- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
yolo 实例分割_jacobi椭圆函数
我们提出了一个简单的、完全卷积的实时实例分割模型，在MS-COCO上达到29.8map，在单个Titan Xp上以33.5fps的速度进行评估，这比以往任何竞争方法都要快得多。而且，我们只在一个GPU上训练就得到了这个结果。我们通过将实例分割分成两个子任务来实现这一点：（1）生成一组原型掩码；（2）预测每个实例的掩码系数。然后，我们通过将原型与掩码系数结合起来，生成实例masksby。我们发现，由于这个过程不依赖于再冷却，这种方法产生了非常高质量的掩模，并免费展示了时间稳定性。此外，我们还分析了原型的涌现行为，并展示了它们在完全卷积的情况下，以一种翻译变体的方式学会了自己定位实例。最后，我们还提出了快速NMS，它比仅具有边际性能损失的标准NMS快12 ms。
1.3K40编辑于 2022-09-23 - 来自专栏ml
雅克比迭代算法(Jacobi Iterative Methods) --
雅克比迭代，一般用来对线性方程组，进行求解。形如： \(a_{11}*x_{1} + a_{12}*x_{2} + a_{13}*x_{3} = b_{1}\) \(a_{21}*x_{1} + a_{22}*x_{2} + a_{23}*x_{3} = b_{2}\) \(a_{31}*x_{1} + a_{32}*x_{2} + a_{33}*x_{3} = b_{3}\) 我们需要求解出\(x_{1}\) ，\(x_{２}\) ，\(x_{３}\)，我们对这组方程进行变换： \(x_{1}=\frac{１}{a_{１1}}(b_{１} -a_{１2}*x_{２} -a_{１3}*x_{3})\) \(x_{２}=\frac{１}{a_{21}}(b_{2} -a_{2１}*x_{１} -a_{23}*x_{3})\) \(x_{３}=\frac{１}{a_{３1}}(b_{３} -a_{３１}*x_{１}-a_{３２}*x_{２})\)
2.2K40发布于 2018-12-27 - 来自专栏数值分析与有限元编程
Jacobi方法求实对称阵的特征值
Jacobi方法用于求实对称阵的全部特征值、特征向量。 Jacobi方法用超平面旋转对矩阵A做相似变换，化A为对角阵，进而求出特征值与特征向量。超平面旋转矩阵的形式为 ? 容易验证 Q 是正交阵。
3K60发布于 2018-04-08 - 来自专栏图像处理与模式识别研究所
Gauss-Seidel、Laplace、Jacobi等求解热方程。
Gauss_Seidel.m %% Homework 12 (b) % Heat equation with variable coeficients using Gauss-Seidel Method: % % $\frac{\partial}{\partial x}\left (k(x,y)\frac{\partial{T}}{\partial{x}} \right )+\frac{\partial}{\partial x}\left (k(x,y)\frac{\partial{T}}{\partia
39120编辑于 2022-05-28 - 来自专栏数值分析与有限元编程
Jacobi迭代法解线性方程组
●Jacobi迭代法 对于方程组3u+v=5，u+2v=5，将其改写为如下的形式 ? 由于方程组的系数矩阵是严格对角占优矩阵时，迭代一定收敛。 继续迭代过程最终会收敛到解[1，2].这个迭代过程就是Jacobi迭代。 对于方程组u+2v=5，3u+v=5，由于方程组的系数矩阵不是严格对角占优矩阵时，因此迭代不收敛。来看迭代过程： ?
