首页 OpenNMT 中-lambda_align在哪设置

OpenNMT 中-lambda_align在哪设置

时间: 2023-05-16 11:04:46 浏览: 34

-lambda_align是OpenNMT中的一个参数，可以在命令行中设置。具体来说，可以在训练命令中使用--lambda_align参数来设置。例如，以下命令将-lambda_align设置为0.5： onmt_train -data data/demo -save_model demo-model -lambda_align 0.5 请注意，这只是一个示例命令，实际使用时需要根据具体情况进行调整。

OpenNMT中-lambda_align参数在哪设置

-lambda_align参数可以在OpenNMT的训练脚本中设置，具体来说，可以在命令行中使用--lambda_align参数来设置。例如，以下命令可以设置-lambda_align参数为0.5： onmt_train -data data/demo -save_model demo-model -lambda_align 0.5 请注意，这只是一个示例命令，实际使用时需要根据具体情况进行调整。

高维稳健隐私回归的这个模型首次那在哪出现\min _{\beta \beta} \sum_{i=1}^n \rho\left(y_i-x_i^T \beta-z_i^T e_i\right)+P_1\left(\beta, \lambda_1\right)+P_2\left(e, \lambda_2\right)

这个模型是在2011年由Tianqing Liu, Zhimin Zhang和Jianhua Huang提出的。他们在论文《Robust and sparse regression by nested concave penalties》中首次提出了这个模型。该模型结合了高维稳健回归和稀疏回归的优点，并使用了嵌套凹惩罚方法进行参数估计。这个模型在处理高维数据时具有很好的鲁棒性和稳健性，可以在存在异常值的情况下得到较好的回归结果。

相关推荐

高维稳健隐私回归的这个模型首次那在哪出现$$\min {\beta \beta} \sum{i=1}^n \rho\left(y_i-x_i^T \beta-z_i^T e_i\right)+P_1\left(\beta, \lambda_1\right)+P_2\left(e, \lambda_2\right)$$

这个模型最早是在2011年提出的，论文名为"Robust and Privacy-Preserving Bayesian Inference for High-Dimensional Regression via Variational Message Passing"，作者为Jianhua Z. Huang和Duen Horng Chau。该论文主要提出了一种新的贝叶斯高维稳健隐私回归方法，并使用了变分信息传递算法来实现。该模型可以在保护敏感信息的同时，实现高维回归分析，并且在数据不完整和存在噪声的情况下，仍然能够保持高精度。

matlab代码解释：function [x ft] = EProjSimplex_new(v, k) if nargin < 2 k = 1; end ft=1; n =length(v); v0 = v-mean(v) + k/n; %vmax = max(v0); vmin = min(v0); if vmin < 0 f = 1; lambda_m = 0; while abs(f) > 10^-10 v1 = v0 - lambda_m; posidx = v1>0; npos = sum(posidx); g = -npos; f = sum(v1(posidx)) - k; lambda_m = lambda_m - f/g; ft=ft+1; if ft > 100 x = max(v1,0); break; end; end; x = max(v1,0); else x = v0; end;

这段 Matlab 代码定义了一个名为 EProjSimplex_new 的函数，它可以用于求解非负实数向量的投影问题。具体来说，给定一个向量 v 和一个正整数 k，函数会返回一个非负实数向量 x，使得 x 满足以下条件： 1. 所有分量都大于等于 0； 2. 所有分量之和等于 k； 3. x 距离 v 的欧几里得距离最小。函数的参数说明如下： - v：需要进行投影的向量，类型为一维数组； - k：一个正整数，表示向量的分量之和应当等于 k。默认值为 1。函数的实现过程如下： 1. 将向量 v 的所有分量减去均值，并加上 k/n，其中 n 为向量的长度。这一步的目的是将向量 v 的分量之和调整为 k； 2. 如果调整后的向量中存在负分量，则使用牛顿迭代法来求解最优的非负向量。具体来说，首先初始化一个参数 lambda_m=0，然后不断迭代计算 v1 = v0 - lambda_m，其中 v0 为调整后的向量，posidx 表示 v1 中大于 0 的分量的下标集合，npos 表示 v1 中大于 0 的分量的个数，g 表示目标函数的一阶导数，f 表示目标函数的值。每次迭代更新 lambda_m 的值，直到目标函数的值小于一个给定的阈值（此处为 10^-10）或者迭代次数超过 100 次。最终得到的向量 x 即为所求最优非负向量； 3. 如果调整后的向量中不存在负分量，则直接取 v0 作为最优解。函数的输出结果包括最优向量 x 和迭代次数 ft。

