github

使用cropper之前需要先引用 cropper.css 和 cropper.js cropper 官网：https://fengyuanchen.github.io/cropper/ cropper.css下载：https://github.com/fengyuanchen/cropperjs/tree/master/docs/css cropper.js下载：https://github.com/fengyuanchen/cropperjs/tree/master/docs/js 然后我们来了解一下cropper的基本属性及方法 参数options 　　 1. viewMode(定义cropper的视图模式) 类型:number；默认：0；可以使用0,1,2,3； 0：没有限制，3可以移动到2外。 1 : 3只能在2内移动。 2：2图片 不全部铺满1 （即缩小时可以有一边出现空隙） 3：2图片填充整个1 　　 2. dragMode (定义cropper的拖拽模式) 类型: String 默认: ‘crop’ 选项: ‘crop’: 可以产生一个新的裁剪框3 ‘move’: 只可以移动3 ‘none’: 什么也不处理 　　 3. aspectRatio—-裁剪框的宽高比 类型:number；默认：NAN； 在默认的时候。可以随意改变裁剪框的大小；我这里的设置的值为 16/9;

喜欢我们，点击上方 AINLPer ，关注一下，极品干货即刻送达！ 今天天气是真不错~可惜还是不能出去。所以今天 整理了2020年ICLR会议的论文，并给大家分享出了ICLR2020国际会议演讲的主题和主要内容。 引言 2020年的 ICLR会议 将于今年的 4月26日-4月30日 在Millennium Hall, Addis Ababa ETHIOPIA（埃塞俄比亚首都亚的斯亚贝巴 千禧大厅）举行。 2020年ICLR会议（Eighth International Conference on Learning Representations）论文接受结果刚刚出来， 今年的论文接受情况如下： poster-paper共523篇，Spotlight-paper（焦点论文）共107篇，演讲Talk共48篇，共计接受678篇文章，被拒论文（reject-paper）共计1907篇，接受率为： 26.48%。 回复： ICLR2020 获取会议全部列表PDF（方便您的收集整理） ，其中一共有四个文件（ 2020-ICLR-accept-poster.pdf 、 2020-ICLR-accept-spotlight.pdf 、 2020-ICLR-accept-talk.pdf 、 2020-ICLR-reject.pdf ），如果你不想下载，也可直接访问官网： https:/

补一下昨天没发完的一篇 文中公式若显示不全可左右滑动~ 比较有意思的论文 [1] ，关注的点也是在序列建模的位置信息编码。先前的方法通过引入额外的位置编码，在 embedding 层将词向量和位置向量通过加性编码融合， 但是该种方式每个位置向量是独立训练得到的，并不能建模序列的 order relationship （例如邻接或优先关系），作者将此称为 the position independece problem 。 针对该问题论文提出了一种新的位置编码方式，将独立的词向量替换成自变量为位置的函数，于是单词表示会随着位置的变化而平滑地移动，可以更好地建模单词的绝对位置和顺序信息。 其中， 表示此表中序号为 的单词在位置 时的单词向量， 表示函数集合， 表示单词到函数的映射，展开即为， 为了达到上述要求，函数应该满足以下两个条件： Property 1. Position-free offset transformation 对于任意位置 pos 和 ，存在变换 Transform Transform 满足， 特别地，论文考虑 Transform 为线性变换 Property 2. Boundedness 函数应该是有界的， 接下去，论文证明了满足上述两个条件的解函数形式为， ❝ 贴一下论文给的证明：（看不看无所谓，能用就行 haha） 假设函数 满足上述两个条件，则对于任意位置

作者 | kaiyuan 整理 | NewBeeNLP 一篇来自ICLR2020，facebook人工智能实验室的论文，关于改进Transformer推理速度的。 论文地址： https://arxiv.org/abs/1910.10073 写在前面 大模型在困难任务上表现非常好，而小模型也可以在比较简单的任务上表现出色。但是目前大模型在应用简单任务时的运算量同复杂任务一样，这就导致了不必要的资源浪费，此外还会导致推理速度变慢。对此，提出了一种 depth-adaptive transformer ，可以在推理阶段针对不同的token自动选择在合适的层进行停止并输出，在不损失模型效果的同时大大提高推理速度。 Anytime Prediction 传统的transformer decoder，所有的token都需要经过N个block，且最后的分类器是唯一的。但是一些简单的任务并不需要推理如此多步，可能在第 层模型已经得出结果了，再往上走并没有意义，于是可以选择在第 层就输出，这称为 「动态计算（Dynamic Computation）」 ， 并且，每一层的分类器 可以选择不同或者相同。接下去就是怎么去实现上面的想法，即对于每个输入token，如何自动确定其在哪一层退出？文中提出了两种策略： Aligned training 对齐训练会同时优化所有分类器，并假设当前状态之前的所有状态

1. Overview 本文将CNN用于句子分类任务 (1) 使用静态vector + CNN即可取得很好的效果；=> 这表明预训练的vector是universal的特征提取器，可以被用于多种分类任务中。 (2) 根据特定任务进行fine-tuning 的vector + CNN 取得了更好的效果。 (3) 改进模型架构，使得可以使用 task-specific 和 static 的vector。 (4) 在7项任务中的4项取得了SOTA的效果。 思考：卷积神经网络的核心思想是捕获局部特征。在图像领域，由于图像本身具有局部相关性，因此，CNN是一个较为适用的特征提取器。在NLP中，可以将一段文本n-gram看做一个有相近特征的片段——窗口，因而希望通过CNN来捕获这个滑动窗口内的局部特征。卷积神经网络的优势在于可以对这样的n-gram特征进行组合和筛选，获取不同的抽象层次的语义信息。 2. Model 对于该模型，主要注意三点： 1. 如何应用的CNN，即在文本中如何使用CNN 2. 如何将static和fine-tuned vector结合在一个架构中 3. 正则化的策略 本文的思路是比较简单的。 2.1 CNN的应用 <1> feature map 的获取 word vector 是k维，sentence length = n (padded)