3.3K20发布于 2019-07-08 - 来自专栏数值分析与有限元编程
Jacobi方法求矩阵特征值的算例及代码
Jacobi方法用于求实对称阵的全部特征值、特征向量。
4.3K50发布于 2018-04-08 - 来自专栏深度学习
【数值计算方法（黄明游）】矩阵特征值与特征向量的计算（二）：Jacobi 过关法（Jacobi 旋转法的改进）【理论到程序】
Jacobi 旋转法是一种用于计算对称矩阵特征值和特征向量的迭代方法，Jacobi 过关法是 Jacobi 旋转法的一种改进版本，其主要目的是减少计算工作和提高运行速度。 本文将详细介绍Jacobi 过关法的基本原理和步骤，并给出其Python实现。 一、Jacobi 旋转法 Jacobi 旋转法的每一次迭代中，需要选择一个非对角元素最大的位置，然后构造相应的旋转矩阵，进行相似变换，使得矩阵逐渐对角化。 二、Jacobi 过关法 Jacobi 过关法（Jacobi’s threshold method）是 Jacobi 旋转法的一种改进版本，其主要目的是减少计算工作和提高运行速度。 注意事项 通过不断调整阈值并选择性地进行旋转变换，Jacobi 过关法逐渐减小非对角元素的绝对值，以达到更好的数值稳定性。
59710编辑于 2024-07-30 - 来自专栏自然语言处理(NLP)论文速递
上交| 提出一致性大模型：CLLMs，提升3倍生成速度，降低内存成本！
Jacobi解码源自Jacobi和Gauss-Seidel定点迭代求解非线性方程的方法，经证明与使用贪婪解码的自回归生成完全相同。 Jacobi解码将顺序生成过程重新构造为一个包含n个变量的n个非线性方程组，并基于Jacobi迭代可以并行求解。 从最初的随机猜测到最终的AR生成结果的这一过程被称为「Jacobi轨迹」。 Jacobi解码迭代过程和Jacobi轨迹的一个实例在图2中进行了说明。 Jacobi解码的局限： 然而，在实践中，普通的Jacobi解码对LLMs的加速效果仅有微弱的提升，例如，平均加速比只有1.05倍。 在该团队提出的方法中，使用从目标模型收集的Jacobi轨迹来训练模型，并使用一种损失函数，该函数鼓励在Jacobi迭代过程中实现单步收敛。
90710编辑于 2024-05-11 - 来自专栏数值分析与有限元编程
Gauss-Seidel迭代法解线性方程组
与Jacobi迭代法密切相关的一种迭代方法叫做Gauss-Seidel迭代方法。Gauss-Seidel方法与Jacobi方法之间的差别是：在一个迭代步里，一旦未知变量值有更新，则立马投入使用。 而不用像Jacobi方法那样下一个迭代步才使用。对于方程组：3u+v=5，u+2v=5，Gauss-Seidel迭代就这样进行： ? 注意红圈位置是Gauss-Seidel方法与Jacobi方法之间的差别：v1的计算用到了u1而不是u0。通常情况下Gauss-Seidel方法比Jacobi方法收敛更快。
3.9K20发布于 2019-07-08 - 来自专栏机器之心
3倍生成速度还降内存成本，超越Medusa2的高效解码框架终于来了
Jacobi解码源自Jacobi和Gauss-Seidel定点迭代求解非线性方程的方法，经证明与使用贪婪解码的自回归生成完全相同。 Jacobi解码将顺序生成过程重新构造为一个包含n个变量的n个非线性方程组，并基于Jacobi迭代可以并行求解。 从最初的随机猜测到最终的AR生成结果的这一过程被称为「Jacobi轨迹」。 Jacobi解码迭代过程和Jacobi轨迹的一个实例在图2中进行了说明。 Jacobi解码的局限： 然而，在实践中，普通的Jacobi解码对LLMs的加速效果仅有微弱的提升，例如，平均加速比只有1.05倍。 在该团队提出的方法中，使用从目标模型收集的Jacobi轨迹来训练模型，并使用一种损失函数，该函数鼓励在Jacobi迭代过程中实现单步收敛。
42210编辑于 2024-05-14 - 来自专栏深度学习
【数值计算方法（黄明游）】矩阵特征值与特征向量的计算（三）：Jacobi 旋转法【理论到程序】
