山西乡村大戏回归常态化疫情防控下的民生期盼

中新网太原7月19日电 题:山西乡村大戏回归:常态化疫情防控下的民生期盼

18日晚,在暂停演出半年有余后,晋剧名家谢涛和她的团队在山西太原一乡村开锣唱戏。当晚,沉寂已久的乡村迎来大戏回归。在常态化疫情防控下,山西乡村重启文化消费。

本赛季在拥有如此美妙的开局的背景下,这名真正的亚洲球王或许能憧憬赛季20球,至于他的上限在哪里?没有人能猜到答案

关键时刻,是孙兴慜站了出来。上半场补时阶段,恩东贝莱精彩摆脱后送出威胁,哈里-凯恩送出一个偏离路线的传球,孙兴慜右路得球迅速调整,射门动作一气呵成,皮球直窜网窝。热刺在被动的局面下带着平局进入更衣室。

“从春节至今,我们的一切演出取消,只能在团里排练。往年的这个时候,我们的下乡演出正忙得不可开交。”太原市晋剧艺术研究院一团副书记刘云士说,为了做好这场演出,“演员们都攒着一股劲,憋着一口气”。(完)

作为中国戏曲之乡,办庙会、唱大戏是山西乡间传承地域文化、交流各类物资的重要活动。此前,受新冠肺炎疫情影响,山西各地纷纷取消传统庙会。如今,随着疫情稳定,“或慷慨或婉转的唱腔再次回荡在乡野上空”。

使用VGG16训练 “Jigsaw++”,并使用AlexNet预测集群可获得最佳性能。 切换到更具挑战性的前置任务 “Jigsaw++”比 “Jigsaw “提高了性能。 当在Jigsaw++和下游任务中都使用相同架构的AlexNet时,知识迁移并没有明显影响。

他们通过在某些随机位置用另一个随机图像中的图块随机替换0到2个图块来扩展任务。这增加了难度,因为现在我们只需要使用剩余的补丁来解决这个问题。新的前置任务被称为 “Jigsaw++”。

这种端到端的处理流程介绍如下:

作者观察到,在一个良好的表示空间中,语义相似的数据点应该是紧密相连的。

所以,前置任务可以帮助我们学习表征。但是,这就提出了一个问题:

我们看到了如何通过对特征进行聚类,然后使用伪标签,我们可以将任何前置任务表征中的知识带入一个共同的参考模型中,比如AlexNet。因此,我们现在可以轻松地比较不同的前置任务,即使它们是使用不同的架构和在不同的数据域上进行训练的。这也让我们可以通过使用深度模型和具有挑战性的前置任务来改进自监督方法。

这就会带来了一些有趣的挑战:

谢涛说,疫情让我们的文化生活停摆了,但是传承艺术的脚步不会停止。这场演出过后,我们的下乡演出还将继续。

在当天的演出剧目中,既有《打金枝》《跑城》等经典剧目,也不乏《傅山进京》《上马街》等新编剧目。

例如,你可以设置一个前置任务,给定灰度图情况下来预测图像的彩色版本。同样,您可以删除图像的一部分,并训练一个模型从周围预测该部分。有很多类似这样的前置任务。

因此,对于自监督学习中的前置任务,目标是隐式学习一个使相同类别图像相似而不同类别图像不相似的度量。因此,如果我们能够以某种方式将语义相关的图像编码到相同的标签上,我们就可以对学习的表示提供可靠的估计。  

我们可以通过创造性地提出一个问题来实现,这样你就可以使用数据本身的一部分作为标签并尝试进行预测。这样的表述被称为前置任务

在太原市阳曲县侯村剧场内,得知谢涛、武凌云等晋剧名家登台献艺,十里八乡的乡民扶老携幼、呼朋引伴向此地汇聚。剧场外,制作各色小吃的商贩闻讯而来,早早支起锅灶。入口处,医务人员佩戴口罩、手持测温枪依次给观众测温、放行。

2. 这与知识蒸馏有什么不同?

对于下游任务,使用伪标签分类的权重初始化AlexNet模型的卷积层,并随机初始化完全连接的层。然后,在各种基准数据集上对预训练的AlexNet进行微调。

在常规的有监督分类中,图像在语义上相似的信息是通过人类注释的标签进行编码的。在这种标签上训练的模型一般都会有一个表示空间,对语义相似的图像进行分组。

AI研习社是AI学术青年和AI开发者技术交流的在线社区。我们与高校、学术机构和产业界合作,通过提供学习、实战和求职服务,为AI学术青年和开发者的交流互助和职业发展打造一站式平台,致力成为中国最大的科技创新人才聚集地。

