半监督学习很好的入门文献，简单易懂，该文是半监督学习领域的代表之作。

Supervised Hashing with Kernels CVPR2012 作者的源代码

在Pytorch中进行对比学习变得简单 似乎我们可以进行图像的自我监督学习。 这是一种使用Pytorch包装器的简单方法，可以在任何视觉神经网络上进行对比式自我监督学习。 目前，它包含足够的设置供一个人在SimCLR或CURL中使用的任何一种方案上进行训练。 您可以包装接受可视输入的任何神经网络，无论是Resnet，策略网络还是GAN的鉴别器。 其余的都照顾好了。 问题 事实证明，CURL的结果。 建议您使用SimCLR设置，直到另行通知。 安装 $ pip install contrastive-learner 用法 SimCLR（具有标准化温度标度的交叉熵损失的投影头） import torch from contrastive_learner import ContrastiveLearner from torchvision import models resnet = m

semi-supervised-learning半监督学习详细介绍PPT——共61页

semi-supervised-learning 深度学习半监督相关算法，主要是文献《Mean teachers are better role models》算法，经测试在一般分类问题上精度都会有几个点的提升。 1.数据存放到data目录，每个类别图片存放到一个文件里面，然后用makelist生成列表文件：path label，把无标签的数据标签设置为：-1 2.运行mean_teacher.py

半监督序列学习 此回购记录了重现论文给出的结果的实验​​。 简而言之，我们在未标记的文本数据上对序列自动编码器或语言模型进行预训练，然后使用标记的文本数据对使用预训练权重初始化的基于RNN的序列分类器进行微调，与随机初始化的权重相比，分类精度更高。 资料准备 IMDB数据集 我们为此实验使用。 下载并解压缩，导航至目录aclImdb/train ，该目录aclImdb/train中包含带aclImdb/train/pos的正（ aclImdb/train/pos ）和带标签的负性（ aclImdb/train/neg ）以及未标签的评论（ aclImdb/train/unsup ）。 然后cd进入每个子目录并运行 for f in *.txt; do (cat "${f}"; echo) >> pos.txt; done for f in *.txt; do (cat "${f}"; ec

期权定价模型与其捕捉标的现货价格过程动态的能力有关。 它的错误指定将导致定价和对冲错误。 参数定价公式取决于标的资产动态的特定形式。 出于易处理性的原因，做出了一些与市场回报的多重分形性质不一致的假设。 另一方面，神经网络等非参数模型使用市场数据来估计驱动现货价格的隐式随机过程及其与或有债权的关系。 在为多维或有债权，甚至是具有复杂模型的普通期权定价时，必须依赖于偏微分方程等数值方法、傅里叶方法等数值积分方法或蒙特卡罗模拟。 此外，在根据市场价格校准金融模型时，必须生成大量模型价格以拟合模型参数。 因此，人们需要快速且准确的高效计算方法。 具有多个隐藏层的神经网络是具有表示任何平滑多维函数能力的通用插值器。 因此，监督学习关注的是解决函数估计问题。 网络被分解为两个独立的阶段，一个是离线优化模型的训练阶段，另一个是模型在线逼近解决方案的测试阶段。 因此，这些方法可以以快速而稳健的方式用于金融领域，用于为奇异期权定价以及根据内插/外推波动率表面来校准期权价格。 鉴于执行某些信用风险分析，它们还可用于风险管理以在投资组合级别拟合期权价格。 我们回顾了一些使用神经网络为市场和模型价格定价的现有方法，提出了校准，并介绍了奇异的期权定价。 我们讨论这些方法的可行性，突出问题，并提出替代解决方案。

Semi-Supervised-Learning-Using-Gaussian-Fields-and-Harmonic-Functions_notes

Toward Joint Thing-and-Stuff Mining for Weakly Supervised Panoptic Segmentation

The Lottery Tickets Hypothesis for Supervised and Self-Supervised Pre-Training in Computer Vision Models