罟霖

本文将从实际复杂案例的角度对torch.einsum()的计算过程进行分析，一步一步的推导最终输出的每个元素和输入元素之间的关系。

UDA  UDA想解决的问题是目标域上数据标签的缺乏，具体而言，存在着源域和目标域，源域上存在大量的标注样本对$D_s={(X_i,y_i)}$，我们可以在上面以有监督的方式训练各种模型，但此外我们想

Ignite是Pytorch配套的高级框架，我们可以借其构筑一套标准化的训练流程，规范训练器在每个循环、轮次中的行为。本文将分析Ignite的运行机制、如何将Pytorch训练代码转为Ignite范式

自监督对比学习  本篇承接前一篇自监督对比学习的介绍自监督对比学习系列论文（一）：无引导对比学习--MOCO,SimCLR，这次主要关注于包含先验指导的对比学习，这一指导更进一步的可以区分为聚类指导以

自监督对比学习  对比学习（self-supervised learning）的应用场景是用无标记或者少标记的数据进行模型的预训练以得到一个较好的预训练模型，然后便可将该模型轻松的迁移到到下游任务上。

本次的目标是绘制数据的一维散点分布图，应用场景是数据一维标签的聚类可视化，需要为每一类样本单独绘制一维散点分布图，并在同一张画布上显示。

FreeSurfer流程处理完成的数据过于庞杂。本篇作为前一篇的补充，介绍了输出文件较为重要的几项，以及如何从中获取脑区的形态学特征。

ABIDE数据集介绍及下载  ABIDE Prerocessed项目是在ABIDE I 项目的基础上发展而来，主要是对ABIDE I中采集到的原始数据进行了一定的预处理和初步的特征提取。

np.shuffle`和`np.permutation`都可以完成对于array的打乱工作，但它们所针对的都是1-D array，使得其应用场景较为有限。针对这一问题，本文给出一个沿任意轴进行打乱的方