: A ViT Backbone for Diffusion Models, CVPR 2023 论文：https://arxiv.org/abs/2209.12152 代码：https://github.com/baofff/U-ViT 解读：U-ViT: A ViT Backbone for Diffusion Models - 知乎 (zhihu.