作为国家级非遗项目晋剧”代表性传承人,一年中,谢涛多半时间是在下乡演出、对外推广晋剧。疫情之下,

使用像VGG-16这样的更深层网络,可以得到更好的表示和伪标签,也可以在基准任务中获得更好的结果。它在2018年的几个基准上得到了最优秀的结果,并进一步缩小了监督和自监督方法之间的差距。

易边再战,比赛完全被孙兴慜接管。第47分钟,孙兴慜反越位成功觅得单刀机会,韩国天王冷静施射帮助热刺将比分反超;第64分钟,第73分钟,还是凯恩送出助攻,孙兴慜再进两球,上演大四喜!韩国人成为历史上第一个,在英超上演大四喜的亚洲球员。

立足当下,面向未来,新时代新发展的蓝图已经绘就。只要我们进一步坚定信心、开拓创新,积极拥抱新技术、新业态、新模式,扎实做好“六稳”工作,落实“六保”任务,就一定会实现社会经济全面恢复、提档升级,实现高质量发展。(田甜)

4. 在伪标签上训练

知识迁移与知识蒸馏有着本质的区别。在这里,我们的目标是只保留表征中图像的簇关联,并将其转移到目标模型中。与蒸馏不同的是,我们不对teacher的精确输出做任何回归。3. 在聚类与预测伪标签中可以使用不同的数据集吗?可以,这个方法很灵活,你可以在一个数据集上进行预训练,在另一个数据集上进行聚类,然后得到第三个数据集的伪标签。作者做了一个实验,他们在ImageNet的表示上训练聚类,然后在 “Places “数据集上计算聚类中心,得到伪标签。对象分类的性能仅有小幅下降(-1.5%)。

在这种设定下,在从不同卷积层的AlexNet中提取的特征上训练线性分类器训练。对于ImageNet来说,使用VGG-16并通过聚类将知识转移到AlexNet中,可以大幅提升2%。

这个框架的效果如何?

曹保定说,当地疫情稳定后,民众生产、生活都会走上正轨。再过半个多月,当地传统庙会也将如期举行。不过,按照疫情防控常态化的要求,我们把会期从5天压缩到2天。

谢涛和她的团队也暂停了演出。

坚持扩大内需,连接内外循环。内需是经济平稳运行的“稳定器”。今年第三季度,社会消费品零售总额增长0.9%,季度增速年内首次转正。消费是社会生产过程中的最后一环,对改善供需关系、增强市场活力有着至关重要的作用。疫情发生后,多个地方出台发放消费券等政策刺激消费,激发了消费活力,促进了经济恢复,保障了民生就业。在境外疫情前景不明、全球经济增长乏力的背景下,立足于扩大内需,形成以国内大循环为主体、国内国际双循环相互促进的新发展格局,成为我国经济发展的必然选择。目前,第三届中国国际进口博览会各项筹备工作正紧锣密鼓地进行,一系列打通国内国际两个市场的政策必将进一步扩大开放,促进“双循环”格局早日落地生根、开花结果。

当晚,太原市“走向我们的小康生活”文化惠民演出启动。脱贫攻坚收官之年,在帮助困难群体摆脱贫困之后,当地政府也在积极供给文化消费。

因此,知识迁移是一种简单有效的方式,可以将表征从深层模型映射到浅层模型。

如果,你也是位热爱分享的AI爱好者。欢迎与译站一起,学习新知,分享成长。

为了定量评价这个想法,作者设置了一个实验,如下所述:

对于数据集中所有未标记的图像,我们计算前置任务模型中 的特征向量。然后,我们基于K-means聚类来分组语义上相似的图像。我们的想法是,聚类中心将与ImageNet中的类别对齐。

得益于这场下乡演出,原本略显清冷的饭店、超市等均延长营业时间。来来往往的人流中,有店主蹲坐在门口,满是期待地注视着潜在的顾客。村中广场上,众多少年正聚在一起打篮球、做运动。村中道路一度变得拥堵。

目前,衡量表征的标准方法是在一组标准任务和基准数据集上进行评估。

作者提出了一个新颖的框架,可以将知识从一个深层的自监督模型转移到一个独立的浅层下游模型。你可以使用不同的模型架构来完成前置任务和下游任务。

线性分类:利用固定特征进行ImageNet分类 小样本设定:ImageNet分类只使用1%至10%的数据。 迁移学习:在PASCAL VOC上进行目标分类、目标检测和语义分割。

聚类中心被当作伪标签。我们可以使用与上一步相同的数据集,也可以自己使用不同的数据集。然后,我们计算这些图像的特征向量,并为每个图像找到最接近的聚类中心。这个聚类中心被用作伪标签。

