IBM 针对液晶生产MES软件及决方案的介绍
2021-06-17 12:46:55 1.69MB MES Semi
1
SECS/GEM E37中文手册,机器翻译非人工,可以拿来参考参考
2021-06-16 13:21:57 870KB SECS/GEM HSMS
1
计算机视觉Github开源论文
2021-06-03 09:09:09 2.06MB 计算机视觉
1
基于active-semi PAC52XX 的BLDC直流无刷电机驱动实例,含原理图板图
2021-06-01 16:14:51 8.96MB 直流无刷电机
1
半监督文本分类的对抗训练方法 规范 此代码重现用 。 设置环境 请安装和 。 您可以使用此轻松设置环境。 下载预训练模型 请下载预先训练的模型。 $ wget http://sato-motoki.com/research/vat/imdb_pretrained_lm.model 结果 模型 错误率 基线 7.39 基准(我们的代码) 6.62 对抗性 6.21 对抗训练(我们的代码) 6.35 虚拟对抗训练 6.40 虚拟对抗训练 5.91 虚拟对抗训练(我们的代码) 5.82 跑 预训练 $ python -u pretrain.py -g 0 --layer
1
− 《SEMI EQUIPMENT COMMUNICATIONS STANDARD 1 MESSAGE TRANSFER》(E4) − 《SEMI EQUIPMENT COMMUNICATIONS STANDARD 2 MESSAGE CONTENT》(E5) − 《GENERIC MODEL FOR COMMUNICATIONS AND CONTROL OF MANUFACTURING EQUIPMENT》(E30) − 《HIGH-SPEED SECS MESSAGE SERVICES GENERAL SESSION》(E37) − 《Standard for Processing Management》( E40) − 《Equipment Performance Tracking》(E116) − 《Specification For Enhanced Carrier Handoff Parallel I/O Interface》(E84) − 《Specification For Carrier Management(CMS)》(E87) − 《Specification For Control Job Management》(E94) − Object Services Standard: Concepts, Behavior, and Service》(E39) − 应无人工厂的需求,买方公司部署AMHS自动上下货机器人,对应对于机台需要支持E84,E87的软硬件功能 − E4:串口点对点通信标准(底层) − E5:消息数据格式(设备状态,设备控制,物料,配方管理,异常处理等) − E30:基于E5 − E37:基于TCP/IP,代替E4 − E40:特定物料加工配方程序,定义行为标准 − E116:跟踪设备的状态与性能,提供诊断功能 − E84:物料运输的晶圆传送标准(通过AMHS),并行IO硬件通信接口 − E87:协调carrier进出设备管理标准(检验标识等) − E94:过程控制 − E39:定义数据结构,提供通用对象的读写服务
2021-05-14 11:47:09 95.08MB SEMI E04 E05
1
全中文 台灣工研院發表的文章 300mm是比較難完成的GEM 協定 給各位參考
2021-05-13 16:59:59 593KB SECS GEM 300mm SEMI
1
SEMI 雖早已制定設備安全基準並積極推廣,但因語言的隔閡, 不同廠商甚或同一廠商不同部門對SEMI S2 的認知都不盡相同,為 避免解讀的差異,SEMI Taiwan 安全衛生環保委員會於2007 年決議 推動SEMI 安全系列中文化的工作,期能提供華文區域高科技從業人 員一份完整的安全基準,降低人員傷害和財務損失。此外,SEMI 安 全基準亦有助於設備終端使者和製造商的溝通,有效消除或控制安全 衛生和環保潛在危害。
2021-05-12 16:35:19 4.3MB 半導體 人因工程
1
这是xiaojin zhu的学生Andrew Brian Goldberg于2010年写的一个report,指出了半监督学习的未来发展方向。
2021-05-09 11:07:44 3.23MB semi-supervised new directions SVM
1
甘伯特 论文代码GAN-BERT:具有健壮标签分类示例的生成式对抗性学习和一堆带标签的示例已在2020年ACL上发表-Danilo Croce (罗马大学Tor Vergata),朱塞佩·卡斯特鲁奇( Giuseppe Castellucci) (亚马逊)和Roberto Basili的短文(罗马大学的Tor Vergata)。该文件可以在找到。 GAN-BERT是BERT的扩展,它使用“生成对抗”设置来实现有效的半监督学习模式。它允许使用由有限数量的标记示例和未标记材料的较大子集组成的数据集训练BERT。 GAN-BERT可用于序列分类任务(也涉及对文本对)。 该代码在TREC数据集上运行GAN-BERT实验,以实现细粒度的“问题分类”任务。我们在此程序包中提供了代码和用于运行实验的数据,方法是使用2%的标记材料(109个示例)和5343个未标记的示例。测试集由500个带注释的示例组成
1