Jenkins 是一个开源软件项目，是基于 Java 开发的一种持续集成工具，用于软件项目的持续集成。简单地说，你可以通过 Jenkins 服务，把 github 上的更新自动安装部署到指定位置。 1 安装 最简单，又不影响系统的方式，还是以 docker 方式安装： 1$ docker run -p 8080:8080 -p 50000:50000 -v jenkins_home:/var/jenkins_home jenkins/jenkins:lts-jdk11 此时 jenkins 的镜像被自动下载，并启动。 2 配置 用浏览器打开 8080 端口。 然后按界面提示从 docker 中的 passwd 文件中找到密码，并登录。 如果是第一次使用，选“按推荐安装插件”，等进度条运行结束。 按提示设置管理员用户名和密码。 设置完成后即可开始使用。 3 开始使用 不同版本的界面大同小异： 创建任务 (也叫 " 新建 Item" 或 "New 任务 ") 先尝试一下最常用的流水线任务 (也叫 "Pipeline") 点 Github 项目，然后输入 github 项目地址，SCM ...

英文题目：Anomaly Detection: A Survey 中文题目：异常检测综述 论文地址：https://readpaper.com/paper/2122646361 领域：异常检测 发表时间：2009 作者：VARUN CHANDOLA 等，明尼苏达大学 出处：ACM Computing Surveys 被引量：11797（谷歌学术） 1 读后感 一篇典型的综述文章，快速了解异常检测的定义，用途，方法……发表时间比较早，是机器学习异常检测方法的总结。正文 50 多页，比较长。 2 介绍 文章根据方法对异常检测分类，对于每个类别，提供一个基本的异常检测技术，然后展示该类别中新技术与基本技术的差异，此类技术的优缺点及计算复杂度。 异常一般包含：异常 (anomalies)、离群点 (outliers)、不一致的观察结果 (discordant observations)、特例 (exceptions)、畸变 (aberrations)、意外 (surprises)、特性 (peculiarity) 或污染 (contaminants)。其中又以异常和离群点最为常见。 异常检测的 ...

英文题目：The Lottery Tickets Hypothesis for Supervised and Self-supervised Pre-training in Computer Vision Models 中文题目：用基于彩票假设方法裁剪视觉模型 论文地址：https://arxiv.org/pdf/2012.06908.pdf 领域：机器视觉，深度学习，模型剪枝 发表时间：2021 作者：Tianlong Chen 等，德克萨斯大学 出处：CVPR 被引量：26 代码和数据：https: //github.com/VITA-Group/CV_LTH_Pre-training 阅读时间：22.10.06 读后感 文章介绍了一种针对图像处理的剪枝算法，不同与以往先训练后剪枝的方法，它的目标是直接训练出一个稀疏的子网络，并使子网络性能与稠密网络性能相当。 介绍 预训练模型提升了计算机视觉的效果，目前主流的方法是有监督学习和半监督学习。作者提出：可否在不影响下游任务性能的同时，降低预训练模型的复杂度？ 文中提出基于彩票假设的方法（lottery ticket hypothesi ...

常用线性回归模型 多元线性回归 多元线性回归是最常用的预测数值型目标的建模方法，也常用于数据分析中的多因素分析。 \[ \min_w||Xw-y||_2^2 \] 后面几种回归都是在它基础上稍做修改。当特征数多于实例数，某些数据有问题，或者某些特征相关性高时，线性回归得到的参数常常数值很大，常用 Lasso 回归和 Ridge 回归解决这一问题，防止模型过拟合。 lasso 回归（套索回归） lasso 回归倾向于减少有效参数，使模型更加简单。具体方法是修改损失函数，将 L1 范数（各个元素绝对值之和）加入惩罚项，它可生成稀疏的模型参数。常用于特征存在共线性的情况，实现模型特征选择。 \[ \min_w\frac{1}{2n_{samples}}||Xw-y||_2^2+\alpha||w||_1 \] ### Ridge 回归（岭回归） 和 Lasso 回归类似，将 L2 范数（向量所有元素的平方和的开平方）加入惩罚项。常用于数据个数小于数据维度的情况，它限制参数大小，使之逼近 0。 \[ \min_w||Xw-y||_2^2+\alpha||w||_2^2 \] ### Huber ...

模型压缩 对于复杂问题建模时，深度学习模型在容纳更多参数的情况下，效果一般更好，但是模型占内存大，预测时间长的，往往限制其在小型或普通配制的硬件上使用。一般使用模型压缩方法给模型减肥，主要方法总结如下。 模型剪枝 移除对结果作用很小的参数权重，如接近0的参数。具体如去掉某些卷积核，或者卷积核中的某些权重，还有对通通道的减枝，对层的减枝，对注意力头的减枝等。 #### 非结构剪枝 非结构剪枝相对比较底层，使模型结构受到影响，pytorch，tensorflow不能支持。常用结构剪枝，相对简单，但没有非结构剪枝效果好。 结构剪枝方法如：DropOut，DropConnect让神经元或连接失活，置0，但仍然会参与计算。 有一些改进，比如根据全局所有参数的分布来计算某一道通路是否被减掉。 #### 结构剪枝 移除通道（Network slimming, 2017），通过减枝和微调不断迭代，可以把yolo3减掉70%。 彩票假设（The Lottery Tickets Hypothesis, ICLR 2019），找彩票子网络（比较特殊的子网络）。 彩票代码: torch.nn.utils.pr ...

