Advertisement

robust-models-transfer: 我们在NeurIPS 2020 *oral* 上的官方存储库 - 对抗性强健的图像...

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:None


简介:
Robust-Models-Transfer是我们在NeurIPS 2020会议上发表的*oral*论文的官方代码和资源库,专注于开发对抗环境下鲁棒性更强的图像模型迁移技术。 使用对抗性强健的ImageNet模型进行转移学习的研究表明了这些模型在迁移任务中的优越性。该研究提供了复制其结果所需的代码和模型资源。论文探讨了一个核心问题:对抗性强健性的ImageNet模型是否具有更好的迁移能力?作者包括Hadi Salman、Andrew Ilyas、Logan Engstrom、Ashish Kapoor以及Aleksander Madry。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • robust-models-transfer: NeurIPS 2020 *oral* - ...
    优质
    Robust-Models-Transfer是我们在NeurIPS 2020会议上发表的*oral*论文的官方代码和资源库,专注于开发对抗环境下鲁棒性更强的图像模型迁移技术。 使用对抗性强健的ImageNet模型进行转移学习的研究表明了这些模型在迁移任务中的优越性。该研究提供了复制其结果所需的代码和模型资源。论文探讨了一个核心问题:对抗性强健性的ImageNet模型是否具有更好的迁移能力?作者包括Hadi Salman、Andrew Ilyas、Logan Engstrom、Ashish Kapoor以及Aleksander Madry。
  • TransUNet:基于Transformer医学分割法(出自论文)
    优质
    TransUNet是利用Transformer架构进行医学图像分割的有效方法,该技术方案详述于我们的研究论文中。本存储库收录了相关代码和资源。 传输网此存储库包含代码用法: 1. 下载Google预先训练的ViT模型:R50-ViT-B_16、ViT-B_16、ViT-L_16等。 - 使用命令 `wget https://storage.googleapis.com/vit_models/imagenet21k/{MODEL_NAME}.npz` - 创建目录 `mkdir ../model/vit_checkpoint/imagenet21k` 并将下载的模型移动到该目录中:`mv {MODEL_NAME}.npz ../model/vit_checkpoint/imagenet21k/{MODEL_NAME}.npz` 2. 准备数据,请访问相关文档获取详细信息,或通过电子邮件请求预处理的数据。请勿重新分发预处理后的数据。 3. 环境准备:创建一个Python版本为3.7的环境,并按照说明进行操作。
  • Once-for-All Adversarial Training: [NeurIPS 2020] “一次训练”
    优质
    Once-for-All Adversarial Training是发表于NeurIPS 2020的一篇文章,提出了一种高效的模型训练方法,通过一次性训练得到具有高泛化能力的模型,适用于多种攻击场景。 王皓涛、陈天龙等人在2020年NeurIPS会议上提出了一种新颖的“一劳永逸”的对抗训练(OAT)框架,旨在解决一个重要的新目标:即在测试阶段,在模型鲁棒性和准确性之间进行即时且无额外成本的权衡。他们证明了当尝试将标准特征和对抗性特征统计分开整合到同一模型中时的重要性。此外,研究者们还扩展了OAT方法至OATS框架,实现了对鲁棒性、准确性和计算预算之间的联合即时调整。 实验结果显示,在与传统专门训练出的鲁棒型模型相比的情况下,采用OAT或OATS的方法能够达到相似甚至更好的性能表现,并且仅需使用一个模型进行训练而无需重新培训。换句话说,这种方法在不增加额外成本的前提下提供了灵活性和优化性能的可能性。
  • Notepad++:
    优质
    Notepad++官方存储库是Notepad++编辑器的资源中心,提供软件更新、插件扩展及文档支持,助力用户优化编程和文本处理体验。 记事本++是一款免费的源代码编辑器,并作为Notepad的替代品使用。它支持多种编程语言及自然语言,在MS Windows环境中运行。自7.6.5版起,其发行版本通过GPG签名,具体密钥信息如下: - 签名者: Notepad++ - 电子邮件: - 密钥ID:0x8D84F46E - 密钥指纹:14BC E436 2749 B2B5 1F8C 7122 6C42 9F1D 8D84 F46E - 密钥类型:RSA 4096/4096 创建日期未在原文中提及。
  • LibGDX: LibGDX
    优质
