前言

智能指针是C++11中的一个很重要的新特性，理解智能指针的用法无论对面试还是平时编写代码都有很大的好处，

所以接下来就让我们了解一下C++中的4种智能指针是如何工作的吧。

加油~

前言

C++11新增了很多新特性，这也成为了面试中非常常见的问题，这里介绍一些常用的新特性。C++11新特性有很多，这里就简单整理几个很常见的，应该足以应对面试中的问题了。

加油~

前言

cnn的常见问题，持续加更中～

加油~

摘要

最近计算能力的突破使得机器学习和深度学习可用于推进许多领域的科学计算，包括流体力学、固体力学、材料科学等，神经网络在这种混合科学中发挥着核心作用。 由于其固有的架构，传统神经网络在数据稀疏时无法成功训练以及确定范围，许多科学和工程领域就是这种情况。 尽管如此，神经网络给训练期间的物理驱动或基于知识的约束提供了坚实的基础。 一般来说，存在三种不同的神经网络框架来强化底层物理：(i) 物理引导神经网络 (PgNN)、(ii) 物理信息神经网络 (PiNN) 和 (iii) 物理编码神经网络 (PeNN)，这些方法为加速复杂多尺度多物理现象的数值建模提供了明显的优势。 此外，神经算子（NO）的最新发展为这些新的模拟范式增加了另一个维度，特别是当需要复杂的多物理系统的实时预测时。 所有这些模型也都有其独特的缺点和局限性，需要进一步的基础研究。 本研究旨在回顾科学计算研究中使用的四种神经网络框架（即 PgNN、PiNN、PeNN 和 NO），回顾了最先进的架构及其应用，讨论了局限性，并提出了在改进算法、考虑因果关系、扩展应用以及耦合科学和深度学习求解器方面的未来研究机会。 这篇批判性评论为研究人员和工程师提供了一个坚实的起点，帮助他们理解如何将不同的物理层集成到神经网络中。

PGNN,PINN,PENN

前言

chatGPT该怎么用？怎么写指令会得到更符合自己预期的反馈呢？

研究研究～

前言

科研论文写作中，研究现状是不可避免的一个环节，能整理我们对这个知识领域的了解程度，形成相应的知识框架。后面准备一篇相应的英文研究现状模板。。。

科研论文之—国内外研究现状

前言

title: On Interpretability of Artificial Neural Networks A Survey

链接: https://pan.baidu.com/s/1mmXJSe-n63EYjxNztRrCig
提取码: 8q5v
—来自百度网盘超级会员v6的分享

ANN 模型的解释综述文章～

前言

KL散度和交叉熵都可以用来作为模型的loss函数，但二者的使用场景不一样。在这里引申一下模型loss的含义：“通过样本来计算模型分布与目标分布间的差异。”，这就是KL散度的作用。但有时候我们的目标分布会是常数，也就是这个分布是已知且不变的，例如分类任务，这个时候我们就会使用交叉熵来衡量模型的预测分布与实际分布之间的差异。

CNN模型中常用的交叉熵对比数学中的KL散度概念～

调参的背后是无尽的数学理论啊～

前言

Transformer模型的发展综述～

论文百度云链接: https://pan.baidu.com/s/1fwGSq4SysfLSOzSPKRQzjg
提取码: r2ii
—来自百度网盘超级会员v6的分享

继续加油读文章

前言

title: A Survey on Vision Transformer

paper link

继续加油读文章