鱼一的博客 ◡̈

yuyi

知不可乎骤得，托遗响于悲风

网站页面

类目归类

标签搜索

最新文章

儿歌

儿歌

悸动・深海拂晓沉寂已久的心早已被遗忘困于废墟中伫立的断壁残垣可晚秋的风却如春霁铅灰色的云海和冷清的街景伞下的距离有些短雨点轻轻落在肩膀清凉的风拂过你的侧脸这没有星辰的夜色也撩人心魂沉陷・妄念难渝星辰密布将如墨夜幕泛起灰白凌晨的山边马路空旷孤寂迷雾森林的藤萝正在编织思念之茧缧绁心魂霭影林衢的游戏场景光影绰约可惜我有些看不太清酒精只能麻痹神经，没法控制独愫初冬的卧衾里身体很暖神识却感觉像在黑暗的寒渊上下浮动模糊的画面一点点拉近好像是额头终于轻轻抵在了你的身上幸福感还未能如愿以尝梦象就已经在眼前破碎湮灭艺术家可能不止一个缪斯但我只想奢望你一人的温柔所以朦胧中我迟缓的拿起手机发了晚安

2025-01-10

2025年01月10日

0 阅读

14 评论

Mac OS 运行程序出现 `zsh: segmentation fault`

Mac OS 运行程序出现 `zsh: segmentation fault`

在终端跑程序的时候报错zsh: segmentation fault python main.py --epochs 2 --mask_ratio 0.2在 Unix-like系统（包括macOS）中， OpenMP 库默认并行执行带有 #pragma omp parallel 的代码块，可能和 PyTorch 中 c 相关的源码有关。export KMP_DUPLICATE_LIB_OK=TRUE：这个环境变量告诉OpenMP忽略由于动态库加载时可能出现的重复库问题。在使用多个动态库时，如果这些库中包含了OpenMP的实现，可能会出现冲突。设置这个变量为TRUE可以防止OpenMP在初始化时因为检测到多个版本的OpenMP实现而报错。export OMP_NUM_THREADS=1：这个环境变量设置OpenMP在并行区域时使用的最大线程数。将其设置为1意味着即使代码中有并行指令，OpenMP也不会创建额外的线程，只会使用一个线程来执行任务。这通常用于调试并行程序，因为在单线程模式下，程序的行为更可预测，也更容易跟踪。当你在终端中执行这些命令时，它们仅对当前终端会话有效。一旦你...

2024-06-23

2024年06月23日

0 阅读

9 评论

时空时序预测 Frigate: Frugal Spatio-temporal Forecasting on Road Networks

时空时序预测 Frigate: Frugal Spatio-temporal Forecasting on Road Networks

标题道路交通网络的时空预测期刊名称和出版年份发表于 ACM KDD 2023 会议论文作者 Mridul Gupta，Sayan Ranu第一作者单位印度德里理工学院Yardi人工智能学院摘要在道路网络上建模时空过程是一项日益重要的任务。尽管在开发时空图神经网络（GNNs）方面取得了显著进展，但现有工作建立在三个对真实世界道路网络不切实际的假设上。首先，它们假设道路网络的每个节点都能被感知。实际上，由于预算限制或传感器故障，所有位置（节点）可能没有配备传感器。其次，它们假设所有安装的传感器都可用历史数据。由于传感器故障、通信过程中丢包等原因，这也是不现实的。最后，它们假设道路网络是静态的。由于道路封闭、新道路建设等原因，网络的连接性会发生变化。在这项工作中，我们开发了Frigate来解决所有这些缺点。Frigate 由一个时空 GNN 提供支持，该 GNN 将位置、拓扑和时间信息整合到丰富的归纳节点表示中。通过门控Lipschitz嵌入和LSTM的创新组合，实现了这种多样化信息的联合融合。我们证明了所提出的GNN架构在表达能力上比用于最先进算法的消息传递GNN更...

2024-06-15

2024年06月15日

0 阅读

5 评论

毕业🎓咯

毕业🎓咯

🎓 🌸 👨‍🏫👩‍🏻‍🎓 🏀 🛌 🐄 💌完...

