分层预训练：研究资料库 这是一个用于复制“自我监督的预培训改善自我监督的预培训”项目结果的研究资料库。 您可以在这里找到arXiv的预拼版： ://arxiv.org/abs/2103.12718 @article{reed2021self, title={Self-supervised pretraining improves self-supervised pretraining.}, author={Reed, Colorado J and Yue, Xiangyu and Nrusimha, Ani and Ebrahimi, Sayna and Vijaykumar, Vivek and Mao, Richard and Li, Bo and Zhang, Shanghang and Guillory, Devin and Metzger, Sean and Keut

自我设计游戏

另一个“游览地点”地图 这是一个简单的本地Web应用程序，它可以可视化您在旅行中访问过的国家和地方（城市等）。 有无数这样的应用程序，这是此应用程序的特征： 独立HTML + JavaScript Webapp，无后端。 不依赖于Google Maps之类的第三方网络服务，这些服务一直在变化，并且会破坏应用程序。 甚至不从Internet提取任何文件，所有依赖项（ 和 ）都在本地镜像。 访问过的国家/城市信息存储在简单的类似JSON的文件中（您可以使用文本编辑器进行编辑）。 缺少的功能： 无缩放（该Web应用基于D3数据映射，它不支持交互式缩放作为内置功能；欢迎使用补丁以干净的方式添加缩放支持（请不要肿！）。 如何使用： 克隆git repo。 编辑countries.js和cities.js以下，他们已经有样本数据文件。 在浏览器中打开index.html 。 如

通过去除不相关和多余的特征，特征选择旨在找到具有良好泛化能力的原始特征的紧凑表示。 随着无标签数据的普及，无监督特征选择已显示出可有效减轻维数的诅咒，对于全面分析和理解无标签高维数据的无数至关重要，这是由于子空间聚类中低秩表示法的成功所致，我们提出了一种用于无监督特征选择的正则化自我表示（RSR）模型，其中每个特征都可以表示为其相关特征的线性组合。 通过使用L-2，L-1-范数来表征表示系数矩阵和表示残差矩阵，RSR有效地选择了代表性特征并确保了对异常值的鲁棒性。 如果某个特征很重要，则它将参与大多数其他特征的表示，从而导致出现大量的表示系数，反之亦然。 对合成数据和现实世界数据进行的实验分析表明，该方法可以有效地识别代表性特征，在聚类精度，冗余减少和分类精度方面优于许多最新的无监督特征选择方法。

用自组织记忆模块从网络数据中学习_CVPR2020年图像分类论文

listmonk是一个独立的，自托管的新闻通讯和邮件列表管理器。 它速度快，功能丰富，并且打包成一个二进制文件。 它使用PostgreSQL数据库作为其数据存储。 访问 安装 码头工人 最新映像可从DockerHub上的listmonk/listmonk:latest 。 使用示例通过docker 运行listmonk和Postgres DB，如下所示： 演示版 mkdir listmonk-demo sh -c " $( curl -sSL https://raw.githubusercontent.com/knadh/listmonk/master/install-demo.sh ) " 删除容器后，该演示不会保留Postgres。 请勿在生产中使用此演示设置。 生产 docker-compose up db以运行Postgres DB。 docker-compose run -

Jiang-2016-Self-assembled-single-walled-metal-.pdf

A Multi-sensory Autonomous Docking Approach for a Self-reconfigurable Robot without Mechanical Guidance

Distributed Composition Services for Self-adaptation Wireless Sensor Networks

A distributed middleware for self-configurable wireless sensor networks