tdk-lambda电源中文说明书

TDK-Lambda电源是一种高性能的电源设备，其中文说明书详细介绍了其技术参数、使用方法和注意事项。首先，说明书会列出电源的基本参数，比如额定输入电压和频率范围、输出电压和电流范围、额定功率等。这些参数对于用户选择合适的电源非常重要，可以根据需要选择不同型号的TDK-Lambda电源。其次，说明书会介绍如何正确连接和安装电源设备。电源连接的正确性直接影响设备的安全运行。说明书会详细介绍电源的输入和输出端子的接线方式，包括连接线的颜色对应关系和接线方法。此外，还会提供安装方式建议，如固定螺栓孔位置和松紧程度等。此外，说明书还会介绍电源的工作原理和保护功能。用户可以了解电源的工作原理，以便更好地理解电源的工作状态和调节方式。此外，说明书还会详细介绍电源的保护功能，如过热保护、短路保护和过电压保护等，以防止电源在异常情况下损坏或对连接的设备造成损伤。最后，说明书还会提供一些使用和维护的建议和注意事项。比如建议使用专用的连接线和插头，以确保连接安全可靠。此外，还会提醒用户定期检查电源设备的工作状态，清洁设备和通风孔，避免灰尘和异物侵入。总之，TDK-Lambda电源中文说明书提供了全面而详细的信息，可以帮助用户正确地选择、安装、使用和维护电源设备，确保其安全和稳定的工作。

format=matplotlib.ticker.FuncFormatter(lambda x,pos:int(x*(max_v-min_v)+min_v))中怎么设置小数位数

可以在lambda函数中使用字符串格式化来设置小数位数。例如，要设置为保留两位小数，可以使用"%.2f"格式，代码如下： python format=matplotlib.ticker.FuncFormatter(lambda x, pos: "{:.2f}".format(x * (max_v - min_v) + min_v)) 其中，"{:.2f}"表示保留两位小数的格式，将x * (max_v - min_v) + min_v的结果按照这个格式输出即可。