2024-06-03

2024年06月03日

0 阅读

6 评论

混合ANN-SNN架构：用于低功耗和低延迟的视觉感知 🚀

混合ANN-SNN架构：用于低功耗和低延迟的视觉感知 🚀

Asude Aydin, Mathias Gehrig, Daniel Gehrig, Davide Scaramuzza机器人与感知小组，苏黎世大学，瑞士摘要 📝脉冲神经网络（SNNs）通过异步和稀疏处理，为边缘设备带来低功耗和低延迟推理。然而，SNNs在生成与经典人工神经网络（ANNs）相媲美的预测时，依赖于长时间的瞬态状态。这些状态在长时间后才收敛，并在没有输入数据时迅速衰减，导致更高的延迟、功耗和较低的准确性。我们通过使用辅助ANN以低频率初始化SNN状态来解决这个问题。SNN使用该状态生成高时间分辨率的预测，直到下一次初始化阶段。因此，我们的混合ANN-SNN模型结合了两者的优点：由于ANN的存在，它不受长时间状态瞬态和状态衰减的影响；由于SNN的存在，它能生成高时间分辨率、低延迟和低功耗的预测。我们展示了对于基于事件的2D和3D人体姿态估计任务，我们的方法在与完全ANN对应物以相同的推理速率运行时，功耗降低了88%，性能仅下降了4%。此外，与SNN相比，我们的方法实现了74%的更低误差。代码可在此处获取。引言 📈近年的深度学习突破加速了计算机视觉任务的进展，但也带来了...

2024-05-28

2024年05月28日

0 阅读

5 评论

AI 快速生成学术论文的 Presentation

AI 快速生成学术论文的 Presentation

使用AI制作学术演示文稿首先，访问 Gamma.app。这是我们将使用的创建AI演示文稿的应用程序。上传论文 📄：如果你正在撰写一篇要提交到期刊的同行评审论文，你可以将其作为文件上传，它会根据你当前正在写的论文草稿生成自己的演示文稿。进入“导入文件”页面。这里是我目前正在处理的一篇论文示例。它有很多文本、表格和图表。上传并配置 ⚙️：上传文件后，Gamma AI会开始处理你的文件。你会看到“生成”、“压缩”和“保留”等设置。如果你有很多内容，可以选择“压缩”。生成幻灯片 📊：你可以选择“自由形式”，并将“每张卡片的最大文本量”设置为“简洁”，以便简洁明了的演示。输出包括AI图像，但它们可能不太相关，因此你可能需要稍后调整。选择一个你喜欢的主题并生成幻灯片。你会看到幻灯片实时生成。优化演示文稿 ✨：Gamma AI在结构化内容方面做得很好，但可能会遗漏一些实际论文中的元素，例如图表。你可以使用网络应用界面手动添加这些元素。将演示文稿导出到PowerPoint以进行进一步优化和自定义。使用ChatGPT创建叙述结构 📝：我更喜欢先使用ChatGPT创建一个稳健的叙述。我会访问Chat...

2024-05-28

2024年05月28日

0 阅读

7 评论

强化学习初体验

强化学习初体验

1. 什么是强化学习？强化学习是一种机器学习方法，强调通过与环境的交互来学习策略，从而在某种情境下最大化累积奖励。主要包括以下几个概念：智能体（Agent）：做出决策的实体。环境（Environment）：智能体与之交互的外界。状态（State, S）：环境在某一时刻的描述。动作（Action, A）：智能体在某一状态下可以采取的行为。奖励（Reward, R）：智能体在某一状态下采取某一动作后获得的反馈。策略（Policy, π）：智能体在各个状态下采取的动作规则。2. 强化学习的基本框架在强化学习中，智能体通过不断尝试和错误（Trial and Error），学习到一个最优策略来最大化其累积奖励。这个过程通常通过以下几个步骤实现：初始化策略。观测当前状态。选择一个动作并执行。接收奖励并观测新的状态。更新策略。3. 深度强化学习深度强化学习结合了深度学习和强化学习，Deep Reinforcement Learning, DRL）是一门结合了深度学习和强化学习的学科，使用深度神经网络来近似策略函数或价值函数，使得智能体能够在高维和复杂的环境中进行学习。基本概念和术语在深度强化学...

