鸽鸽 2021-09-05 21:25:23
本文使用飞桨（PaddlePaddle）基于paddle.vision.datasets.Flowers数据集实践小样本学习问题的Pretraining+Fine Tuning解法。
...全文
网页链接
1547 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
小样本学习(Few-Shot Learning)（三）
1. 前言 本文使用飞桨（PaddlePaddle）基于paddle.vision.datasets.Flowers数据集实现小样本图片分类。 小样本学习(Few-Shot Learning)（一）讲解了小样本学习问题的基本概念及基本思路，并介绍了使用孪生网络解决小样本学习问题的方法。 小样本学习(Few-Shot Learning)（二）讲解了小样本学习问题的Pretraining+Fine Tuning解法。 本人全部文章请参见：博客文章导航目录 本文归属于：元学习系列 2. 预训练神经网络（Pretr
碳排放流碳排放流理论+MILP+源荷协同优化研究（Matlab代码实现）
内容概要：本文围绕碳排放流理论与混合整数线性规划（MILP）方法，开展源荷协同优化研究，旨在通过Matlab代码实现低碳、高效的能源系统调度。研究综合考虑电源侧、负荷侧及电网传输环节，构建了能够精确追踪碳排放流动路径的优化模型，并采用MILP方法进行多时段协同决策求解，实现了对系统运行的全局优化。文中系统阐述了碳排放流的建模机制、源荷两侧的协同约束条件以及以碳排放最小化为核心的多目标函数设计方法，通过Matlab编程完成模型求解与仿真验证，结果表明该方法能有效降低系统整体碳排放水平，提升清洁能源消纳能力，并优化能源资源配置效率。; 适合人群：具备一定电力系统、运筹学及低碳能源系统相关基础知识，熟悉Matlab编程环境，从事能源系统优化、综合能源管理、碳排放核算与调度、虚拟电厂等领域研究的科研人员、工程技术人员及研究生。; 使用场景及目标：①应用于虚拟电厂、区域综合能源系统、微电网等场景下的多时间尺度低碳优化调度；②实现电网中碳排放责任的精细化溯源与分摊，为碳交易机制下的经济激励与成本分摊提供量化依据；③为新型电力系统低碳化、清洁化转型提供科学的分析工具与决策支持手段。; 阅读建议：读者应结合文中提供的Matlab代码，深入理解碳排放流建模的数学逻辑与MILP优化问题的构建过程，重点关注目标函数与约束条件的数学表达形式及其物理意义，建议动手复现算例，通过调整参数和场景设置，探究不同因素对优化结果的影响，从而深化对源荷协同机制与碳流分配原理的认知。
ExcUserFault_QQMailAppShareExtension-2026-08-15-223549.ips
ExcUserFault_QQMailAppShareExtension-2026-08-15-223549.ips
sfavit-s-cascade-mask-rcnn-giou.pth
sfavit-s-cascade-mask-rcnn-giou.pth
飞桨PaddlePaddle

544

社区成员

1,211

社区内容

发帖
与我相关
我的任务
社区描述
飞桨官方CSDN号，欢迎小伙伴投稿飞桨的学习笔记！
学习经验分享python 企业社区
社区管理员
  • 飞桨PaddlePaddle
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
欢迎投稿飞桨的学习笔记，我们通过积分奖励投稿文章，每月1日即可兑换JD卡！

试试用AI创作助手写篇文章吧

+ 用AI写文章