文章链接https://gitee.com/fakerlove/pythonpython 教程1.简介1.1 介绍1.2 安装官方网址https://www.python.org/选择合适的版本，下载https://www.python.org/downloads/release/最新版本出到了3.9.5 。经典的版本3.7。尽量安装3.7安装完成后查看python 版本python --vers

存在的问题ViT需要大量的GPU资源:ViT-L “~8卡85天”ViT的预训练数据集JFT-300M没有公开超参数设置不好很容易Train不出效果对于VIT训练数据巨大，超参数难设置导致训练效果不好的问题，提出了DeiT。DeiT的模型和VIT的模型几乎是相同的，可以理解为本质上是在训一个VIT。针对ViT难训练的问题，DeiT提出参数设置、数据增强、知识蒸馏来更有效地训练ViT。DeiT提出的

文章目录斯坦福 2022 年 AI 指数报告精读1. 简介2. 报告内容第一章 论文专利情况发表国家划分跨国合合作情况中国霸榜AI顶会，但引用量最低第二章 技术的进展计算机视觉自然语言处理推荐系统强化学习硬件机器人第三章 人工智能伦理道德第四章 人工智能市场经济和教育第五章 人工智能政策和政府导向斯坦福 2022 年 AI 指数报告精读报告链接 ：https://aiindex.stanford.

半监督学习(SSL)由于基于伪标记和一致性正则化的各种方法所带来的优异性能而取得了巨大的成功。然而，我们认为，现有的方法要么采用预先定义/固定的门限，要么采用自适应门限调整方案，可能无法更有效地利用未标记数据，从而导致性能低下和收敛速度慢。我们首先分析了一个激励示例，以获得关于期望阈值与模型学习状态之间关系的直观性。在此基础上，我们提出了FreeMatch模型，根据模型的学习状态自适应地调整置信度

文章原稿https://gitee.com/fakerlove/fundamentals-of-compiling文章目录7. 语法制导的语义计算7.1 基本概念1) 属性文法2)两种属性：1. 综合属性2. 继承属性3) 带标注语法分析树S-属性文法L-属性文法4) 语义计算模型7.2 基于属性文法的语义计算7.2.1 语义子程序1) 作用2) 写法3) 语义值4) 语义栈5) 例题7.2.2

像素级注释的缺乏是医学图像分割任务中普遍存在的问题。在本文中，我们介绍了一种新的基于插值混合的正则化策略，用于半监督医学图像分割。所提出的方法是一种新的一致性正则化策略，它鼓励两个未标记数据的插值分割与这些数据的分割映射的插值一致。该方法代表了一种特定类型的数据自适应正则化范式，有助于最大限度地减少在高置信度值下标记数据的过拟合。该方法不需要额外的计算量，优于对抗模型和生成模型。

由于难以获取大量标记数据，半监督学习在医学图像分割中正成为一种有吸引力的解决方案。为了利用未标记数据，目前流行的半变量方法（如时态集成、均值教师）主要对未标记数据施加数据级和模型级的一致性。在本文中，我们认为除了这些策略之外，我们还可以进一步利用辅助任务和考虑任务级一致性来更好地从未标记数据中挖掘有效的表示来进行分割。

高质量的伪标签对于半监督语义分割是必不可少的。一致性正则化和基于伪标记的半监督方法利用来自多视图输入的伪标记进行协同训练。然而，这种协同训练模型往往在训练过程中早期收敛到一致，从而导致模型退化到自我训练模型。另外，多视点输入是通过对原始图像的扰动或增强而产生的，这不可避免地会在输入中引入噪声，导致低置信度的伪标签。针对这些问题，我们提出了一种基于不确定性指导的协同均值教师(UCMT)算法，用于具有

在半监督的医学图像分割中，存在着有标签和无标签数据分布的经验不匹配问题。如果将有标记的数据和无标记的数据分开处理或以不一致的方式处理，那么从有标记的数据中学到的知识可能在很大程度上被丢弃。我们提出了一个直接的方法来缓解这个问题–在一个简单的Mean Teacher架构中，双向复制粘贴有标签的和无标签的数据。该方法鼓励未标注的数据从标注的数据中向内和向外学习全面的共同语义。更重要的是，标记数据和未标

一致性学习在半监督医学图像分割中起着至关重要的作用，它可以有效地利用有限的标注数据，同时充分利用丰富的未标注数据。一致性学习的有效性和效率受到预测多样性和训练稳定性的挑战，而这两个问题往往被现有的研究所忽视。同时，用于训练的标记数据数量有限，往往不足以形成伪标记的内部紧凑性和类间差异。为了解决这些问题，我们提出了一种自感知的跨样本原型学习方法(SCP-NET)，通过利用从多个输入中获得的更广泛的语