Jacobi 旋转法是一种用于计算对称矩阵特征值和特征向量的迭代方法。 本文将详细介绍 Jacobi 旋转法的基本原理和步骤，通过一个具体的矩阵示例演示其应用过程，并给出其Python实现。 一、Jacobi 旋转法 Jacobi 旋转法的每一次迭代中，需要选择一个非对角元素最大的位置，然后构造相应的旋转矩阵，进行相似变换，使得矩阵逐渐对角化。 基本思想 Jacobi 旋转法的基本思想是通过一系列的相似变换，逐步将对称矩阵对角化，使得非对角元素趋于零。这个过程中，特征值逐渐浮现在对角线上，而相应的特征向量也被逐步找到。 下面是 Jacobi 旋转法的基本步骤： 选择旋转角度： 选择一个旋转角度 θ，通常使得旋转矩阵中的非对角元素为零，从而实现对角化，通常选择非对角元素中绝对值最大的那个作为旋转的目标。
77210编辑于 2024-07-30 - 来自专栏新智元
抛弃自回归，连接一致性Diffusion和LLM！UCSD上交新作热度紧追AF 3
CLLM的思路则放在了解码上，使用更适合并行的Jacobi算法替代传统的自回归方法。 这篇研究则提出，使用Jacobi解码算法取代传统的自回归，每一次解码可以同时生成序列后n个token。 Jacobi解码源自用于求解非线性方程的Jacobi和Gauss-Seidel定点迭代，并被证明与使用贪婪解码的自回归生成相同。 每一次Jacobi迭代可以预测出一个或多个正确的token，进行多轮迭代直至收敛，就完成了n个token的预测，迭代的过程形成Jacobi轨迹。 本篇文章所用Jacobi算法的灵感追溯至2021年的一篇论文，用求解非线性方程组加速神经网络计算。
26710编辑于 2024-05-14 - 来自专栏机器之心
VLA 推理新范式！一致性模型 CEED-VLA 实现四倍加速！
针对这一问题，部分研究提出采用 Jacobi 解码替代传统的自回归解码，以期提升推理效率。然而，由于 Jacobi 解码往往需要较多迭代次数，其加速效果在实践中较为有限。 尽管上述方法带来了可接受的加速效果，我们进一步观察到：Jacobi 解码中仍存在若干低效迭代步骤，成为限制整体效率的关键瓶颈。 生成训练Jacobi Trajectory数据集。 Consistency Training 对于目标 VLA 模型 ，为了捕捉 Jacobi 轨迹中的内在一致性以进行一致性训练，我们首先通过在机器人数据集C上使用 Jacobi Decoding对模型 进行动作预测，来采集完整的Jacobi轨迹。
43310编辑于 2025-07-14 - 来自专栏我的充电站
数值计算方法 Chapter6. 解线性方程组的迭代法
Jacobi迭代 1. Jacobi迭代方法 2. Jacobi迭代矩阵 3. Jacobi迭代收敛条件 4. python伪代码实现 2. Gauss-Seidel迭代 1. Jacobi迭代 1. 迭代矩阵 即为Jacobi迭代矩阵。 3. Jacobi迭代收敛条件 Jacobi迭代收敛的充要条件为： 迭代矩阵 的谱半径 亦即： 对于迭代矩阵 的所有本征值 ，均有 ，或者等价的 。 ， ； 4. python伪代码实现 最后，我们给出Jacobi迭代的python伪代码如下： def jacobi_iter(A, y, epsilon=1e-6): n = len
1.3K30编辑于 2022-06-17 - 来自专栏量子位
预测token速度翻番！Transformer新解码算法火了，来自小羊驼团队｜代码已开源
它主要利用雅可比（Jacobi）迭代法首次打破自回归解码中的顺序依赖性 （众所周知，当下大模型基本都是基于自回归的Transformer）。 这可以通过将自回归解码视为求解非线性方程，并采用经典的Jacobi迭代法进行并行解码来实现。 下面是具体介绍： 1、前向解码的动机Jacobi在进行求解非线性系统时，一并使用定点迭代方法一次性解码所有的未来token。 这个过程几乎看不到时钟加速。 2、前向解码通过收集和缓存Jacobi迭代轨迹生成的n-grams来利用Jacobi解码的能力。 下图为通过Jacobi解码收集2-grams，然后验证并加速解码的过程。 3、每个解码步骤有2个分支： 前向分支维护一个固定大小的2D窗口，以根据Jacobi轨迹生成n-grams；验证分支验证有希望的n-grams。
78710编辑于 2023-11-27 - 来自专栏mythsman的个人博客
二次剩余理论的数学基础