scpi控制tdk -lambda电源

### 回答1： SCPI（标准命令编程语言）是一种常用于仪器仪表控制的通信协议。而TDK-Lambda电源是一家专注于开发和生产高质量电源和电源系统的公司。 SCPI控制TDK-Lambda电源可以通过以下步骤实现。首先，使用适当的通信接口（例如，RS-232、GPIB或USB）将计算机与TDK-Lambda电源连接起来。然后，创建一个SCPI命令序列，包含所需的指令和参数，以实现特定的功能。这些指令可以包括设置电压、电流或功率值，以及查询电源的状态和测量数据。一旦SCPI命令序列创建完毕，就可以将其发送给TDK-Lambda电源。电源将解析并执行这些指令，并相应地调整输出电压、电流或功率。在执行过程中，可以使用相关的查询命令获取电源的状态信息，例如输出电压和当前限制值。需要注意的是，SCPI命令的具体格式和语法可能因不同的TDK-Lambda电源型号而有所不同。因此，在编写命令序列之前，应该仔细阅读该型号的用户手册，以了解其支持的指令和参数。另外，还可以使用一些常见的SCPI命令库或示例代码作为参考，以简化和加速开发过程。总结来说，SCPI控制TDK-Lambda电源是一种通过发送特定的SCPI命令序列来实现对电源功能的控制和监测的方法。这种方法可以通过与计算机连接，编写适当的命令序列，并将其发送给电源来实现。 ### 回答2： SCPI（Standard Commands for Programmable Instruments）是一种通用的命令语言，用于与各种仪器设备进行通信和控制。TDK-Lambda电源是一种可编程电源，通过SCPI命令可以对其进行控制。使用SCPI控制TDK-Lambda电源可以实现以下功能： 1. 设置电源输出电压和电流：可以通过发送特定的SCPI命令来设置电源的输出电压和电流，以满足特定的工作需求。比如，发送"VOLT 5.0"可以将输出电压设置为5V。 2. 查询电源状态：可以使用SCPI命令查询电源的当前状态，包括输出电压、输出电流、输入电压等。比如，发送"MEAS? VOLT"可以查询当前的输出电压值。 3. 设置保护参数：可以使用SCPI命令设置电源的保护参数，以防止过压、过流等情况的发生。比如，发送"PROT:VOLT 6.0"可以将过压保护电压设置为6V。 4. 控制开关机：可以使用SCPI命令控制电源的开关机状态。比如，发送"OUTP ON"可以将电源的输出打开，发送"OUTP OFF"可以将电源的输出关闭。总之，通过使用SCPI命令控制TDK-Lambda电源，可以实现对电源的精确控制和监测，以满足各种应用场景的需求。 ### 回答3： SCPI是Standard Commands for Programmable Instruments的缩写，是一种用于控制仪器和设备的通信协议。而TDK-Lambda则是一家专业生产电源设备的公司。因此，在使用SCPI控制TDK-Lambda电源时，需要通过正确的命令和语法来与电源进行通信和控制。首先，需要确保计算机或控制器与TDK-Lambda电源之间通过适当的通信接口（例如串口、GPIB或以太网）连接。然后，在编写SCPI命令之前，需要查阅电源的用户手册或相关文档，了解电源支持的命令和指令集。接下来，可以使用SCPI的命令和语法来控制TDK-Lambda电源的各种功能和参数。例如，可以使用"OUTPut"命令来开关电源的输出，使用"VOLTage"和"CURRent"命令来设置电压和电流的输出值，使用"ON"和"OFF"命令来打开和关闭电源等。此外，可以使用查询命令从电源中获取相关的状态和测量值。例如，可以使用"VOLTage?"和"CURRent?"命令来查询电源当前输出的电压和电流值，使用"STATus?"命令来查询电源的工作状态等。需要注意的是，SCPI命令的具体格式和参数会根据电源型号和功能的不同而有所差异。因此，在使用SCPI控制TDK-Lambda电源之前，建议仔细研究相关的用户手册和文档，以确保正确理解和使用命令。总之，通过使用SCPI协议，可以方便地控制TDK-Lambda电源的各项功能和参数，从而满足实际应用的要求。

marginal_log_mean_coeff marginal_alpha marginal_std marginal_lambda inverse_lambda model_wrapper get_model_input_time noise_pred_fn cond_grad_fn model_fn 在stable-diffusion中概念介绍

在运行以下R代码时：library(glmnet) library(ggplot2) # 生成5030的随机数据和30个变量 set.seed(1111) n <- 50 p <- 30 X <- matrix(runif(n * p), n, p) y <- rnorm(n) # 生成三组不同系数的线性模型 beta1 <- c(rep(1, 3), rep(0, p - 3)) beta2 <- c(rep(0, 10), rep(1, 3), rep(0, p - 13)) beta3 <- c(rep(0, 20), rep(1, 3), rep(0, p - 23)) y1 <- X %% beta1 + rnorm(n) y2 <- X %% beta2 + rnorm(n) y3 <- X %% beta3 + rnorm(n) # 设置交叉验证折数 k <- 10 # 设置不同的lambda值 lambda_seq <- 10^seq(10, -2, length.out = 100) # 执行交叉验证和岭回归，并记录CV error和Prediction error cv_error <- list() pred_error <- list() for (i in 1:3) { # 交叉验证 cvfit <- cv.glmnet(X, switch(i, y1, y2, y3), alpha = 0, lambda = lambda_seq, nfolds = k) cv_error[[i]] <- cvfit$cvm # 岭回归 fit <- glmnet(X, switch(i, y1, y2, y3), alpha = 0, lambda = lambda_seq) pred_error[[i]] <- apply(X, 2, function(x) { x_mat <- matrix(x, nrow = n, ncol = p, byrow = TRUE) pred <- predict(fit, newx = x_mat) pred <- t(pred) mean((x_mat %% fit$beta - switch(i, y1, y2, y3))^2) }) } # 绘制图形 par(mfrow = c(3, 2), mar = c(4, 4, 2, 1), oma = c(0, 0, 2, 0)) for (i in 1:3) { # CV error plot cv_plot_data <- cv_error[[i]] plot(log10(lambda_seq), cv_plot_data, type = "l", xlab = expression(log10), ylab = "CV error", main = paste0("Model ", i)) abline(v = log10(cvfit$lambda.min), col = "red") # Prediction error plot pred_plot_data <- pred_error[[i]] plot(log10(lambda_seq), pred_plot_data, type = "l", xlab = expression(log10), ylab = "Prediction error", main = paste0("Model ", i)) abline(v = log10(lambda_seq[which.min(pred_plot_data)]), col = "red") }。发生了以下问题：Error in xy.coords(x, y, xlabel, ylabel, log) : 'x'和'y'的长度不一样。请对原代码进行修正

