精华内容
下载资源
问答
  • 对比例子
    万次阅读
    2021-01-14 04:05:53

    对比是修辞方法,就是把两种不同事物或者同一事物的两个不同方面放在一起相互比较的一种辞格。

    对比的句子你能举出两个这样的例子吗?这样写有什幺好

    鳕鱼一次产卵竟达千万粒,真正能变成幼鱼的卵可能还不到1%。

    列数字:准确,有科学根据 打比方:天上的星星像一颗颗宝石。

    作比较:春天的雨细腻柔媚,夏天的雨粗犷热烈。

    举例子:晕能预示天气。

    比如,在新疆地区,出现晕就代表将要下雨。

    (根据大的范围列举相应的例子 举列子 为了给混噩的世人敲响警钟,联合国在大力推行全球生物多样性保护行动的同时,特地将1997年"六 五"世界环境日的主题定为"为了地球的生命" 打比方 有修剪得像宝塔那样的松柏,没有阅兵式似的道旁树,因为依据中国画的审美观点,这是不足取的。

    作比较 大自然对人类的影响远比海洋对人类的影响深远. 列数字 不是巧合.作为地球上生命之源的水,97%也蕴藏在蔚蓝色的大海里.其余不组3%的淡水又有接近2/3冻结在南极洲和格陵兰的冰层中.

    有哪些是举例子 列数字 作比较 打比方的句子

    对比是修辞方法,就是把两种不同事物或者同一事物的两个不同方面放在一起相互比较的一种辞格。

    例如: 虚心使人进步,骄傲使人落后 有缺点的战士终竟是战士,完美的苍蝇也终竟不过是苍蝇青年是朝阳,老年是夕阳政之所兴,在顺民心;政之所废,在逆民心。

    《管子.牧民篇》亲贤臣,远小人,此先汉所以兴隆也;亲小人,远贤臣,此后汉所以倾颓也。

    《出师表》诸葛亮

    含有对比手法的句子

    更多相关内容
  • 例子展示了以下两种思路的效率对比: 1.在循环中使用实现了接口的实例方法执行某操作; 2.在循环中使用委托集合执行相同的操作。 此例被应用于IEPI.App.Expression的支持变量的表达式解析。
  • 时间对比易语言例子
  • 易语言文件快照对比源码.zip易语言项目例子源码下载易语言文件快照对比源码.zip易语言项目例子源码下载易语言文件快照对比源码.zip易语言项目例子源码下载 1.合个人学习技术做项目参考 2.适合学生做毕业设计参考 3....
  • 易语言图片对比找茬源码.zip易语言项目例子源码下载易语言图片对比找茬源码.zip易语言项目例子源码下载 1.合个人学习技术做项目参考 2.适合学生做毕业设计参考 3.适合小团队开发项目参考
  • 易语言简单对比图片源码.zip易语言项目例子源码下载易语言简单对比图片源码.zip易语言项目例子源码下载 1.合个人学习技术做项目参考 2.适合学生做毕业设计参考 3.适合小团队开发项目参考
  • 易语言图片差异对比源码.zip易语言项目例子源码下载易语言图片差异对比源码.zip易语言项目例子源码下载 1.合个人学习技术做项目参考 2.适合学生做毕业设计参考 3.适合小团队开发项目参考
  • Excel数据对比修复程序.zip易语言项目例子源码下载Excel数据对比修复程序.zip易语言项目例子源码下载 1.合个人学习技术做项目参考 2.适合学生做毕业设计参考 3.适合小团队开发项目参考
  • 易语言画板绘图与API绘图对比源码.zip易语言项目例子源码下载易语言画板绘图与API绘图对比源码.zip易语言项目例子源码下载 1.合个人学习技术做项目参考 2.适合学生做毕业设计参考 3.适合小团队开发项目参考
  • 英语音标总结含发音方式、常见例子、音标对比.doc
  • 易语言多线程数据库查询对比源码.zip易语言项目例子源码下载易语言多线程数据库查询对比源码.zip易语言项目例子源码下载 1.合个人学习技术做项目参考 2.适合学生做毕业设计参考 3.适合小团队开发项目参考
  • 英语音标总结,含发音方式、常见例子、音标对比.doc
  • 一个销售领域的DELPHI对比图表例子..rar``
  • 项目请参见:https://handsome-man.blog.csdn.net/article/details/116572729 通过使用IMAQ BCGLookup对图像进行亮度、对比度和高低灰度级压缩的例子理解图像灰度变换的应用方法。 项目可直接运行~
  • 1.java利用poi-3.9操作excel,一个对比双色球一等奖号码的例子。 2.其中一个excel是用来生成双色球历史中奖数据的。 3.会创建新的excel来存放双色球中奖号码。
  • java与smali对比,翻译例子,反编译
  • markdown完整的例子

    2019-08-02 11:27:46
    Markdown完整的示例,包括图片...流程图、科学公式、代码块、 表格、 emoji表情、序列图都有详细例子。 另外,个人推荐使用Typora作为Markdown的首选工具。 我是在对比了很多markdown工具后,才发现这个真香的工具的。
  • 《css效果代码对比学习》书中的例子文件,帮助大家更好的阅读这本书
  • 动态代理(AOP)简单例子/直接调用和动态调用的对比/匿名类/
  • 里面有 地月系(完整纹理版) 地月系(完整版) 所学几何体及其颜色搭配合集 三角形和四边形(旋转加颜色版) 三角形和四边形(无色版) 作为对比 各位兄弟 可以比较一下 学习一下
  • 通过相同模型的对比,说明子程序的正确性,对比方法(ABAQUS自带本构和编制本构的 )对比
  • 两个鲜活的例子——敏捷开发和瀑布模型对比

    万次阅读 多人点赞 2018-09-03 15:56:36
    敏捷开发和瀑布模型对比  瀑布、迭代、螺旋、敏捷——在这里讨论的敏捷,都属于过程模型  ...

                                   敏捷开发和瀑布模型对比


                   瀑布、迭代、螺旋、敏捷——在这里讨论的敏捷,都属于过程模型

     

    展开全文
  • 对比学习(一)简介

    千次阅读 2021-10-09 19:55:50
    文章目录前言一、对比学习简介1.1 基本思想1.2 对齐性(alignment)和均匀性(uniformity)1.3 正负样例2.4 对比损失2.4.1 原始对比损失2.3.2 三元组损失(triplet loss)2.3.3 InfoNCE损失 前言 提示:这里可以添加...

    提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档


    前言

    提示:这里可以添加本文要记录的大概内容:
    例如:随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,本文就介绍了机器学习的基础内容。


    提示:以下是本篇文章正文内容,下面案例可供参考

    一、对比学习简介

    自监督学习
    自监督学习属于无监督学习范式的一种,特点是不需要人工标注的类别标签信息,直接利用数据本身作为监督信息,来学习样本数据的特征表达,并用于下游任务。

    自监督学习的优势

    1数据本身提供的信息远比稀疏的标签更加丰富,因此使用有监督学习方法训练模型需要大量的标签数据,并且得到的模型有时候是“脆弱”的
    2有监督学习通过标签训练得到的模型往往只能学到一些任务特定的知识,而不能学习到一种通用的知识,因此有监督学习学到的特征表示难以迁移到其他任务

    而自监督学习能够很好地避免上面的问题,因为自监督学习直接使用数据本身来提供监督信息来指导学习。

    当前自监督学习可以被大致分为两类
    1.Generative Methods(生成式方法)
    2.Contrastive Methods(对比式方法)

    Generative Methods(生成式方法)这类方法以自编码器为代表,主要关注pixel label的loss。举例来说,在自编码器中对数据样本编码成特征再解码重构,这里认为重构的效果比较好则说明模型学到了比较好的特征表达,而重构的效果通过pixel label的loss来衡量。

    Contrastive Methods(对比式方法)这类方法则是通过将数据分别与正例样本和负例样本在特征空间进行对比,来学习样本的特征表示。Contrastive Methods主要的难点在于如何构造正负样本。

    1.1 基本思想

    对比学习是一种基于对比思想的判别式表示学习框架(或方法),主要用来做无监督(自监督)的表示学习(对比学习也可以用于有监督学习,但这不是对比学习的优势所在,故本文不再赘述)。
    他不限于某一个或一类模型,而是一种利用无标签数据进行表示学习的思想。

    对比学习采用的具体思想
    即将样例与与它语义相似的例子(正样例)和与它语义不相似的例子(负样例)进行对比,希望通过设计模型结构和对比损失,使语义相近的例子对应的表示在表示空间更接近,语义不相近的例子对应的表示距离更远,以达到类似聚类的效果

    我们举例如下
    对比学习期望通过使同一类狗不同角度照片的表示相近,而不同种类动物对应的表示距离相远,使得学到的表示可以忽略掉角度(或光影等)变换带来的细节变动,进而学习到更高维度、更本质的特征(语义)信息。
    在这里插入图片描述

