- 综合排序
- 最热优先
- 最新优先
- 来自专栏SnailTyan
CRNN论文翻译——中英文对照
声明：作者翻译论文仅为学习，如有侵权请联系作者删除博文，谢谢！ Long-Short Term Memory [18, 11] (LSTM) is a type of RNN unit that is specially designed to address this 长短时记忆[18,11]（LSTM）是一种专门设计用于解决这个问题的RNN单元。LSTM（图3所示）由一个存储单元和三个多重门组成，即输入，输出和遗忘门。 In BigLearn, NIPS Workshop, 2011. 6 [11] F. A. Gers, N. N. Schraudolph, and J. Schmidhuber. Proceed- ings of the IEEE, 86(11):2278–2324, 1998. 1 [27] S. M. Lucas, A. Panaretos, L. Sosa, A.
2.5K00发布于 2017-12-28 - 来自专栏怪兽怪秀
机械图纸常用术语英语对照翻译
对照翻译 ###英文图纸标题栏的一些资料 英文工程图纸的右下边是标题栏（相当于我们的标题栏和部分技术要求），其中有图纸名称（TILE）设计者（DRAWN）审查者（CHECKED）材料（MATERIAL 1° 角度公差±1° 4)DIMS TOLERANCE±0.1 未注尺寸公差±0.1 5)SURFACE FINISH 3.2 UNLESS STATED 未注粗糙度3.2 ###机械图纸常用术语英语对照翻译 参考值 2.5" BSP 2.5” 圆锥管螺纹 2.5" BSPT HEXAGON 2.5” 六角圆锥管螺纹(即对丝) 30x2.5 FLAT BAR 30X2.5 扁钢 TYP 2 POSNS 2处 11 TOTAL COILS APROX.9 WORKING COILS APROX.RIGHT HAND WOUND ONLY,END COILS SQUARE TO TOUCH 总圈数约11圈；工作圈数约
5.2K20编辑于 2022-09-20 - 来自专栏SnailTyan
Batch Normalization论文翻译——中英文对照
考虑一个激活函数为g(x)=11+exp(−x)g(x) = \frac{1}{1+\exp(-x)}的层，uu是层输入，权重矩阵WW和偏置向量bb是要学习的层参数，g(x)=11+exp(−x)g(x The distributions of values of any x̂ \hat x has the expected value of 00 and the variance of 11, as 只要每个小批量的元素从相同的分布中进行采样，如果我们忽略ϵ\epsilon，那么任何x̂ \hat x值的分布都具有期望为00，方差为11。 BN-x5-Sigmoid：类似于BN-x5，但使用sigmoud非线性g(t)=11+exp(−x)g(t)=\frac{1}{1+\exp(-x)}来代替ReLU。 Proceedings of the IEEE, 86(11):2278–2324, November 1998a.
1.4K10发布于 2017-12-28 - 来自专栏SnailTyan
Deformable Convolutional Networks论文翻译——中英文对照
我们的方法与空间变换网络[26]和可变形部件模型[11]具有类似的高层精神。它们都有内部的转换参数，纯粹从数据中学习这些参数。 可变形部件模型（DPM）[11]。可变形RoI池化与DPM类似，因为两种方法都可以学习目标部件的空间变形，以最大化分类得分。由于不考虑部件之间的空间关系，所以可变形RoI池化更简单。 11\%, 13%13\%, and 12%12\% relatively higher than their plain-ConvNets counterparts respectively. 11\%，13%13\%和12%12\%。 IJCV, 2010. 7 [11] P. F. Felzenszwalb, R. B. Girshick, D. McAllester, and D. Ramanan.
1.6K00发布于 2017-12-28 - 来自专栏SnailTyan
Squeeze-and-Excitation Networks论文翻译——中英文对照
跨通道相关性通常被映射为新的特征组合，或者独立的空间结构[6,18]，或者联合使用标准卷积滤波器[22]和1×11\times 1卷积，然而大部分工作的目标是集中在减少模型和计算复杂度上面。 它通常结合门功能（例如softmax或sigmoid）和序列技术来实现[11,37]。最近的研究表明，它适用于像图像标题[4,44]和口头阅读[7]等任务，其中利用它来有效地汇集多模态数据。 In ECCV, 2016. [11] S. Hochreiter and J. Schmidhuber. Long short-term memory. 更多设计和训练差异（除了SE块的使用之外）如下：（a）对于每个瓶颈构建块，首先1×11\times 1卷积通道的数量减半，以性能下降最小的方式降低网络的计算成本。 （c）步长为2的1×11\times 1卷积的下采样投影被替换步长为2的3×33\times 3卷积以保留信息。（d）在分类器层之前插入一个丢弃层（丢弃比为0.2）以防止过拟合。
1.6K00发布于 2017-12-28 - 来自专栏SnailTyan
Single Shot MultiBox Detector论文翻译——中英文对照
SSD: Single Shot MultiBox Detector Abstract We present a method for detecting objects in images usin
1.4K00发布于 2017-12-28 - 来自专栏SnailTyan
Going Deeper with Convolutions——GoogLeNet论文翻译——中英文对照
声明：作者翻译论文仅为学习，如有侵权请联系作者删除博文，谢谢！ ConvNets have traditionally used random and sparse connection tables in the feature dimensions since [11 为了打破对称性，提高学习水平，从论文[11]开始，ConvNets习惯上在特征维度使用随机的稀疏连接表，然而为了进一步优化并行计算，论文[9]中趋向于变回全连接。目前最新的计算机视觉架构有统一的结构。 Neural Comput., 1(4):541–551, Dec. 1989. [11] Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner. Proceedings of the IEEE, 86(11):2278–2324, 1998. [12] M. Lin, Q. Chen, and S. Yan.