1. 簇的数量对性能有什么影响?网络并没有受到聚类数量的显著影响。作者在物体检测的任务上测试了在不同簇数的伪标签上训练的AlexNet。

对于非线性分类器来说,使用VGG-16将知识迁移到AlexNet上并使用聚类可以在ImageNet上获得最佳性能。  

创新融资模式,助力企业成长。融资难、融资贵、融资慢是制约着企业尤其是中小企业转型发展的难题。新冠肺炎疫情发生以来,我国通过发行特别国债、开展逆回购、提供低息贷款等金融调控措施,为市场注入流动性,帮助企业解决融资难题,渡过生产经营难关,实现了经济触底反弹、逆势上扬。要进一步缓解企业融资难题,还需要不断创新融资模式:一方面要优化证券市场运行机制,完善注册制改革配套措施,便利企业直接融资;另一方面要向中小微企业提供“精准滴灌”式的融资,保障供应链、产业链稳定,提升市场主体运营效率和运转能力。通过直接融资和间接融资的有效衔接、高效配合,支持实体经济提质增效,促进新兴技术产业蓬勃发展,实现经济平稳健康增长。

力挽狂澜哪家强?北伦敦还得找孙球王!孙兴慜的大四喜让热刺最终5比2逆转取胜,在成为白百合队史第12位英超戴帽球员的同时,还创造了亚洲球员的历史。过去四个赛季,孙兴慜的英超进球数都达到两位数,上赛季的千里单骑更是摘得英超赛季最佳进球。

“疫情打乱了所有人的节奏,我们也不例外。”面对台下水泄不通的观众,谢涛说,演员最怀念的是在舞台上的每时每刻,最留恋的就是台下观众的真诚笑脸。

作者使用VGG-16来解决前置任务并学习表征。由于VGG-16的容量增加,它可以更好地处理 “Jigsaw++”任务带来的额外复杂性,从而提取更好的表征。

如何判断一个表示学习的好坏?

在论文中,作者使用的K-means在单台Titan X GPU上运行了4个小时,将130万张图片聚成2000个类别。

将前置任务中的特征进行聚类,并将聚类中心分配给未标记的图像作为伪标签。然后,在伪标签上重新训练一个具有目标任务架构的小型网络来预测伪标签,并学习一种新的表示方法。  

在这里,我们选择一些深度网络架构,并在一些数据集上对我们选择的一些前置任务进行训练。在模型训练完成后,我们可以从一些中间层获取特征。

为了评估他们的方法,作者采取了一个名为 “拼图 “的老式拼图式前置任务,我们需要预测用来随机打乱3 * 3正方形图像网格的排列。

我们采取将用于下游任务的模型架构,并利用其将未标记的图像分类为伪标签。因此,目标架构将学习一个新的表示,这样它将把原本在预先训练的特征空间中接近的图像映射到接近的点上。

雷锋网版权文章,。详情见转载须知。

我们可以看到,上述评价方法要求我们对前置任务和目标任务使用相同的模型架构。

在伪标签数据上重新训练(来源)

对于前置任务,我们的目标是在大规模的无标签数据集上学习,因此更深的模型(如ResNet)将会帮助我们学习更好的表示。但是,对于下游任务,我们则更倾向于实际应用的浅层模型(如AlexNet)。因此,我们目前在设计前置任务时就必须考虑这个限制。 如果有些方法使用了较简单的架构,而其他方法使用了较深的架构,那么就很难公平地比较哪种前置任务更好。 我们无法将从前置任务中学习到的表征与HOG等人工设计的特征进行比较。 我们可能希望在前置任务中利用多个数据域,如声音、文本和视频,但目标任务可能会限制我们的设计选择。 在前置任务上训练的模型可能会学习到对通用视觉识别无用的额外知识。如今,最后一层的任务特定层会被忽略,实际只取权重或特征到一定的卷积层。

“这是疫情稳定后,我们这里迎来的第一场大戏。很多人很早就盼上了。”当地村民曹保定说,疫情影响了村民的生产、生活,乡村清冷了许多。希望这场大戏过后,我们的生活也会渐渐恢复正常。

在本文中,他们使用了701个总排列,其最小汉明距离为3。他们对每个图像块分别应用均值和标准差归一化。他们还将图像的灰度化率提高到70%,以防止网络利用低浅显的统计信息而作弊。

通过对前置任务的预训练,希望模型能够学习到有用的表示。之后,我们可以只用一小组标记的训练数据,可以将模型微调到下游任务,例如图像分类、对象检测和语义分割。

对来自VGG-16的表示进行聚类,并将聚类中心转换为伪标签。然后,AlexNet被训练来对伪标签进行分类。

b. 用更深层次的网络来解决借口任务

d. 在评估数据集上对AlexNet进行微调