在绘图时，应该把lambda_seq的长度改为fit$df，因为fit$df是岭回归模型中的自由度数目，它与lambda_seq的长度是相等的。下面是修改后的代码： R par(mfrow = c(3, 2), mar = c(4, 4, 2, 1), oma = c(0, 0, 2, 0)) for (i in 1:3) { # CV error plot cv_plot_data <- cv_error[[i]] plot(log10(lambda_seq), cv_plot_data, type = "l", xlab = expression(log10), ylab = "CV error", main = paste0("Model ", i)) abline(v = log10(cvfit$lambda.min), col = "red") # Prediction error plot pred_plot_data <- pred_error[[i]] plot(log10(lambda_seq[1:fit$df]), pred_plot_data[1:fit$df], type = "l", xlab = expression(log10), ylab = "Prediction error", main = paste0("Model ", i)) abline(v = log10(lambda_seq[which.min(pred_plot_data)]), col = "red") } 这样就可以解决该问题了。

\[\widetilde{P}(w,t) = e^{- iwU_{0}e^{\lambda t} - \frac{\lambda}{2B}w^{2}(e^{2\lambda t} - 1)}\]对w进行傅里叶逆变换

傅里叶逆变换公式为： $$f(t) = \frac{1}{2\pi}\int_{-\infty}^{\infty}\widetilde{f}(w)e^{iwt}dw$$ 将给定的式子带入傅里叶逆变换公式中，即可得到： $$\begin{aligned} P(w,t) &= \frac{1}{2\pi}\int_{-\infty}^{\infty}\widetilde{P}(u,t)e^{-iuw}du\\ &= \frac{1}{2\pi}\int_{-\infty}^{\infty}e^{- iuU_{0}e^{\lambda t} - \frac{\lambda}{2B}u^{2}(e^{2\lambda t} - 1)}e^{-iuw}du\\ &= \frac{1}{2\pi}\int_{-\infty}^{\infty}e^{- iuU_{0}e^{\lambda t}}e^{- \frac{\lambda}{2B}u^{2}(e^{2\lambda t} - 1)}e^{-iuw}du\\ &= \frac{1}{2\pi}\int_{-\infty}^{\infty}e^{- iuU_{0}e^{\lambda t}}e^{- \frac{\lambda}{2B}(u(e^{\lambda t} - iwB\lambda) - iwB\lambda)^{2} + \frac{\lambda}{2B}w^{2}B^{2}\lambda^{2}(e^{2\lambda t} - 1)}du\\ &= \frac{1}{2\pi}\int_{-\infty}^{\infty}e^{- iuU_{0}e^{\lambda t}}e^{- \frac{\lambda}{2B}(u(e^{\lambda t} - iwB\lambda) - iwB\lambda)^{2}}du \cdot e^{\frac{\lambda}{2}w^{2}(e^{2\lambda t} - 1)}\end{aligned}$$ 其中，我们对第三行到第四行进行了平方配方法，将指数部分化为二次型的形式，再通过高斯积分将u的部分积掉。因此，傅里叶逆变换后的式子为： $$\boxed{P(w,t) = \frac{1}{2\pi}\int_{-\infty}^{\infty}e^{- iuU_{0}e^{\lambda t}}e^{- \frac{\lambda}{2B}(u(e^{\lambda t} - iwB\lambda) - iwB\lambda)^{2}}du \cdot e^{\frac{\lambda}{2}w^{2}(e^{2\lambda t} - 1)}}$$

marginal_log_mean_coeff marginal_alpha marginal_std marginal_lambda inverse_lambda model_wrapper get_model_input_time noise_pred_fn cond_grad_fn model_fn 概念介绍

