All Posts

使用Pyinstaller打包Django项目

首先,需要确定打包后的应用程序是否需要支持32位的Windows操作系统,如果需要32位系统的支持,那么需要在32位的Python环境下打包。Anaconda为例,在Anaconda Prompt中输入set CONDA_FORCE_32BIT=1,再创建新的Python环境,在这个环境下下载的Python包均为32位。用32位的Python环境打包的应用程序同样也可在64位操作系统下运行,但用64位的Python环境打包的应用程序则不能在32位操作系统下运行。

[论文]Semi-supervised Audio Classification with Consistency-Based Regularization

发表于2019 Interspeech。 将半监督方法Mean Teacher用于Google Speech Commands和UrbanSound8Ku数据集,其关键在于对音频数据的扰动,包括时间和频率转换、高斯噪声、环境噪声和Mixup,所用的音频数据均被转换为频谱图图像。环境噪声和Mixup两种方法是独立添加的,为防止互相影响。实验结果显示Mixup的效果要好于添加环境噪声。

[论文]FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence

2020年1月21日于Arxiv公开,https://arxiv.org/abs/2001.07685 FixMatch整合了一致性正则化与伪标签两种方法。文中将数据增强分为弱增强和强增强,弱增强为标准的平移与翻转,强增强为RandAugment或CTAugment,之后接Cutout。FixMatch的流程如下:首先,将未标记图像的弱增强版本输入模型中以获得预测值。预测值高于某个阈值时,预测值将会转换为one-hot伪标记。然后,将对同一张图片的强增强版本计算输入模型获得预测。通过标准的交叉熵损失,使其在强增强版本上的预测与伪标记匹配。

[论文]Data augmentation with Mobius transformations

2020年2月7日于arXiv公开,https://arxiv.org/abs/2002.02917 论文提出一种新的数据增强方法Mobius transformations(莫比乌斯变换,自译)。Mobius transformations是双射共形变换,在生物学中已有应用,将3D形态的标本(如人类,真菌和鱼类)转为2D投影。本文将其用于自然图像,一张图片经过Mobius transformations可生成多种变换后的图片。理论解释我还没看明白,所以暂时跳过。

零样本学习评估

Xian Y, Lampert C H, Schiele B, et al. Zero-shot learning-a comprehensive evaluation of the good, the bad and the ugly[J]. IEEE transactions on pattern analysis and machine intelligence, 2018. 这篇论文对当前最好的零样本学习方法做了统一全面的评估。

零样本学习概览(待续)

概念 零样本学习(Zero-shot learning,ZSL)利用训练集数据训练模型,使得模型能够对测试集的对象进行分类,但是训练集类别和测试集类别之间没有交集。这就需要借助类别的描述,构建语义空间,来建立训练集和测试集之间的联系,从而使得模型有效。ZSL就是让计算机具备人类的推理能力,来识别出一个从未见过的新事物。

使用Tensorflow的py_func函数灵活操作Tensor

由于TensorFlow中tensor数据类型的特殊性,对它的处理往往是一件比较头疼的事情。有些情况需要将其转换为numpy array进行计算,这时有一个很有效的函数py_func,这里举一个使用例子,函数本身的用法可见参考资料。

半监督学习2019年最新进展

ICT 问题:不同的一致性正则化技术选择不同的未标记数据扰动。随机扰动是一个简单的方案,但其对于高维度数据十分低效。VAT等模型探索能够使模型预测变化最大化的扰动,但这类方法需要额外的计算,而且有研究表明对抗性扰动训练可能会影响泛化表现。

深度强化学习之DQN系列

基础(Q-Learning) Q即为Q(s,a),就是在某一时刻的 s 状态下,采取动作a动作能够获得奖励的期望。环境会根据智能体的动作反馈相应的奖励 r。算法的主要思想就是将状态(state)与动作(action)构建成一张Q-table来存储Q值,然后根据Q值来选取能够获得最大的收益的动作。Q-Learning的算法如下:

深度强化学习总览

概念 强化学习的基本思想是通过最大化智能体(Agent)从环境中获得的累计奖赏值,以学习到完成目标的最优策略。强化学习中的基本要素包括: