这是一篇ICLR2023top5%论文论文链接：https://openreview.net/pdf?id=vSVLM2j9eie代码：https://github.com/Thinklab-SJTU/Crossformer1.MultivariateTimeSeriesForecastingMTS，多变量时序数据预测。利用MTS的历史值可以预测其未来的趋势，例如心电图（ECG），脑电图（EEG）脑磁图(MEG)的诊断以及系统监测等等都是固有的多变量问题。该任务数据每个实例序列拥有多个维度，是一个d维向量和m个观测值(时间序列)的列表，如下所示数据（借鉴自综述论文：《Thegreatmulti
作者：禅与计算机程序设计艺术1.简介孤岛模型被证明是单词生成模型的理想基础。马尔可夫链蒙特卡洛（MCMC）方法，在统计物理和材料科学领域均产生了重大影响。同样，在自然语言处理领域，深度学习技术也扮演着至关重要的角色，包括基于RNN、CNN、LSTM等的预训练语言模型、神经机器翻译、条件随机场、长短时记忆网络等，这些模型都取得了显著的效果。而在医疗问答系统中，自然语言理解和机器阅读理解组件的实现也逐渐成为关键任务，如何将两种学习模型结合起来，并对医疗数据进行有效处理，是关键之处。Transformer-basedMulti-HeadSelf-AttentionNetworksforMedical
论文：https://arxiv.org/abs/2308.04352代码: GitHub-3d-vista/3D-VisTA:OfficialimplementationofICCV2023paper"3D-VisTA:Pre-trainedTransformerfor3DVisionandTextAlignment"摘要三维视觉语言基础(3D-vl)是一个新兴领域，旨在将三维物理世界与自然语言联系起来，这对实现具身智能至关重要。目前的3D-VL模型严重依赖于复杂的模块、辅助损耗和优化技巧，这需要一个简单而统一的模型。在本文中，我们提出了3D-vista，一个预训练的3D视觉和文本对齐转换器
导读：Transformer源自于AI自然语言处理任务；在计算机视觉领域，近年来Transformer逐渐替代CNN成为一个热门的研究方向。此外，Transformer在文本、语音、视频等多模态领域也在崭露头角。本文对Transformer从诞生到逐渐壮大为AI各领域主流模型的发展过程以及目前研究进展进行梳理，见证Transformer的过人之处。一、Transformer的诞生1、Transformers的前身：RNNEncoder-Decoder 早在2014年，seq2seq问题是通过两个循环神经网络组合成一个编码器-解码器模型来解决的。通过机器翻译任务中的一个简单示例来演示它的架构，
前几日研究scipy的旋转，不知道具体里面怎么实现的，因此搜索一番。发现Rotation在scipy的表达是用四元数的https://github.com/jgagneastro/coffeegrindsize/edit/master/App/dist/coffeegrindsize.app/Contents/Resources/lib/python3.7/scipy/spatial/transform/rotation.pyfrom__future__importdivision,print_function,absolute_importimportreimportwarningsimpo
为Jax、PyTorch和TensorFlow打造的先进的自然语言处理🤗Transformers提供了数以千计的预训练模型，支持100多种语言的文本分类、信息抽取、问答、摘要、翻译、文本生成。它的宗旨是让最先进的NLP技术人人易用。🤗Transformers提供了便于快速下载和使用的API，让你可以把预训练模型用在给定文本、在你的数据集上微调然后通过modelhub与社区共享。同时，每个定义的Python模块均完全独立，方便修改和快速研究实验。🤗Transformers支持三个最热门的深度学习库：Jax,PyTorch以及TensorFlow—并与之无缝整合。你可以直接使用一个框架训练你的模型
最近研读了一些技术大咖对chatgpt的技术研讨，结合自己的一些浅见，进行些许探讨。 我们惊讶的发现，chatgpt所使用的技术并没有惊天地泣鬼神的创新，它只是将过去的技术潜能结合现在的硬件最大化的发挥出来，也正因如此，旧有技术的可用性，让各大厂嗅到了快速发展的商机，纷纷跑步入场。 首先我们要了解chatgpt是一种自然语言处理模型，也可以理解为文本生成模型。在框架上chatgpt采用了transformer框架，这种框架又被称作变形金刚，因为相对于CNN只能处理空间信息，像图像处理，目标检测等。RNN只能处理时序信息，像语音处理，文本生成等，transformer对空间信
我们都知道Transformers相对于CNN的架构效率并不高，这导致在一些边缘设备进行推理时延迟会很高，所以这次介绍的论文EfficientFormer号称在准确率不降低的同时可以达到MobileNet的推理速度。Transformers能否在获得高性能的同时，跑得和MobileNet一样快?为了回答这个问题，作者首先回顾了基于vit的模型中使用的网络架构和运算，并说明了一些低效的设计。然后引入一个维度一致的纯Transformer(没有MobileNet块)作为设计范例。最后以延迟为目标进行优化设计，获得一系列称为EfficientFormer的最终模型。最后还设计了EfficientFo
背景：最近要搞理论学习了，先前搞了大半年的工程，又要捡起一些理论原理，现在还是从transformer熟悉理解一下，争取吃透。关于transformer的经典介绍和资料也一大堆，我就不展开来讲了，碰到了一些一时没太想明白的问题，就记一下，也当是重新理解一遍。transformer的输入要么是词向量或是块状处理了的图像，分别用于自然语言处理和计算机视觉领域。在自然语言处理中，原始的输入肯定是某种文字形式的语言，但是要送进机器处理要先进行编码，一般有word2vec等方式转化为词向量。词向量之间需要有一个相对位置关系，如果全部不分序输入那处理肯定不方便，不同词之间组合意思也会发生变化，于是就要给词
theme:qklhk-chocolate引言：你有没好奇过，在一个使用了transform变换的元素上使用window.getComputedStyle(htmlElement)['transform']查询出来的值代表什么？为什么硬件加速要使用transform，以及为什么硬件加速会快?小科普：关于矩阵的乘法 以两个二阶齐次矩阵相乘为例 [[[ a11,a12,*b11,b12,=a11*b11+a12*b21,a11*b12+a12*b22, a21,a22b21,b22a21*b11+a22*b21,a21*b12+a22*b22 ]]]由此，可以看到两个矩阵相乘就是拿第一个的每一行，