    补充
    相比起Generative Methods需要对像素细节进行重构来学习到样本特征,Contrastive Methods只需要在特征空间上学习到区分性。因此Contrastive Methods不会过分关注像素细节,而能够关注抽象的语义信息,并且相比于像素级别的重构,优化也变得更加简单。

    对比学习的一些特征

    1. 在 feature space 上构建距离度量;2. 通过特征不变性,可以得到多种预测结果;3. 使用 Siamese Network;4. 不需要 pixel-level 重建。

    1.2 对齐性(alignment)和均匀性(uniformity)

    由于对比学习的表示一般都会正则化,因而会集中在一个超球面上。对齐性和均匀性指的是好的表示空间应该满足两个条件:一个是相近样例的表示尽量接近,即对齐性;而不相近样例的表示应该均匀的分布在超球面上,即均匀性。满足这样条件的表示空间是线性可分的,即一个线性分类器就足以用来分类
    在这里插入图片描述由此,我们可以轻易地发现对比学习有三个重要的组成部分:正负样例、对比损失以及模型结构。

    1.3 正负样例

    如上所述,正样例指的是与给定样例语义相近的样例,而负样例指的是与给定样例语义不相近的样例。对于有监督的数据,正负样例很容易构造,同一标签下的例子互为正样例,不同标签下的例子互为负样例,但对于无标签的数据,我们如何得到正负样例呢?

    目前的主流做法是对所有样例增加扰动,产生一些新的样例,同一个样例扰动产生的所有样例之间互为正样例,不同样例扰动产生的样例彼此之间互为负样例。现在的问题就变成了如何可以在保留原样例语义不变的情况下增加扰动,构造新样例。

    图像领域中的扰动大致可分为两类:空间/几何扰动和外观/色彩扰动。空间/几何扰动的方式包括但不限于图片翻转(flip)、图片旋转(rotation)、图片挖剪(cutout)、图片剪切并放大(crop and resize)。外观扰动包括但不限于色彩失真、加高斯噪声等

    在这里插入图片描述
    自然语言领域的扰动也大致可分为两类:词级别(token-level)和表示级别(embedding-level)。词级别的扰动大致有句子剪裁(crop)、删除词/词块(span)、换序、同义词替换等。表示级别的扰动包括加高斯噪声、dropout等。
    在这里插入图片描述
    不同于图像领域,对自然语言的扰动很容易改变语义,这就会引入错误正例(False Positive)从而对模型训练产生不好的影响。同时,错误负例(False Negative)也是一个不容忽视的问题,错误负例会对对比学习产生负面影响。(引文 Ching-Yao Chuang, Joshua Robinson, Yen-Chen Lin, Antonio Torralba, and Stefanie Jegelka. Debiased contrastive learning. In Hugo Larochelle, Marc’Aurelio Ranzato, Raia Hadsell, Maria-Florina Balcan, and Hsuan-Tien Lin, editors, Advances in Neural Information Processing Systems 33: Annual Conference on Neural Information Processing Systems 2020, NeurIPS 2020.)

    错误负例的例子

    2.4 对比损失

    2.4.1 原始对比损失

    在这里插入图片描述其中,D为距离度量函数,Lp为一递增函数,Ln为一递减函数。当互为正例时,距离越远损失越高;互为负例时,距离越近损失越高。

    补充 几种不同的Lp和Ln函数

    1. 在这里插入图片描述在这里插入图片描述2.在这里插入图片描述在这里插入图片描述

    2.3.2 三元组损失(triplet loss)

    在这里插入图片描述
    其中D为欧几里得距离,m是用来控制正例负例距离间的偏离量,使模型不需要考虑优化过于简单的负例。

    该方法在FaceNet中被提出,主要希望通过对比使得锚点与正例的距离更近,与负例更远。

    但在实际操作中,我们可能会得到负样例个数远远多于正样例,由此我们引出了对比学习中主流的InfoNCE损失。

    FaceNet
    Florian Schroff, Dmitry Kalenichenko, and James Philbin. Facenet: A unified embedding for face recognition and clustering. In IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2015, IEEE Computer Society, 2015.

    2.3.3 InfoNCE损失

    NCE全称是噪声对比估计(Noise Contrastive Estimation),通过引入一个噪声分布,解决多分类问题softmax分母归一化中分母难以求值的问题。具体做法是把多分类问题通过引入一个噪音分布变成一个二元分类问题,将原来构造的多分类分类器(条件概率)转化为一个二元分类器,用于判别给定样例是来源于原始分布还是噪声分布,进而更新原来多元分类器的参数。(?)

