科普

机器学习的样本中通常会存在少量错误标签，这些错误标签会影响到预测的效果。标签平滑采用如下思路解决这个问题：在训练时即假设标签可能存在错误，避免“过分”相信训练样本的标签。当目标函数为交叉熵时，这一思想有非常简单的实现，称为标签平滑（Label Smoothing）。 我们以2类分类问题为例，此时训练样本为(xi,yi)，其中yi是样本标签，为0或1。在训练样本中，我们并不能保证所有的样本标签都标注正确，如果某个样本的标注是错误的，那么在训练时，该样本就有可能对训练结果产生负面影响。一个很自然的想法是，如果我们有办法“告诉”模型，样本的标签不一定正确，那么训练出来的模型对于少量的样本错误就会有“免疫力”。 为了达到这个目标，我们的方法是： 在每次迭代时，并不直接将(xi,yi)放入训练集，而是设置一个错误率ε，以1-ε的概率将(xi,yi)代入训练，以ε的概率将(xi,1-yi)代入训练。 这样，模型在训练时，既有正确标签输入，又有错误标签输入，可以想象，如此训练出来的模型不会“全力匹配”每一个标签，而只是在一定程度上匹配。这样，如果真的出现错误标签，模型受到的影响就会更小。 那么，这是否意味着我们在每次训练时，都需要对标签进行随机化处理呢？答案是否定的，我们有更好的方法来解决，也就是 标签平滑 。下面我们介绍标签平滑的具体思路。 当我们采用交叉熵来描述损失函数时，对于每一个样本i

洛谷 P1403 [AHOI2005]约数研究 思路： Kelin的题解 代码（自己的丑代码） # include <iostream> # include <cstdio> int main ( ) { int n ; long long ans = 0 ; scanf ( "%d" , & n ) ; for ( int i = 1 ; i <= n ; ++ i ) { ans + = n / i ; } printf ( "%lld\n" , ans ) ; return 0 ; } 以及优化后 # include <iostream> # include <cstdio> int main ( ) { int n ; long long ans = 0 ; scanf ( "%d" , & n ) ; for ( int i = 1 , j ; i <= n ; i = j + 1 ) { j = n / ( n / i ) ; ans + = ( n / i ) * ( j - i + 1 ) ; } printf ( "%lld\n" , ans ) ; return 0 ; } 来源：51CTO 作者： Mintind 链接：https://blog.csdn.net/Mintind/article/details/100622449

看到 大家还在说 相对论 对 时间 的 种种 奇谈怪论， 忍不住 又要说两句， 因为 引力 是 对 所有 物质 起作用的， 只要有 质量 就 受 引力 作用， 这就 很容易 造成 一个 假象 ， 物质 的 运动状态 受到 引力 动力学 影响 而 发生 改变 时， 就 很容易 被 诡辩 为 是 “时间” 发生了 改变， 毕竟 引力 的 动力学 效应 作用于 所有 物质， 你又不能从 物质 外面 去 找一个 时间 出来 。 这就成了一个 谁也说不清 的 罗生门 。 如果 能从 实验 上 精确 的 测量出 时间 的 “膨胀” 数值（实际是 受 引力 动力学 效应 发生 的 运动速度 变化）， 和 广义相对论 的 计算 数值 比较，应该 可以 发现 两者 并不相等 。 但 目前 的 条件 只能在 弱引力场 下 做实验， 弱引力场 下 的 “时间膨胀” 效应 是 微小 的， 只能 借助 微观粒子 的 表现 来 实验， 但 微观粒子 的 运动状态 受很多因素 的 影响 并且 很容易 被 扰动， 所以 实验结果 是 似是而非 的， 比如 铯原子钟 实验 。 于是， 这个 问题 再一次 成了 罗生门 。 我发现 日语 发明了 “罗生门” 这个词 实在 太好了 。 但是， 我们 仔细 的 分析 铯原子实验， 可以 发现 里面 的 “时间 膨胀” 的 值 是 狭义相对论 的 速度效应 加上 广义相对论