    这是一个关于LibGDX的游戏开发资源存储库,包含使用LibGDX框架创建2D和3D游戏时所需的各种工具、示例代码及教程。 LibGDX 是一个开源的游戏开发框架,主要为Java开发者设计,并且支持Kotlin、Scala等多种语言。这个框架提供了一整套工具和技术,帮助开发者创建高性能的2D和3D游戏,适用于桌面、Android、iOS以及HTML5等多个平台。 LibGDX的核心特性包括: 1. **图形渲染**:LibGDX 提供了基于OpenGL的图形渲染API,如SpriteBatch和ShapeRenderer用于绘制2D图像与几何形状。对于3D场景,它支持ModelBatch和Scene2D,能够创建复杂的3D模型以及管理2D游戏场景。 2. **输入处理**:框架提供了跨平台的输入管理系统,包括键盘、鼠标、触摸屏及游戏手柄等设备的支持,简化了用户交互的操作流程。 3. **音频管理**:LibGDX内置了音效播放功能,支持MP3、Ogg和WAV格式文件的加载与播放,便于开发者实现背景音乐和各种声音效果的设计。 4. **文件IO操作**:提供了读写本地存储及网络资源的功能接口,方便游戏的数据保存与加载需求。 5. **资产管理**:通过AssetManager工具可以异步地加载并管理纹理、音频及其他资源,避免了主线程的阻塞问题。 6. **舞台和演员系统**:Scene2D是用于构建复杂UI布局以及实现高级游戏逻辑的强大组件库,包含Stage(场景)、Actor(角色)等模块,并支持各种布局方式如Table, Group 和 Stack。 7. **物理引擎集成**:通过Box2D后端的支持,LibGDX可以提供精确的碰撞检测与物体运动模拟功能,增强游戏的真实感体验。 8. **网络通信能力**:WebSocket和HTTP客户端接口使得实现多人在线互动及服务器数据交换变得简单易行。 9. **扩展性设计**:框架允许开发者通过添加自定义模块来拓展其功能性,例如集成GdxAI进行人工智能处理或使用TiledMapParser解析地图文件等。 在LibGDX:我的 LibGDX 仓库中,“LibGDX-master”可能包含了一个项目的源码结构示例。这可以帮助学习者了解如何组织一个基于LibGDX的项目,并理解其内部类的作用及实现游戏逻辑和界面设计的方法。通过深入研究这些代码,开发者可以提升自己的游戏开发技能并积累更多实际经验。 综上所述,LibGDX是一个功能全面且强大的Java游戏开发框架,它简化了多平台下的游戏开发流程,并提供了丰富的特性与良好的社区支持。对于学习者而言,“我的 LibGDX 仓库”是探索和实践使用LibGDX的一个优秀资源库,有助于开发者掌握该框架的精髓并提高自身的技能水平。
  • Wintun: 仅限镜地址为 https
    优质
    Wintun是一款用于网络隧道传输的数据包处理软件,其开源版本可通过官方提供的镜像进行下载和安装,以支持更多高级功能。 注意:您的描述中提到的“https”链接我未具体化,请您自行替换为具体的网址。 适用于Windows的TUN设备驱动程序是为Windows 7、8、8.1和10设计的第3层TUN驱动程序。最初开发目的是为了满足需要在用户空间中实现第三层隧道的各种项目的需求。 安装Wintun涉及部署特定于平台的wintun.dll文件,通常将其与应用程序一同放置在同一目录下,并从下载处获取该dll及其配套头文件。 使用时,只需将wintun.dll复制到项目的指定位置并包含相应的头文件即可。通过动态加载此库中的函数来实现功能调用。利用提供的typedef和函数原型可以轻松完成这些操作。 为了启动隧道会话,首先需要创建一个适配器,并给它命名(如“OfficeNet”),每个适配器属于某个池子(例如,“WireGuard”)。这样,在使用时,应用程序就可以通过指定的名称来引用相应的适配器并建立连接。
  • Squashtm-doc: Squash TM文档
    优质
    Squashtm-doc是Squash TM文档的官方存储库,提供全面且权威的资料和指南,帮助用户深入了解并有效使用Squash TM。 这是Squash TM文档的官方存储库。 降价完成 使用生成对本段落档的贡献: 克隆此存储库后,您可以直接遵循Markdown语法编写内容。如果您想生成预览网站,请继续阅读以下步骤。 必备安装: 如何安装MkDocs来撰写本段落档。 对于Windows用户,我们推荐您使用管理软件进行安装。如果没有该软件,则可以手动安装必需的程序。在Linux系统中,命令基于Debian发行版。 首先需要安装Git和Python 3.7+版本: 1. 对于Windows(使用管理外壳): ``` choco install git python ``` 2. 对于Linux: ``` sudo apt install git python3 python3-pip python3-venv ``` 检索文件步骤如下: ``` git clone https://github.com/squash-test/squashtm-doc.git ```
  • TimeGAN:用于时间序列生成网络(TimeGAN)代码 - NeurIPS 2019
    优质
    TimeGAN是NeurIPS 2019提出的用于生成高质量时间序列数据的生成对抗网络模型,本仓库提供了该模型的实现代码。 时间序列生成对抗网络(TimeGAN)的代码库作者是尹成ung、丹尼尔·贾瑞特以及米哈埃拉·范德沙尔。相关论文发表于神经信息处理系统会议(NeurIPS),2019年。 该目录包含了使用一个合成数据集和两个真实数据集生成合成时间序列数据的TimeGAN框架的实现。具体的数据包括:正弦波数据、模拟股票市场数据以及能源行业相关的实际应用案例。 为了运行有关于TimeGAN框架培训及评估的相关流程,可以通过执行python3 -m main_timegan.py命令或者查看文件tutorial_timegan.ipynb中的jupyter-notebook教程来完成操作过程。此外,请注意任何模型架构都可以用于生成器和鉴别器的设计中,比如RNN或Transformers等。
  • PortAudio:PortAudio
    优质
    PortAudio 是一个跨平台的音频开发库,用于简化音频编程。此存储库为其官方镜像,便于开发者访问和使用其资源进行音频应用开发。 PortAudio 是一个跨平台的音频 I/O 库,它为开发者提供了一种简单的方法来处理音频输入和输出。这个库最初由 Ross Bencina 和 Andrew Robinson 创建,旨在为各种操作系统提供一致的 API(应用程序编程接口),包括 Windows、Mac OS X、Linux、Android 以及许多其他系统。PortAudio 的设计目标是易于使用,轻量级,并且支持实时音频流处理。 标题 这是 PortAudio 存储库的镜像 表明这个压缩包可能包含了 PortAudio 源代码仓库的一个副本或镜像。这意味着用户可以下载并访问 PortAudio 的最新版本或者查看其历史版本和开发过程。通常,这样的存储库镜像会包含所有源代码文件、编译脚本、配置文件、文档和其他相关资源。 描述中的 端口音频 这是 PortAudio 存储库的镜像 简单地重申了标题的信息,并进一步确认压缩包内容与 PortAudio 项目相关,且属于其源代码仓库的一部分。这表明用户可以获取最新的开发版本或历史记录以供参考和使用。 在标签 C 中提到,PortAudio 主要使用 C 语言编写。C 是一种广泛应用的底层编程语言,适合高效性能要求高的软件开发领域,如音频处理库。因此 PortAudio 的实现具有良好的移植性,在各种平台和系统上运行无障碍。 文件名 PortAudio-master 中的 master 表示 Git 版本控制系统中的主分支,通常代表项目的最新稳定版本。这意味着压缩包内包含了项目的主分支源代码,开发者可以以此为基础进行构建、测试或自定义修改。 关于 PortAudio 的详细知识点包括: 1. **API 设计**:PortAudio 提供了一个简单的回调函数接口,允许开发者注册处理音频输入和输出的回调函数。 2. **平台兼容性**:通过抽象化底层 API 来实现跨平台兼容性。这意味着开发者可以在不关注具体操作系统的情况下编写音频代码。 3. **流处理**:支持双向音频流,既可以录音也可以播放,并且可以设置格式(如采样率、位深度和通道数)以及缓冲大小来满足不同应用的需求。 4. **错误处理机制**:包括完整的错误代码和消息系统,帮助开发者调试问题。 5. **最小延迟设计**:优化了从数字信号到实际声音输出的流程,对于实时交互应用来说非常重要。 6. **示例代码资源丰富**:提供了多种初始化音频流、开始和停止流以及处理数据的基本操作示例。 7. **社区支持活跃**:用户可以通过邮件列表或在线文档获取帮助和支持,并分享经验。 此外,PortAudio 的设计还允许添加新的后端驱动以支持更多平台或特定硬件设备。同时,它使用双许可制(LGPL 和 MIT),使得此库可以在开源和商业项目中自由使用。 总之,PortAudio 是一个强大的音频 I/O 工具,为开发者提供了在多种平台上进行音频处理的便利,并且通过源代码可以深入了解其底层工作原理以及进一步定制扩展。
  • MatrixMath:ArduinoMatrixMathGitHub - http
    优质
    MatrixMath是专为Arduino设计的一个轻量级矩阵数学库,支持各种矩阵运算,帮助开发者在资源有限的微控制器上进行高效的线性代数计算。 Arduino Playground 上有一个优秀的 Arduino 库用于矩阵数学运算,但该库不是以标准库的形式提供的,需要额外的工作来安装和使用。我们将其整理成一个易于使用的状态,并在 GitHub 上发布供任何人使用。 原作者没有明确指定许可证类型,但我猜测他可能暗示了 GPL2 许可证。如果有人愿意为我的工作提供啤酒作为感谢的话,我也会很高兴。因此你也可以考虑采用 BeerWare 协议。不过需要注意的是,我对原作者的意图并不确定,请自行判断并使用相应协议以避免任何法律纠纷。