接下来介绍两个重要的符号：Legendre符号和Jacobi符号。 p^2-1)/8} Gauss二次互反定律 设p,q均为奇素数，p \neq q，那么(\frac{p}{q})(\frac{q}{p})=(-1)^{\frac{p-1}2\frac{q-1}2} Jacobi (\frac{d}{p_n}) 称为Jacobi符号，此处(\frac{d}{p_i})是Legendre符号。 frac{dc}{P})=(\frac{d}{P})(\frac{c}{P}) \frac{-1}{P}=(-1)^{(P-1)/2} \frac{2}{P}=(-1)^{(P^2-1)/8} 说明 Jacobi 符号也满足二次互反定律，特别的，Legendre符号也可以当作Jacobi符号来计算，但是与Legendre符号不同，Jacobi符号(\frac{d}{P})=1并不代表二次同余方程x^2\equiv
1.3K10编辑于 2022-11-14 - 来自专栏MyBlog
数值分析读书笔记（3）求解线性代数方程组的迭代法
D-L-U，其中D为对角矩阵，L和U分别是下三角和上三角矩阵，这里需要注意一下符号的不同，L和U的元素都是原矩阵上三角和下三角元素符号的相反数 下面通过这样的一种分裂方式，我们介绍几种迭代形式，首先是Jacobi 迭代法（同步迭代） 注意到线性迭代中的M和N，在Jacobi迭代中，我们令M=D, N=L+U，构造出迭代格式，即 ? 直观上来看Jacobi迭代，就是把方程n行对应的x保留，其余维度的x移到方程的左端，用这n维的左端的式子来迭代更新n个维度的x 那么这样看就可以理解Jacobi迭代为什么是同步迭代了，因为所有的维度的 直观来看Gauss-Seidel迭代，和Jacobi一样就是把方程n行对应的第n个x保留，其余的x移到方程的左端，只不过在我们更新第k个的时候会利用前面迭代更新完成了的前k-1个x进行带入计算后面的n-k 个x仍然使用初始值，也就是一种异步的思想 在实际中，我们使用Jacobi迭代或者是Gauss-Seidel迭代都可能会出现不收敛或者收敛速度比较慢这样的情况，我们是不是可以试着去构造一种带参数的迭代方法
2.1K20发布于 2019-02-25 - 来自专栏深度学习
【数值计算方法（黄明游）】矩阵特征值与特征向量的计算（五）：Householder方法【理论到程序】
一、Jacobi 旋转法 Jacobi 旋转法的每一次迭代中，需要选择一个非对角元素最大的位置，然后构造相应的旋转矩阵，进行相似变换，使得矩阵逐渐对角化。 二、Jacobi 过关法 Jacobi 过关法（Jacobi’s threshold method）是 Jacobi 旋转法的一种改进版本，其主要目的是减少计算工作和提高运行速度。 不同于 Jacobi 旋转法( a_{ij}= a_{ji}=0 )，Householder 方法的旋转矩阵选择的角度使得 c_{ik}= c_{kj}=0 。 a.
90110编辑于 2024-07-30 - 来自专栏Pulsar-V
Python-线性最优解迭代方法
range(1, n + 1): row.append(1 / (x + y - 1)) h.append(row) return h 雅克比迭代法 def jacobi R: R = abs(x[i] - x0[i]) if R <= sigma: print("精确度等于",sigma,"时，jacobi n = 10 H = create_hobert(n) x = [1 for x in range(n)] b = mult(H,x) print('雅克比迭代法:',jacobi
1.7K30发布于 2018-11-29 - 来自专栏全栈程序员必看
hesse矩阵和jacobi矩阵_安索夫矩阵和波士顿矩阵区别Jacobian矩阵和Hessian矩阵
转载自：http://jacoxu.com/jacobian%E7%9F%A9%E9%98%B5%E5%92%8Chessian%E7%9F%A9%E9%98%B5/
1.3K20编辑于 2022-09-20
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