/*入门学习 图像滤波 Filtering 是图像处理中的一个基本操作，其目的是为了提取图像中被认为重要的那些部分。 滤波可以去除图像中的噪声，提取感兴趣的视觉特征，允许图像重采样等。 这里我们了解一些基本的内容。 观察一幅图像时，我们看到不同的灰度（或彩色值）在图像中的分布。图像之间存在不同是因为他们有不同的灰度分布。 因此存在另一种进行图像处理的方式：观察图像中存在的灰度的变化。 一些图像中包含大面积恒定的灰度强度，另一些图片中灰度变化迅速。 因此观察图像中灰度或者像素点变化的频率构成了一种描述图像的方式，这种观点被称为频域。通过观察灰度的分布 来描述一幅图像 被称为空间区域。 空间域又称图像空间(image space)。由图像像元组成的空间。 在图像空间中以长度(距离)为自变量直接对像元值进行处理称为空间域处理。 以空间坐标作为变量进行的研究就是空间域。 频域分析按照高频到低频的次序 ，分解图像到频率内容。低频对应区域的图像强度变化缓慢，高频区域是由快速变化的图像 强度生成的。图像时二维的，他包含垂直频率（垂直方向的变化）和水平频率（水平方向的变化） 频域分析的框架下，滤波操作的作用是增强部分频段，同时限制或者衰减其他频段。 低频滤波器去除了图像中的高频成分，高通滤波器去除了低频成分。 这篇博客个人觉得讲的非常好：https://blog.csdn.net/qq

该篇转载自： https://blog.csdn.net/J_z10/article/details/51829014 widget="statusbar" 头部状态条标签 widget="email" 电子邮件地址标签 widget="selection" 下拉选择标签 widget="mail_followers" 关注者标签 widget="mail_thread" 消息标签 widget="progressbar" 进度条，按百分比标签 widget="one2many_list" 一对多列表标签 widget="many2many_tags" 多对多显示标签 widget="url" 网站链接标签 widget='image' 图片标签 widget="many2many_kanban" 看版标签 widget="handler" 触发标签 widget="radio" 单选标签 widget="char_domain" 字符域标签 widget="monetary" 价格（和精度位数相关）标签 widget="float_time" 单精度时间标签 widget="html" html相关标签 widget="pad" pad显示相关标签 widget="date" 日期标签 widget="monetary" 金额标签 widget='text' 文本标签

Endoscopy video anaylsis (1)artifact detection 　　image super resolution 　　image deblur PS: (1)在之后的研究中，以video（temporal feature）为导向的相关研究方法希望提出 来源：博客园 作者： 一叶之秋Kimi 链接：https://www.cnblogs.com/ezreal-/p/11421598.html

Olfactory Bulb Ratio, ORs Gene Repertoire, and Olfactory Ability 1.Olfactory Bulb的生物学意义：a.生存 b.嗅觉能力 2.Olfactory Bulb Ratio与嗅觉能力成正比 基于以上table得到线性相关图： a.解释nomoral值： b.解释outlier： 而该统计中的outlier物种则是快速进化的example（因为观察chicken, zebra finch, and budgerigar可知其特点（快速进化）） 4.发现并解释decreased OBRs 发现： passerine birds (excluding zebra finch) and psittaciformes (excluding budgerigar) have the least number of OR genes.（data） 解释： This could be due to the increased cognitive abilities of birds in these orders such as the capacity for vocal learning（biology） 5.不同order的鸟OBR比较 distinct evolutionary pressures that drove

可汗学院很清楚的阐述了这种算法，研究明白了再更 转载请标明出处: 欧几里得算法 文章来源: 欧几里得算法

Ŀ¼ 支持组件定制--有偿提供源码 原文链接： Qt定制控件列表 本帖持续更新 很重要--转载声明 本站文章无特别说明，皆为原创，版权所有，转载时请用链接的方式，给出原文出处。同时写上原作者： 朝十晚八 or Twowords 如要转载，请原文转载，如在转载时修改本文，请事先告知，谢绝在转载时通过修改本文达到有利于转载者的目的。

Dr. Andrew Paul Hutchins Department of Biology Southern University of Science and Technology, Shenzhen, China Every cell contains all of the DNA to encode the plethora of cell types that make up the cells and tissues of the organism. Yet, the vast majority of this DNA is devoted not to genes, but to transposable elements (TEs) and other repetitive sequences. It is increasingly clear that TEs are involved in a wide range of biological processes, from gene regulation, enhancer formation, splicing and the evolution of novel gene regulation networks. In this presentation Dr. Hutchins will describe