在解题中总是记不住那些复杂又难懂的cpp标准库函数用法,于是痛下决心写一个简单的总结记录下遇到过的常见用法（这该死的脑子总是不够用😭） 1. 容器相关 std::vector 功能：动态数组，可根据需要自动调整大小。 常用操作： push_back()：在向量末尾添加元素。 pop_back()：移除向量末尾的元素。 size()：返回向量中元素的数量。

下面的论文均围绕分布式深度学习展开，涵盖了联邦学习、分裂学习等技术在不同场景下的应用、性能评估和安全分析，对推动分布式深度学习技术的发展和应用具有重要指导意义。 Distributed learning of deep neural network over multiple agents 摘要：提出一种在多个数据源上训练深度神经网络的技术，可解决训练和部署神经网络时标记数据稀缺的问

“Convolutional Neural Networks for Sentence Classification”由纽约大学的Yoon Kim撰写。论文主要探讨了卷积神经网络（CNN）在句子分类任务中的应用，通过在预训练词向量基础上进行实验，验证了简单CNN模型的有效性，并提出了模型的改进方法和架构调整。 研究背景：深度学习在计算机视觉和语音识别领域成果显著，在自然语言处理（

“Beyond Narrative Description: Generating Poetry from Images by Multi-Adversarial Training”由Bei Liu、Makoto P. Kato等人撰写。2018年best paper。 该论文提出了一种全新的方法，通过多对抗训练，从图像生成英文自由诗。此方法结合深度耦合视觉 - 诗歌嵌入模型

“Federated Adversarial Domain Adaptation”由Xingchao Peng、Zijun Huang等人撰写。论文提出联邦对抗域适应（FADA）方法，解决联邦学习中的域迁移问题，通过理论分析给出泛化误差界，并通过实验验证了模型的有效性。 1. 研究背景与问题 联邦学习与域迁移：联邦学习提升了数据隐私和效率，但节点数据非独立同分布(non-i.i.d)

加密内容

加密内容

加密内容

Ensemble learning bagging bagging 主要实现的效果是降低模型的高方差 类似并行决策模型 Bagging is ineffective when the model is too simple with a small number of parameters boosting boosting 主要实现的效果是降低模型的高偏差 类似串行决策模型

支持向量机---最大化间隔问题 支持向量机也是一个分类模型 目的是找到分离各类数据点的最好的分界线（面），能够实现最大间隔（相对于支持向量来说） 每类中最近的点叫支持向量 非支持向量到决策面的距离都大于决策向量 下面是一个例题，和课后作业的内容很像: 考试需要掌握的内容： 支持向量机中的核技巧（The Kernel Trick） 面对非线性数据，使

第一讲---前言+概述 理解 什么是数字图像 数字图像和物理图像的区别 图像和图形的区别 数字图像的定义： 数字图像是指物理图像的连续信号值被离散化后，由被称作像素的小块区域组成的二维矩阵。将物理图像行列划分后，每个小块区域称为像素（Pixel）。每个像素包括两个属性：位置和色彩（或亮度） 图像的数字化（概念是重点） 由一幅物理图像（信号值连续）获取一幅满足需求

加密内容