EasyNLP 中文 NLP 算法框架 作者：PAI（阿里云人工智能平台）算法团队 平台：基于 PyTorch 优势：中文预训练模型 提供：AppZoo 和预训练 ModelZoo，ModelZoo 有很多预训练模型，EasyNLP 可以无缝接入 huggingface/transformers 的模型；AppZoo 支持文本分类，文本匹配，序列标注等任务。 工具： 支持小样本训练：Contrastive Prompt Tuning。 大模型知识蒸馏技术：让跨领域典型性的样本在学习阶段有更大的权重。 数据：DataHub 还支持一些中文训练数据 项目开源地址：https://github.com/alibaba/EasyNLP 蒸馏算法实现：EasyNLP/examples/knowledge_distillation/metakd

英文题目：SimCSE: Simple Contrastive Learning of Sentence Embeddings 中文题目：SimCSE：用简单的对比学习提升句嵌入的质量 论文地址：https://export.arxiv.org/pdf/2104.08821.pdf 领域：自然语言处理，对比学习 发表时间：2021.04 作者：Tianyu Gao, 普林斯顿大学，清华大学 出处：EMNLP 被引量：83 代码和数据：https://github.com/princeton-nlp/SimCSE 阅读时间：2022.09.18 (周五同事分享，简单整理笔记) 读后感 主要用于提升句嵌入的质量。方法很简单，利用 BERT 模型本身的 dropout 性质，通过同一输入输出不同嵌入作为正例对，然后取同一 batch 下的反例对训练模型。 介绍 自监督学习主要包含：生成式，对比式，对抗式。其中的对比学习原理是：利用无监督数据，通过巧妙的方法构造正例/反例（一般是一个正例对应多个反例），训练模型，让正例距离足够近，反例距离足够远，以利用无监督数据，进行更好地表示（表征）。 一般 ...

英文题目：TINYBERT: DISTILLING BERT FOR NATURAL LAN-GUAGE UNDERSTANDING 中文题目：TinyBERT: 提炼 BERT 的自然语言理解能力 论文地址：https://arxiv.org/pdf/1909.10351.pdf 领域：NLP，知识蒸馏 发表时间：2020 作者：Xiaoqi Jiao, 华中科技大学 出处：ICLR 被引量：67 代码和数据： https://github.com/huawei-noah/Pretrained-Language-Model/tree/master/TinyBERT https://github.com/Lisennlp/TinyBert https://github.com/qiangsiwei/bert_distill（数据是中文的） 阅读时间：22.09.16 读后感 对 BERT 模型进行蒸馏，老师模型和学生模型都使用Transformer架构，但是层数和每层的输出维度可以不同，从而实现对模型的精减。 介绍 预训练的大模型难以应用到资源受限的系统中，文中提出针对 Trans ...

英文题目：Distilling Task-Specific Knowledge from BERT into Simple Neural Networks 中文题目：从 BERT 中蒸馏指定任务知识到简单网络 论文地址：https://arxiv.org/pdf/1903.12136.pdf 领域：自然语言，深度学习 发表时间：2019 作者：Raphael Tang, 滑铁卢大学 被引量：226 代码和数据：https://github.com/qiangsiwei/bert_distill 阅读时间：2022.09.11 读后感 第一次对大型自然语言模型的蒸馏：将 BERT 模型蒸馏成 BiLSTM 模型。 介绍 在自然语言处理方面，随着 BERT,GPT 等大规模预训练模型的发展，浅层的深度学习模型似乎已经过时了。但由于资源的限制，又需要使用小而快的模型。 文章的动机是讨论：浅层模型是否真的不具备对文本的表示能力？并展示了针对于具体的任务，将 BERT 蒸馏成单层 BiLSTM 模型的方法和效果。也通过大模型（起初训练的复杂的模型，后称 Teacher/T）和小模型（蒸馏后的模型 ...

英文题目：Meta-KD: A Meta Knowledge Distillation Framework for Language Model Compression across Domains 中文题目：Meta-KD: 跨领域语言模型压缩的元知识蒸馏框架 论文地址：http://export.arxiv.org/pdf/2012.01266v1.pdf 领域：自然语言处理, 知识蒸馏 发表时间：2020.12 作者：Haojie Pan，阿里团队 出处：ACL 被引量：1 代码和数据：https://github.com/alibaba/EasyNLP（集成于 EasyNLP） 阅读时间：2022-09-17 读后感 结合元学习和蒸馏学习：元学习使得模型获取调整超参数的能力，使其可以在已有知识的基础上快速学习新任务。 介绍 预训练的自然语言模型虽然效果好，但占空间大，预测时间长，使模型不能应用于实时预测任务。典型的方法是使用基于老师/学生模型的知识蒸馏。而模型一般面向单一领域，忽略了不同领域知识的知识转移。本文提出元蒸馏算法，致力于基于元学习的理论，让老师模型具有更大的转移能力 ...