Github Copilot代理设置
MathJax.Hub.Config({ tex2jax: {inlineMath: [['$', '$']]}, messageStyle: "none" });
问题
解决方法
找到copilot的环境设置
将false改为true即可
Mac下的Terminal不正常显示机器的名字
MathJax.Hub.Config({ tex2jax: {inlineMath: [['$', '$']]}, messageStyle: "none" });
问题
最近，发现个问题，每次回到家里我的mac的终端里面就不正常显示电脑命的名字，变成了192。这样导致我的blog完全上传不上去。
原因
当路由器的DNS使用默认的 192.168.1.1 或 192.168.0.1 的时候 Terminal 里的计算机名 会变成 localhost
当路由器的DNS使用自定义的 例如 运营商的DNS 或者 公共DNS的时候 Terminal 里的计算机名 会变成 你设置的名
PyTorch:torch.nn.Embedding()
MathJax.Hub.Config({ tex2jax: {inlineMath: [['$', '$']]}, messageStyle: "none" });
参考链接
EMBEDDING
正文
类定义
12345class torch.nn.Embedding(num_embeddings, embedding_dim, padding_idx=None, max_norm=None, norm_type=2.0, scale_grad_by_freq=False,
脑机接口信号处理:实验报告
MathJax.Hub.Config({ tex2jax: {inlineMath: [['$', '$']]}, messageStyle: "none" });
1.概述
1.1 研究背景和目的
这份报告旨在验证和评估一种专为稳态视觉诱发电位（SSVEP）脑机接口开发的算法。SSVEP脑机接口是一种基于大脑信号控制机器的技术，它能将人脑的电活动转化为指令，从而控制外部设备。此技术在医疗康复、辅助通讯、以及人机交互领域具有重要应用价值。
1.2 SSVEP脑机接口的重要性
SSVEP脑机接口因其相对较高的信号稳定性和易于实现的特点，在脑机接口领域受到广泛关注。它可以为行动
d2l:Softmax回归+损失函数
MathJax.Hub.Config({ tex2jax: {inlineMath: [['$', '$']]}, messageStyle: "none" });
分类与回归
回归可以用于预测多少的问题。 比如预测房屋被售出价格，或者棒球队可能获得的胜场数，又或者患者住院的天数。事实上，我们也对分类问题感兴趣：不是问“多少”，而是问“哪一个”。
机器学习实践者用分类这个词来描述两个有微妙差别的问题：
我们只对样本的“硬性”类别感兴趣，即属于哪个类别；
我们希望得到“软性”类别，即得到属于每个类别的概率。 这两者的界限往往很模糊。其中的一个原因是：即使我们只关心硬
PyTorch:torch.cat()和torch.stack()
MathJax.Hub.Config({ tex2jax: {inlineMath: [['$', '$']]}, messageStyle: "none" });
参考链接
pytorch官方：TORCH.CAT
torch.cat
torch.cat(tensors, dim=0, *, out=None) → Tensor
将给定序列中的 seq 张量在指定维度上进行连接。所有张量必须在连接维度之外具有相同的形状，或者是空张量。
torch.cat() 可以被视为 torch.split() 和 torch.chunk() 的逆操作。
参数
tensors（张
量化
MathJax.Hub.Config({ tex2jax: {inlineMath: [['$', '$']]}, messageStyle: "none" });
1.量化是什么
简而言之，所谓的模型量化就是将浮点存储（运算）转换为整型存储（运算）的一种模型压缩技术。简单直白点讲，即原来表示一个权重需要使用float32表示，量化后只需要使用int8来表示就可以啦，仅仅这一个操作，我们就可以获得接近4倍的网络加速！
2.为什么需要做模型量化
随着深度学习技术在多个领域的快速应用，具体包括计算机视觉-CV、自然语言处理-NLP、语音等，出现了大量的基于深度学习的网络模型。这
paper: SUHD
MathJax.Hub.Config({ tex2jax: {inlineMath: [['$', '$']]}, messageStyle: "none" });
1.absract
针对的问题： Spiking-YOLO将SNN扩展到目标检测，但存在高延迟和低检测准确性，难以部署在对延迟敏感的移动平台上
方法：
时间步压缩：通过压缩信息减少了ANN-SNN转换中所需的时间步数
时序相关的集成编码（STDI）： 通过设置一个时变阈值来扩展信息容量
提出了一种基于SNN的超低延迟和高准确性的目标检测模型（SUHD），在PASCAL VOC和MS COCO等非平凡
ML:classification
MathJax.Hub.Config({ tex2jax: {inlineMath: [['$', '$']]}, messageStyle: "none" });
— 待完成 —
paper:AlexNet
MathJax.Hub.Config({ tex2jax: {inlineMath: [['$', '$']]}, messageStyle: "none" });
Alexnet论文介绍 —— ImageNet Classification with Deep Convolutional Neural Networks
参考链接
Alexnet论文介绍（超详细）——ImageNet Classification with Deep Convolutional Neural Networks
1.第一遍阅读
1.1 Abstract—摘要
摘要简单总结来说提出了以下
