tilde

Nowadays, I am reading D.J.Benson's nice book, volume I of Representations and cohomology . I found it has a nice description on Dynkin diagrams. So I want to make a note on it and on it here. If the application is successful, I will have more time on Mathematiques intersting me. If the time permits, I will make anther note about the relationship of root system and Dynkin diagrams. Contents Dynkin diagrams and Euclidean diagrams Cartan matrix and characterization of Dynkin diagrams using subadditve functions Characterization using positive definity of Cartan's matrix Dynkin diagrams and

简介 事件检测 事件检测（ED）的目的是检测事件触发器（通常是在实例中引发事件的单词或短语），然后识别它们的特定事件类型。 特征工程，如token级特征和结构化特征。 神经网络模型，将文本语义信息直接嵌入到低维空间中，基于这些特征向量检测事件触发器，采用有监督学习的方法对人类标注数据进行模型训练。 神经网络模型对人工标注数据的需求是实践中的瓶颈。 弱监督学习 参考资料 https://baijiahao.baidu.com/s?id=1594091883249224246&wfr=spider&for=pc 目前广泛采用的弱监督方法充分利用了大量的原始数据，特别是一些具体的信息提取工作，探索了弱监督自动标注ED训练数据的方法，这种弱监督方法可以有效地推广到实际的ED应用中，而不需要大量的劳动。 弱监督方法虽然取得了很好的结果，但仍然存在一些严重的问题： 会受到数据中不可避免的噪声的影响 现有的弱监督ED模型采用复杂的预定义规则和不完全的知识库来自动获取数据，导致数据的自动标注覆盖率低、主题偏差大 本文提出的模型 为了构建一个覆盖范围更广的大规模数据集，减少主题偏差 避免采用复杂的预定义规则和繁重的语义组件分析工具包，提出了一个简单的 基于触发器的潜在实例发现策略 一个假设：如果一个给定的单词作为已知事件实例中的触发器，那么提到这个单词的所有实例也可以表示一个事件 与复杂的规则相比

一、符号转义 二、 字母转义 三、数字转义 四、特殊字符转义 符号转义： — 制表符Horizontal tab — 换行Line feed — 回车Carriage Return — Space ! — 惊叹号Exclamation mark " — &quot； 双引号Quotation mark # — 数字标志Number sign $ — 美元标志Dollar sign % — 百分号Percent sign & — &amp； Ampersand ‘ — 单引号Apostrophe ( — 小括号左边部分Left parenthesis ) — 小括号右边部分Right parenthesis * — 星号Asterisk + — 加号Plus sign , — 逗号Comma - — 连字号Hyphen . — 句号Period (fullstop) / — 斜杠Solidus (slash) : — 冒号Colon ; — 分号Semicolon < — &lt； 小于号Less than = — 等于符号Equals sign > —&gt； 大于号Greater than ? — 问号Question mark @ — Commercial at [ --- 中括号左边部分Left square bracket \ --- 反斜杠Reverse solidus

梯度下降 调整学习率learning rate 学习率过大，发生震荡。学习率过小，学习效率低 较好的方法是在较平坦的地方步子迈大些，陡峭的地方步子迈小些 自适应学习率 随着迭代次数的增加，通过因子来减小学习率 刚开始，初始点距离最低点远，使用大的学习率 迭代若干次数后靠近最低点，采用小的学习率 Adagrad算法 一般梯度下降： $$ L=\sum_n(\tilde{y}^n - (b+\sum w_ix_i^n))^2 \ w^{t+1}\gets w^t-\eta^tg^t\ \eta^t=\frac{\eta}{\sqrt{t+1}} $$ Adagrad： $$ w^{t+1}\gets w^t-\frac{\eta^t}{\sigma}g^t\ g^t=\frac{\partial L(\theta^t)}{\partial w}\ \eta^t = \frac{\eta}{\sqrt{t+1}}\ \sigma^t=\sqrt{\frac{1}{t=1}\sum^t_{i=0}(g^i)^2} $$ 化简： $$ w^{t+1}\gets w^t-\frac{\eta}{\sqrt{\sum^t_{i=0}(g^i)^2}}g^t\ $$ 随机梯度下降 Stochastic Gradient Descent 常规梯度下降是将 所有训练集数据处理后才开始更新参数

