文件名称：BNM:歧视与多样性法典
文件大小：2.3MB
文件格式：ZIP
更新时间：2024-05-04 02:55:01
transfer domain-adaptation nuclear-norm Python
国民银行 批核代码发布（CVPR2020口头） 一句描述 我们在论文中证明，批核规范最大化（BNM）可以确保预测的可区分性和多样性，这是在标签不足的情况下的一种有效方法。 应用 Pytorch和Tensorflow下的一行代码 假设X是预测矩阵。 我们可以计算Pytorch和Tensorflow中的BNM损失，如下所示： -火炬 直接计算（因为仍然存在直接使用核规范的方法） L_BNM = -torch.norm(X,'nuc') 通过SVD计算 L_BNM = -torch.sum(torch.svd(X, compute_uv=False)[1]) -Tensorflow L_BNM = -tf.reduce_sum(tf.svd(X, compute_uv=False)) 任务 我们运用BNM域适应（DA）的中，无人监督的开放域识别（UODR） 在半监督学习（SSL） 。
【文件预览】：
BNM-master
----SSL()
--------vat.py(6KB)
--------README.md(251B)
--------base.py(5KB)
----UODR()
--------loss.py(4KB)
--------utils.py(2KB)
--------data()
--------lr_schedule.py(393B)
--------train_loader.py(10KB)
--------requirements.txt(72B)
--------data_list.py(2KB)
--------README.md(1KB)
--------network.py(5KB)
--------pre_process.py(2KB)
----DA()
--------CDAN-BNM()
--------data()
--------requirements.txt(72B)
--------README.md(783B)
--------BNM()
----LICENSE(1KB)
----.gitignore(2KB)
----README.md(2KB)