1.4K00发布于 2017-12-28 - 来自专栏SnailTyan
Inception-V3论文翻译——中英文对照
相比之下，将3×3卷积分解为两个2×2卷积表示仅节省了11％的计算量。 ? 图3。替换3×3卷积的Mini网络。网络的更低层由带有3个输出单元的3×1构成。 实际上，如果发生这种情况，则一个q(k)q(k)将接近11，而所有其它的将会接近00。 步长为11，大小为151×151151\times 151的感受野和最大池化。 3. 步长为11，大小为79×7979\times 79的感受野和第一层之后没有池化。 11. Accessed: 2015-11-05. [22] A. Toshev and C. Szegedy.
2K00发布于 2017-12-28 - 来自专栏SnailTyan
U-Net - Convolutional Networks 论文翻译——中英文对照
声明：作者翻译论文仅为学习，如有侵权请联系作者删除博文，谢谢！ 翻译论文汇总：https://github.com/SnailTyan/deep-learning-papers-translation U-Net: Convolutional Networks for More recent approaches [11,4] proposed a classifier output that takes into account the features from 许多最近的方法[11，4]提出了一种分类器输出，其考虑了来自多个层的特征。同时具有良好的定位和上下文的使用是可能的。
5.6K51发布于 2020-04-24 - 来自专栏SnailTyan
YOLO，You Only Look Once论文翻译——中英文对照
Instead of the inception modules used by GoogLeNet, we simply use 1×11 \times 1 reduction layers followed Alternating 1×11 \times 1 convolutional layers reduce the features space from preceding layers. 我们只使用1×11 \times 1降维层，后面是3×33 \times 3卷积层，这与Lin等人[22]类似，而不是GoogLeNet使用的Inception模块。完整的网络如图3所示。 ? 交替1×11 \times 1卷积层减少了前面层的特征空间。 Alternating 1×11 \times 1 convolutional layers reduce the features space from preceding layers.
2K00发布于 2017-12-28 - 来自专栏明年我18
（翻译）LearnVSXNow! #11- 测试package
toolwindow 10: BaseMock uiShellService = UIShellServiceMock.GetUiShellInstanceCreateToolWin(); 11 第11行把SVsUIShell的mock对象加到了可用的服务中。
1.2K10发布于 2019-09-18 - 来自专栏SnailTyan
ImageNet Classification with Deep Convolutional Neural Networks——AlexNet论文翻译——中英文对照
卷积神经网络(CNNs)构成了一个这样的模型[16, 11, 13, 18, 15, 22, 26]。 The first convolutional layer filters the 224 × 224 × 3 input image with 96 kernels of size 11 × 11 × 第1卷积层使用96个核对224 × 224 × 3的输入图像进行滤波，核大小为11 × 11 × 3，步长是4个像素（核映射中相邻神经元感受野中心之间的距离）。 Figure 3: 96 convolutional kernels of size 11×11×3 learned by the first convolutional layer on the 224 图3：第一卷积层在224×224×3的输入图像上学习到的大小为11×11×3的96个卷积核。上面的48个核是在GPU 1上学习到的而下面的48个卷积核是在GPU 2上学习到的。
1.4K91发布于 2017-12-29 - 来自专栏SnailTyan
ESRGAN - Enhanced Super-Resolution Generative Adversarial Networks论文翻译——中英文对照
文章作者：Tyan 声明：作者翻译论文仅为学习，如有侵权请联系作者删除博文，谢谢！ 翻译论文汇总：https://github.com/SnailTyan/deep-learning-papers-translation ESRGAN: Enhanced Super-Resolution 各种网络架构设计和训练策略持续地改善SR性能，尤其是峰值信噪比(PSNR)的值[5,6,7,1,8,9,10,11,12]。 基于观测，更多的层和连接总是可以提升性能[20,11,12]，与SRGAN中的原始残差块相比，提出的RRDB采用了更深更复杂的架构。 然而，我们的RRDB与[36]的不同在于我们在主路径中使用了如[11]的密集块[34]，受益于密集连接其网络容量变得更高。 ?