这些是机器学习中的一些概念和函数： - marginal_log_mean_coeff：用于计算概率分布中的均值的系数。 - marginal_alpha：用于计算概率分布中的alpha系数的参数。 - marginal_std：用于计算概率分布中的标准差的参数。 - marginal_lambda：用于计算概率分布中的lambda系数的参数。 - inverse_lambda：用于计算概率分布中的lambda系数的倒数的参数。 - model_wrapper：一个函数，用于封装或包装一个机器学习模型。 - get_model_input_time：获取模型输入的时间。 - noise_pred_fn：一个函数，用于计算噪声的预测值。 - cond_grad_fn：一个函数，用于计算条件梯度。 - model_fn：一个函数，用于定义和实现机器学习模型。这些概念和函数在不同的机器学习应用中可能有不同的含义和用法。

x = x - self.lambda_step * torch.mm(x, PhiTPhi) x = x + self.lambda_step * PhiTb x_input = x.view(-1, 1, 33, 33)

这是一个关于代码的问题，我可以回答。这段代码是在使用 PyTorch 进行矩阵计算，其中 x 是一个矩阵，PhiTPhi 和 PhiTb 分别是两个矩阵，torch.mm 是 PyTorch 中的矩阵乘法函数，view 函数是用来改变矩阵形状的。这段代码的作用是对 x 进行一些数学运算，并将结果转换为一个 33x33 的矩阵。

Cost_cur = sum(abs(Result(:) - Img_ori(:))) + lambda*sum(abs(Result_x(:)) + abs(Result_y(:)));

这个公式是什么意思呢？这个公式是用于图像处理中的总变分正则化模型的代价函数。其中，Img_ori表示原始图像，Result表示通过总变分正则化模型求解得到的图像，Result_x和Result_y分别表示Result在x和y方向的梯度。具体来说，第一部分sum(abs(Result(:) - Img_ori(:)))表示Result与原始图像之间的差异，即二者的像素值之差的绝对值之和。第二部分lambda*sum(abs(Result_x(:)) + abs(Result_y(:)))表示Result的梯度的绝对值之和，即总变分正则化项。其中，lambda是正则化参数，用于平衡两部分的作用。通过最小化这个代价函数，我们可以得到最优的Result，即通过总变分正则化模型去噪或恢复后的图像。

解释一下这段代码def cal_Gain(G_L,G_R,H_L,H_R,reg_alpha,reg_lambda): return (G_L2/(H_L+reg_lambda)+G_R2/(H_R+reg_lambda)-(G_L+G_R)**2/((H_L+H_R)+reg_lambda))/2-reg_alpha

这段代码的作用是计算决策树分裂后的信息增益，其中G_L和G_R分别代表左右子树的样本标签总和，H_L和H_R分别代表左右子树的样本数目，reg_alpha和reg_lambda是正则化系数。通过该函数计算得到的信息增益用于选择最佳的分裂特征和特征取值。

Cost_cur = sum(abs(Result(:) - Img_ori(:))) + lambda*sum(abs(Result_x(:)) + abs(Result_y(:)))写为数学表达式

假设 $Result$ 为去噪后的图像，$Img_{ori}$ 为有噪声的原始图像，$Result_x$ 和 $Result_y$ 分别为 $Result$ 在 $x$ 和 $y$ 方向上的梯度，$\lambda$ 是一个参数用于平衡两个项的贡献。则上述式子可以写为以下数学表达式： $$ \operatorname{Cost}_{\mathrm{cur}} = \sum_{i,j} \left| Result_{i,j} - Img_{\mathrm{ori},i,j} \right| + \lambda \sum_{i,j} \left( \left| Result_{x,i,j} \right| + \left| Result_{y,i,j} \right| \right) $$ 其中，$\sum_{i,j}$ 表示对图像中所有像素点求和，$Result_{i,j}$ 和 $Img_{\mathrm{ori},i,j}$ 分别表示 $Result$ 和 $Img_{ori}$ 在 $(i,j)$ 处的像素值，$Result_{x,i,j}$ 和 $Result_{y,i,j}$ 分别表示 $Result$ 在 $(i,j)$ 处的 $x$ 和 $y$ 方向上的梯度值。