9月11日任务 2.1/2.2 系统目录结构 2.3 ls命令 2.4 文件类型 2.5 alias命令 2.1.1 、系统目录结构 [root @localhost ~]# ls / bin boot dev etc home lib lib64 media mnt opt proc root run sbin srv sys tmp usr var /bin：存放普通用户常用的命令 /sbin：存放root用户命令 /boot：启动系统相关文件 /dev：系统特有的设备文件 /etc：存放所有系统管理所需要的配置文件和子目录，相当于windows的c:\windows目录 /home：用户的家目录 /lib：存放系统最基本的动态链接共享库，库文件 /media：一个媒介目录，默认空 /mnt：临时挂载目录，默认空 /opt：主机额外安装软件所设置的目录，一般为空 /proc：系统启动进程 /root：是root用户的家目录，相当于root用户的home /run：存放一些服务的pid /srv：存放的是服务启动之后需要提取的数据 /sys：存放硬件驱动程序相关的信息 /tmp：存放一些临时文件 /usr:类似于Windows下的program files目录 /var：存放不断扩充且经常修改的目录。包括日志文件与pid文件 比较常使用的目录有： /usr/bin/ /usr

万物皆可Embedding系列会结合论文和实践经验进行介绍，前期主要集中在论文中，后期会加入实践经验和案例，目前已更新： 万物皆可Vector之语言模型：从N-Gram到NNLM、RNNLM 万物皆可Vector之Word2vec：2个模型、2个优化及实战使用 Item2vec中值得细细品味的8个经典tricks和thinks Doc2vec的算法原理、代码实现及应用启发 Sentence2Vec & GloVe 算法原理、推导实与现 后续会持续更新Embedding相关的文章，欢迎持续关注「搜索与推荐Wiki」 Sentence2vec Sentence2vec 是2017年发表于ICLR（国际学习展示回忆）的一篇论文，其全称为： A Simple but tough-to-beat baseline for sentence embeddings 下面来看一下论文所介绍的内容（论文的内容比较晦涩难懂，小编水平也不高，如果不当之处，评论区留言，感谢！）。 1、概述 论文主要提出了一种无监督的，基于单词词向量计算句子embedding的方法，称之为Smooth Inverse Frequecy(SIF)，使用加权平均的方法从word embedding到sentence embedding，然后再基于句子的embedding进行相似度计算

论文： 深度时空视频上采样网络 文章检索出处：2020 ECCV 代码： https://github.com/JaeYeonKang/STVUN-Pytorch 摘要 问题： 解决视频在空间和时间上的联合上采样问题的一种方法是逐个独立运行VSR和FI，效率低下。在VSR中，大多数方法都包括特征提取、对齐、融合和重构四个阶段。对于FI，该过程可分为特征提取、特征插值和重构。 贡献：1. 本文提出了一种用于时空视频上采样的端到端框架（STVUN），通过共享特征提取模块和重构模块，有效地将VSR和FI合并为一个联合框架。 2. 提出了基于时空权值的早期融合方法（EFST）来有效融合输入特征，而无需进行显示运动补偿。 3. 该框架能够在空间上上采样×4，在时间上上采样×∞。 4. 收集了STVT数据集，用于评估联合时空上采样任务。 方法 架构 网络由多个模块组成:编码器、空间上采样特征融合(EFST)、帧内插流量估计器和解码器。框架采用7个LR帧作为输入[0-7)。然后,它输出中心HR帧 Y ^ 3 \hat Y_3 Y ^ 3 ​ 以及N个HR中间帧 Y ^ T \hat Y_T Y ^ T ​ ,其中T∈[3,4]。 共享权重的编码器首先被用来提取每帧的特征。在空间上采样时使用EFST对编码特征进行融合，在时间上采样时使用计算出的流对编码特征进行插值。解码块由具有共享权重的解码器组成