Asthestarsfall

music21是由MIT开发计算音乐学分析Python库，可以处理包括MusicXML，MIDI，abc在内的等多种格式的音乐文件，网络上并没有很多中文教程，希望分享给对计算机音乐抱有同样兴趣的伙伴。

分类任务的基础知识——softmax和交叉熵损失函数，本文将会从多个角度介绍softmax和交叉熵损失函数，详细说明交叉熵的由来，网络正向反向传播过程。

高通AI研究室针对视频任务提出的Skip-Convolution，在计算成本降低3至4倍的同时，几乎没有任何精度下降，思路较为简单，但是实现起来比较复杂。

从频域角度切入，弥补了现有通道注意力方法中特征信息不足的缺点，通过引入更多的频率分量来充分的利用信息。

接上篇，本篇将会介绍RepVGG模型的复现过程，复现代码已开源，https://github.com/Asthestarsfalll/RepVGG-MegEngine。

提出DFANet，从单个轻量级主干网络开始，分别通过子网（sub-network）和子级（sub-stage）的级联来聚合显著特征，基于多尺度特征传播，大大降低了参数量，但仍然获得了足够的感受野

使用Cycle Gan实现了不同音乐类型的转换，在原有模型的基础上，引入了新的loss提升生成的音乐质量，文末附网络复现仓库，欢迎star。

抛弃循环结构，完全基于注意力的网络——Attention is all you need！！！！！！

本文将会带你使用MegEngine框架快速复现RepVGG，请确保你对PyTorch等至少一个深度学习训练框架足够了解。