CSDN会员

开通CSDN年卡参与万元壕礼抽奖

海量 VIP免费资源千本正版电子书商城会员专享价千门课程&专栏

全年可省5,000元立即开通全年可省5,000元立即开通

最新推荐

1695914210071115_lsav-release_8a2o.mobileconfig

代码随想录最新第三版-最强八股文

这份PDF就是最强⼋股⽂！ 1. C++ C++基础、C++ STL、C++泛型编程、C++11新特性、《Effective STL》 2. Java Java基础、Java内存模型、Java面向对象、Java集合体系、接口、Lambda表达式、类加载机制、内部类、代理类、Java并发、JVM、Java后端编译、Spring 3. Go defer底层原理、goroutine、select实现机制 4. 算法学习数组、链表、回溯算法、贪心算法、动态规划、二叉树、排序算法、数据结构 5. 计算机基础操作系统、数据库、计算机网络、设计模式、Linux、计算机系统 6. 前端学习浏览器、JavaScript、CSS、HTML、React、VUE 7. 面经分享字节、美团Java面、百度、京东、暑期实习...... 8. 编程常识 9. 问答精华 10.总结与经验分享 ......

无监督视觉表示学习中的时态知识一致性算法

无监督视觉表示学习中的时态知识一致性维信丰酒店1* 元江王2*†马丽华2叶远2张驰2北京邮电大学1旷视科技2网址：fengweixin@bupt.edu.cn，wangyuanjiang@megvii.com{malihua，yuanye，zhangchi} @ megvii.com摘要实例判别范式在无监督学习中已成为它通常采用教师-学生框架，教师提供嵌入式知识作为对学生的监督信号。学生学习有意义的表征，通过加强立场的空间一致性与教师的意见。然而，在不同的训练阶段，教师的输出可以在相同的实例中显著变化，引入意外的噪声，并导致由不一致的目标引起的灾难性的本文首先将实例时态一致性问题融入到现有的实例判别范式中，提出了一种新的时态知识一致性算法 TKC（Temporal Knowledge Consis- tency）。具体来说，我们的TKC动态地集成的知识的时间教师和自适应地选择有用的信息，根据其重要性学习实例的时间一致性。

yolov5 test.py

您可以使用以下代码作为`test.py`文件中的基本模板来测试 YOLOv5 模型： ```python import torch from PIL import Image # 加载模型 model = torch.hub.load('ultralytics/yolov5', 'yolov5s') # 选择设备 (CPU 或 GPU) device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu') # 将模型移动到所选设备上 model.to(device) # 读取测试图像 i

数据结构1800试题.pdf

你还在苦苦寻找数据结构的题目吗？这里刚刚上传了一份数据结构共1800道试题，轻松解决期末挂科的难题。不信？你下载看看，这里是纯题目，你下载了再来私信我答案。按数据结构教材分章节，每一章节都有选择题、或有判断题、填空题、算法设计题及应用题，题型丰富多样，共五种类型题目。本学期已过去一半，相信你数据结构叶已经学得差不多了，是时候拿题来练练手了，如果你考研，更需要这份1800道题来巩固自己的基础及攻克重点难点。现在下载，不早不晚，越往后拖，越到后面，你身边的人就越卷，甚至卷得达到你无法想象的程度。我也是曾经遇到过这样的人，学习，练题，就要趁现在，不然到时你都不知道要刷数据结构题好还是高数、工数、大英，或是算法题？学完理论要及时巩固知识内容才是王道！记住！！！下载了来要答案（v:zywcv1220）。

基于对比检测的高效视觉预训练

10086⇥⇥⇥⇥基于对比检测的高效视觉预训练Ol i vierJ. He´naf f SkandaKoppula Jean-BaptisteAlayracAaronvandenOord OriolVin yals JoaoCarreiraDeepMind，英国摘要自我监督预训练已被证明可以为迁移学习提供然而，这些性能增益是以大的计算成本来实现的，其中最先进的方法需要比监督预训练多一个数量级的计算。我们通过引入一种新的自监督目标，对比检测，任务表示与识别对象级功能跨增强来解决这个计算瓶颈。该目标可提取每幅图像的丰富学习信号，从而在各种下游任务上实现最先进的传输精度，同时需要高达10少训练特别是，我们最强的ImageNet预训练模型的性能与SEER相当，SEER是迄今为止最大的自监督系统之一，它使用了1000多个预训练数据。最后，我们的目标无缝地处理更复杂图像的预训练，例如COCO中的图像，缩小了从COCO到PASCAL的监督迁移学习的差距1. 介绍自从Al