如何高效学习（斯科特·杨所著）精华高清PDF,可以让你拥有更好的自己，获取知识，理解信息，拓展，纠错，应用，学习目标，技巧
2022-01-14 10:54:31
693KB
1
Gin Web
由gin + gorm + jwt + casbin组合实现的RBAC权限管理脚手架Golang版, 搭建完成即可快速、高效投入业务开发
特性
RESTful API 设计规范
Gin 一款高效的golang web框架
MySQL 数据库存储
Jwt 用户认证, 登入登出一键搞定
Casbin 基于角色的访问控制模型(RBAC)
Gorm 数据库ORM管理框架, 可自行扩展多种数据库类型(主分支已支持gorm 2.0)
Validator 请求参数校验, 版本V9
Lumberjack 日志切割工具, 高效分离大日志文件, 按日期保存文件
Viper 配置管理工具, 支持多种配置文件类型
Packr 文件打包工具, 轻松将静态文件打包到编译后的二进制应用中
GoFunk 常用工具包, 某些方法无需重复造轮子
Workflow 工作流程管理(由于golang工作流相关轮子很
2022-01-11 17:03:00
2.18MB
1
三重态SemiHardLoss
PyTorch半硬。基于可在找到的tensorflow插件版本。无需使用此实现来创建暹罗体系结构，就像创建main_train_triplet.py cnn创建过程一样简单！
对于具有N_CLASSES >> N_SAMPLES_PER_CLASS的分类问题，三元组损失是一个不错的选择。例如，人脸识别问题。
在分类层之前，我们需要切断具有三重态损失的CNN架构。另外，必须添加L2归一化层。
MNIST上的结果
我在MNIST数据集上测试了三重态损失。我们无法直接与TF插件进行比较，因为我没有进行实验，但是从性能的角度来看这可能很有趣。如果您想比较结果，这是训练日志。准确性无关紧要，因为我们不训练分类模型，所以准确性不应该存在。
阶段1
首先，我们训练最后一层和批次归一化层，使验证损失接近0.079。
阶段2
最后，解冻所有层，经过足够的训练和超参数调整
2022-01-11 16:56:13
138KB
1