1.5K40发布于 2020-05-27 - 来自专栏Guangdong Qi
iOS 11 更大的导航 （官方翻译版）
导航栏 导航栏出现在应用程序屏幕顶部的状态栏下方，并可以通过一系列分层屏幕进行导航。当显示新屏幕时，通常标有前一屏幕标题的后退按钮出现在栏的左侧。有时，导航栏的右侧包含一个控件，如编辑或完成按钮，用于
4.3K30发布于 2018-05-24 - 来自专栏勇哥编程游记
推荐一个双语对照的 PDF 翻译工具的开源项目：PDFMathTranslate
今天给大家推荐一个双语对照的 PDF 翻译工具的开源项目：PDFMathTranslate 。 项目介绍：基于 AI 完整保留排版的 PDF 文档全文双语翻译，支持 Google/DeepL/Ollama/OpenAI 等服务，提供 CLI/GUI/Docker 。 布局分析和 PDF 指令流分析实现对文档排版的完整保留 ；保留行内/行间公式和图表样式，对 Latex 文献进行特殊优化；保留文档可索引目录结构 ；支持 Google、DeepL 和 OpenAI 等多种翻译服务 接下来，选择翻译服务 Google、Bing、zhipu、Tentcent 等和翻译方向（英文转中文），最后点击翻译按钮即可。 ；2、调用翻译服务 Google 、智普、Bing、DeepL、OpenAI 等开放平台的服务 ；3、将数据流整合在一起并输出到目标 PDF 。
1.1K10编辑于 2025-01-04 - 来自专栏勇哥编程游记
推荐一个双语对照的 PDF 翻译项目：PDFMathTranslate
今天给大家推荐一个双语对照的 PDF 翻译项目：PDFMathTranslate 。 项目地址： https://github.com/Byaidu/PDFMathTranslate 项目介绍： 基于 AI 完整保留排版的 PDF 文档全文双语翻译，支持 Google/DeepL/Ollama PDF 指令流分析实现对文档排版的完整保留 ； 保留行内/行间公式和图表样式，对 Latex 文献进行特殊优化； 保留文档可索引目录结构 ； 支持 Google、DeepL 和 OpenAI 等多种翻译服务 且小于 3.12 ; 2、安装此程序 ; pip install pdf2zh 3、打开 GUI 界面 , 访问：http://localhost:7860/ pdf2zh -i 4、上传文件并翻译 接下来，选择翻译服务 Google、Bing、zhipu、Tentcent 等和翻译方向（英文转中文）， 最后点击翻译按钮即可。
66710编辑于 2025-01-08 - 来自专栏热爱编程的证据
C语言每日一题（11） 密码翻译
小猴略显神通，用魔法得知了此门的密码，是一个由字母组成的字符串，可是密码盘上只能输入数字啊，后经小猴再次魔法得知，妖魔有一套转换规则，将这个字符串中的大写字母提取出来，按照密码字典中字母和数字的对照表，
35310编辑于 2024-01-23 - 来自专栏全栈程序员必看
Keycode对照表（键码对照表）
/ 111 功能键键码值(keyCode) 按键 键码 按键 键码 F1 112 F7 118 F2 113 F8 119 F3 114 F9 120 F4 115 F10 121 F5 116 F11
11.6K30发布于 2021-10-28 - 来自专栏CSDNToQQCode
keycode对照表（键码对照表）
111 功能键键码值(keyCode) 按键 键码 按键 键码 F1 112 F7 118 F2 113 F8 119 F3 114 F9 120 F4 115 F10 121 F5 116 F11
2.8K10编辑于 2022-11-29 - 来自专栏SnailTyan
Very Deep Convolutional Networks for Large-Scale Image Recognition—VGG论文翻译—中英文对照
所有配置都遵循2.1节提出的通用设计，并且仅是深度不同：从网络A中的11个加权层（8个卷积层和3个FC层）到网络E中的19个加权层（16个卷积层和3个FC层）。 Rather than using relatively large receptive fields in the first conv. layers (e.g. 11 × 11 with stride 不是在第一卷积层中使用相对较大的感受野（例如，在（Krizhevsky等人，2012）中的11×11，步长为4，或在（Zeiler＆Fergus，2013；Sermanet等，2014）中的7×7，步长为 Goodfellow等人（2014）在街道号识别任务中采用深层ConvNets（11个权重层），显示出增加的深度导致了更好的性能。 第二，我们观察到分类误差随着ConvNet深度的增加而减小：从A中的11层到E中的19层。值得注意的是，尽管深度相同，配置C（包含三个1×1卷积层）比在整个网络层中使用3×3卷积的配置D更差。
1.1K00发布于 2017-12-28
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号