小样本利器2.文本对抗+半监督 FGSM & VAT & FGM代码实现.doc

小样本利器1.半监督一致性正则 Temporal Ensemble & Mean Teacher代码实现.doc

社区网络监督管理制度.docx

ReLabel：自动将ImageNet转化成多标签数据集，更准确地有监督训练 - 2021新文.doc

【doc】电力技术监督管理系统与MIS系统间的数据转换

【最新整理】燃料智能化管理系统——燃料过程管理与效能监督系统发电企业必备

《统计学习方法》——统计学习监督及监督学习概论

《统计学习方法》——无监督学习概论

由于不确定因素多、电网规模大，原始蒙特卡洛模拟(MCS)在复杂电力系统可靠性评估中无法满足实时高效的要求。提出一种基于交叉熵(CE)的重要抽样与极限学习机(ELM)相结合的可靠性评估算法，一方面通过在系统抽样环节引入CE构建元件的最优概率分布，减小方差变化，加快指标收敛速度；另一方面，采用ELM对重要抽样的状态样本进行有监督学习，以所构建的网络学习模型替代传统非线性规划方法进行状态评估，提高单次系统状态评估的效率，从而实现快速可靠性评估。对IEEE RTS-79系统进行可靠性评估，与原始MCS和CE重要抽样的对比结果表明，在一定的误差范围内所提算法合理、有效，其计算效率较原始MCS和CE显著提高。

贸易协定 该存储库是论文pytorch版本。 介绍 T-TA或T基于ransformer-T EXT一个utoencoder，是监督学习任务的新深双向语言模型。 T-TA学习了直接的学习目标，即语言自动编码，该功能可以只使用上下文自动预测句子中的所有标记。 与“掩蔽语言模型”不同，T-TA具有自掩蔽机制，以避免仅将输入复制到输出。 与BERT（用于微调整个预先训练的模型）不同，T-TA特别有利于获得上下文嵌入，这些嵌入是从训练的语言模型的隐藏层生成的每个输入令牌的固定表示。 T-TA模型体系结构基于模型体系结构，而模型体系结构主要是标准的体系结构。 这段代码基于，其中包括用于构建自定义词汇表，准备Wikipedia数据集等的方法。 用法 from tta . modeling_tta import TTALMModel from transformers import AutoToken