标签 - FxMarkBrown's Blog

高性能IoC（控制反转）容器设计与Aop（面向切面编程）四：你的private有时需要“被我一览无余”（JVM的底层“后门”与语言级绕过安全检查的反射“黑魔法”）

第四部分：实现篇 - 高性能反射在前面的章节中，我们设计了 IoC 容器和 AOP 框架的架构。这些框架的核心都依赖于 Java 反射机制。然而，传统反射存在严重的性能问题。本部分将深入探讨如何实现

使用JDK底层魔法类和字节汇编为Forge引入运行时动态依赖加载

目标在Forge扫描Mod之前将它的依赖下载并动态注入到ClassLoader，而不是shadow打包FatJar，目的是为了减小Mod的体积。下载部分不再阐述，本文只探讨动态注入部分思路因为

CBAM和CA注意力机制

前言在EfficientNet的复现中我们已经提到了SE注意力机制，现在简要介绍18年的CBAM和21年的CA注意力机制论文： (ECCV'18)CBAM: Convolutional Bloc

复现谷歌EfficientNet

前言在后ResNet时代，EfficientNet作为仅用ResNet 3%的参数就达到其90%性能的存在，值得我们的研究一番目标：实现EfficientNet的完整架构，包括： Stem: 初

机器学习笔记（23）：Transformers Encoder-Decoder架构

前言这是笔者在结束科班课程后对此系列笔记的接续更新，此后该系列的笔记主要以论文解析为主，值得注意的是，在之前CNN领域有诸多创新，例如2012年的AlexNet，2014年的VGGNet，2015年

机器学习笔记（22）：注意力机制

前言人脑每个时刻接收的外界输入信息非常多，包括来自于视觉、听觉、触觉的各种各样的信息，人脑中的工作记忆并不能同时处理这些过载的输入信息，大脑神经系统有个重要机制可以解决信息过载问题，即注意力借鉴人脑解决信息过载的机制，提高对神经网络处理信息的能力注意力机制简介注意力是一种人类不可或缺的复杂认知功能，可以关注一

机器学习笔记（21）：网络优化和正则化

引言当神经网络模拟应用到机器学习时，往往会遇到下面两个问题优化问题全局最优解困难训练效率通常比较低梯度消失/爆炸问题这导致神经网络的网络优化十分困难泛化问题模型复杂度高拟合能力很强容易产生过拟合问题需要通过正则化方法提高泛化能力网络优化简介网络优化指寻找一个神经网络模型来使得经验（或结构）风

机器学习笔记（20）：循环神经网络

循环神经网络前馈神经网络的缺陷前馈神经网络每次输入都是独立的，即网络的输出只依赖于当前输入，且要求输入和输出都维度都是固定的，不能任意改变但现实情况下，要求网络输出不仅和当前时刻输入相关，也和其过去一段时间输出相关，并且时序数据的长度一般式不固定的，比如视频、语音、文本等给网络增加短期记忆能力针对上面的问题，

机器学习笔记（19）：卷积前馈神经网络

卷积（前馈）神经网络简介卷积神经网络（Covolutional Neural Network, CNN）是一种在计算机视觉领域取得了巨大成功的深度学习模型。它们的设计灵感来自于生物学会总得视觉系统，旨在模拟人类的视觉处理方式。图像原理与为什么需要CNN 灰白图像在计算机中是一堆按顺序排列的数字，数值为0到255，

机器学习笔记（18）：全连接前馈神经网络

（全连接）前馈神经网络简介前馈神经网络（Feedforward Neural Network， FNN）作为神经网络的一种，把每个神经元按接收信息的先后分为不同的组，每一组可以看作是一个神经层。每一层的神经元接收前一层神经元的输出，并输出到下一层神经元。整个网络中的信息是朝着一个方向传播的，它可以看作是一个函数，通

标签云

机器学习 34 篇文章