    如果把噪音分布的样本想成负样例,那这个二元分类问题就可以理解为让模型对比正负样例作出区分进而学习到正样例(原始分布)的分布特征

    而InfoNCE, 又称global NCE,继承了NCE的基本思想,从一个新的分布引入负样例,构造了一个新的多元分类问题,并且证明了减小这个损失函数相当于增大互信息(mutual information)的下界。
    在这里插入图片描述其中u、v+、v-分别为原样例、正样例、负样例归一化后的表示,为温度超参。
    温度超参是softmax中常见的超参,t越小,softmax越接近真实的max函数,t越大越接近一个均匀分布。因此,当t很小时,只有难区分的负样例才会对损失函数产生影响,同时,对错分的样例(即与原样例距离比正样例与原样例距离近)有更大的惩罚。实验结果表明,对比学习对t很敏感。

    展开全文
  • BP神经网络大作业,例子,如何写几个神经元,几个隐含层,与PID对比
  • 这只是一个就简单的Ajax实时与后台数据查询对比的注册模块,尚未完善,但是体现在能够前台数据与数据库实时对比
  • 指纹图片识别控件含VB源代码例子,可产生指纹特征码,对比指识图片
  • 图像对比

    千次阅读 2020-04-29 18:21:13
    一 图像对比度理论知识 1 定义 对比度:通俗地讲就是亮暗的拉伸对比程度,通常表现了图像画质的清晰程度。对比度的计算公式如下: 2 计算案例 解释: 每个小括号的数据是怎么来的?按四近邻计算,比如第一个小...

    一 图像对比度理论知识
    1 定义
    对比度:通俗地讲就是亮暗的拉伸对比程度,通常表现了图像画质的清晰程度。对比度的计算公式如下:

    å¨è¿éæå¥å¾çæè¿°
    2 计算案例

    å¨è¿éæå¥å¾çæè¿°

    解释:

    每个小括号的数据是怎么来的?按四近邻计算,比如第一个小括号:以第一行第一列为中心,上下左右分别与这个中心值相减再平方,然后加在一起,即:(2-1)2+(3-1)2;第二个小括号即:(1-3)2+(9-3)2+(1-3)2
    最后的48是怎么来的:其实就是总的平方次个数
    二 代码实现
    '''上面案例和下面代码都是使用四近邻方式计算'''
    from cv2 import cv2
    import numpy as np
    def contrast(img0):   
        img1 = cv2.cvtColor(img0, cv2.COLOR_BGR2GRAY) #彩色转为灰度图片
        m, n = img1.shape
        #图片矩阵向外扩展一个像素
        img1_ext = cv2.copyMakeBorder(img1,1,1,1,1,cv2.BORDER_REPLICATE) 
        rows_ext,cols_ext = img1_ext.shape
        b = 0.0
        for i in range(1,rows_ext-1):
            for j in range(1,cols_ext-1):
                b += ((img1_ext[i,j]-img1_ext[i,j+1])**2 + (img1_ext[i,j]-img1_ext[i,j-1])**2 + 
                        (img1_ext[i,j]-img1_ext[i+1,j])**2 + (img1_ext[i,j]-img1_ext[i-1,j])**2)

        cg = b/(4*(m-2)*(n-2)+3*(2*(m-2)+2*(n-2))+2*4) #对应上面48的计算公式
        print(cg)
       
    img0 = cv2.imread('1301022016GF2DOM_2535_5118_0_copy1.jpg')
    contrast(img0)
    img1 = cv2.imread('1301022016GF2DOM_2535_5118_0_copy2.jpg')
    contrast(img1)
    img2 = cv2.imread('1301022016GF2DOM_2535_5118_0_copy3.jpg')
    contrast(img2)
    img3 = cv2.imread('1301022016GF2DOM_2535_5118_0_copy4.jpg')
    contrast(img3)

    结果如下:
    20906.021314691152
    26861.281793266557
    27822.16401641625
    28115.63633277685
    结论:图片越清晰,对比度越大

    使用如下图片(因为下面图片大小被压缩,所以计算结果可能不一致,但大小顺序一致)
    ==

    å¨è¿éæå¥å¾çæè¿°

    å¨è¿éæå¥å¾çæè¿°

    å¨è¿éæå¥å¾çæè¿°

    å¨è¿éæå¥å¾çæè¿°

    展开全文
  • Java 文本内容差异对比实现介绍

    千次阅读 2021-12-02 17:09:03
    举一个最常见的例子,我们使用git进行提交时,通常会使用git diff --cached来查看这次提交做了哪些改动,这里我们先简单定义一下什么是diff:diff就是目标文本和源文本之间的区别,也就是将源文本变成目标文本所需要...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 381,607
精华内容 152,642
关键字:

对比例子