2024-05-26

2024年05月26日

0 阅读

272 评论

Ilya 推荐论文 30

Ilya 推荐论文 30

OpenAI 的前首席科学家 Ilya Sutskever 开出了一份论文清单，一共包含30篇论文。他说："如果你真正学会了所有这些，你就会知道当今 AI 的 90% 重要内容。""The Annotated Transformer" 📖: 提供了对 "Attention Is All You Need" 论文的详细解读和注释，帮助读者理解基于完全注意力机制的Transformer模型的复杂性，该模型旨在解决在处理长序列时RNN和LSTM的局限性。通过并行处理和有效的注意力机制，Transformer在训练速度和效果上都有显著提升。The Annotated Transformer"The First Law of Complexodynamics" 🌀: 讨论了物理系统中复杂性随时间变化的变量性。论文得出的结论是系统的“兴趣”或“复杂性”随时间呈现钟形曲线：起初简单，变得复杂，然后再次简化。复杂性达到最大值后会逐渐减少，与一直单调增加的熵形成对比。The First Law of Complexodynamics"The Unreasonable Effectiveness o...

2024-05-25

2024年05月25日

0 阅读

11 评论

三十年，解决人生三大问题

三十年，解决人生三大问题

原文链接我最近看到一篇文章，很有意思，分享给大家。文章大意是，人的一生就是解决三个基本问题：事业、家庭和财务。一份有成就的事业，一个幸福的家庭，一个健康的财务状况，人生就没有遗憾了。我们的人生规划，就是朝着解决这三个问题努力。哪怕其中只有一个没有解决，你的人生就过不好。原文作者提出了他的规划。他说，这三个问题要分阶段解决，每个阶段重点解决一个问题。而且他估计，每个阶段要花费十年，总共需要三十年。第一个十年：你搞清楚自己想干什么，找到方向，为事业打下基础，从此全力投入。第二个十年：你结婚、买房、养育后代。第三个十年：你努力赚钱，积蓄退休金。如果将18岁成年作为起点，过完这三个十年，你就已经48岁了。也就是说，你的目标是，到了48岁，基本解决人生三大问题。48岁以后的时间，就是自己的选择，追求梦想，照顾家人，或者继续推进事业，积累更多财富。原文作者没有解释，为什么每个阶段需要十年。我倒是觉得，十年是一个合理的时间。如果是八年、七年、甚至五年，那样固然很好，不过难度也会相应变大，多少人能做到呢。如果更长一点，每个阶段需要十二年，甚至十五年，那样就有点太晚了，你都要退休了。更重要的是，年...

2024-05-18

2024年05月18日

0 阅读

6 评论

ROS 数据结构之 header

ROS 数据结构之 header

在 ROS (Robot Operating System) 中，header 是一种非常常见的数据结构，用于提供有关消息的时间戳和坐标系信息。这种结构设计旨在帮助 ROS 组件彼此之间进行有效通信，特别是在涉及时间和空间数据的处理时。header 成员通常包括以下字段：1. stamp类型: ros::Time用途: 记录消息的时间戳。这对于时间同步非常重要，尤其是在处理传感器数据、状态估计或任何需要时间对齐的操作时。时间戳使得系统能够处理消息延迟，理解数据的实际采集时间，以及进行时间序列分析和滤波。2. frame_id类型: string用途: 指示消息关联的参考坐标系。在机器人和传感器网络中，数据可能来自不同的传感器或节点，每个传感器或节点可能在不同的位置和方向。frame_id 帮助确定每个数据点的空间上下文，是理解数据物理位置的关键。这对于执行准确的空间变换、位置估计和多传感器数据融合至关重要。3. seq类型: uint32用途: 消息的序列号，它是自节点启动以来发布的特定消息类型的累计计数。序列号主要用于调试和故障排除，帮助追踪特定消息的发送和接收顺序。应用实例在...

2024-04-16

2024年04月16日

0 阅读

6 评论

yuyi

知不可乎骤得，托遗响于悲风

127 文章数

10,760 评论量

More Info for me 📱

人生倒计时

今日已经过去小时

这周已经过去天

本月已经过去天

今年已经过去个月