比特派官方版钱包|stkd

首页
stkd

比特派官方版钱包|stkd

作者：比特派官方版钱包

2024-03-07 21:16:52

申通快递单号查询_快递100

我的寄件订单

用户中心

退出

首页

个人用户

产品介绍

寄快递

国际快递

快递大全

开放服务

企业用户

电商快递管家SaaS

API开放平台

企业快递管理SaaS

物流服务商

快递员收件端

快递公司入驻

接口(API)

产品介绍

接口申请

技术文档

云平台

商家寄件

首页 > 快递公司大全 > 申通快递单号查询

申通快递单号查询

服务网点

在线客服

看不清，换一张

请您输入电话号码：

例如，您可以输入：776380998716545批量导入查询>

寄快递，免费预约上门取件立即寄件

微信扫一扫

快递100官方提供“丢必赔”服务，快递就要“安心寄”

手机绑定

打印查询结果

该单号或为原百世快递单号

时间地点和跟踪进度

抱歉，暂无查询记录

快递单号错误？请确认您输入的单号是否正确

单号确认无误？请稍后再试，或者访问官网试试请稍后再试，可能是网络拥堵造成

查询服务正在升级维护中请访问官网去查询

绑定淘宝卖家账号，自动查找异常件>>

分享查询结果给微信好友

扫码分享微信好友，跟踪物流信息

快递100现已支持在线打印快递单

更多模板登录后选取

立即使用

支持单个打印、批量打印，支持电子面单、智能发货。

申通快递网点

北京

吉林

内蒙古

四川

重庆

广东

贵州

海南

黑龙江

浙江

安徽

山东

云南

甘肃

宁夏

青海

湖南

江西

江苏

上海

辽宁

河北

山西

天津

新疆

西藏

湖北

陕西

台湾

河南

福建

广西

申通快递

申通快递品牌初创于1993年，是国内最早经营快递业务的品牌之一（EMS快递、圆通快递），历经十多年的发展，申通快递在全国范围内形成了完善、流畅的自营速递网络，基本覆盖到全国地市级以上城市和发达地区县级以上城市，尤其是在江浙沪地区，基本实现了派送无盲区。申通快递在全国各省市（包括西藏拉萨等偏远地区）有六百多个一级加盟商和两千多个二级加盟商、四千多个门店，50多个分拨中心，全国网络共有从业人员四万多名，上万辆干线和支线网络车，日均业务量近百万票，年营业额超过四十亿元，成为国内快递网络最完整、规模最大的民营快递体系。申通快递主要提供跨区域快递业务，市场占有率超过百分之十，使公司成为国内快递行业的龙头企业之一。随着国内快递需求的多样化，公司紧贴市场，不断进行产品创新，继续提供传统快递服务的同时，也在积极开拓新兴业务，包括第三方物流、电子商务物流配送服务和代收货款业务、仓储服务、贵重物品通道服务等，目前已经成为国内最重要的电子商务物流供应商。申通快递全国统一客服热线：95543快递100提供-申通快递快递查询、申通快递单号查询、申通快递物流查询、申通快递寄件等服务。

查找附近快递员，一键寄快递

寄快递，免费预约上门取件

微信扫一扫

快递100官方提供“丢必赔”服务，快递就要“安心寄”

为保护客户的隐私安全，请输入

快递预留的收/寄件人联系方式的

后四位进行验证

验证

了解我们

关于快递100

新闻资讯

隐私政策

博客文章

关注我们

微信公众号

新浪微博

联系我们

联系方式

加入我们

帮助文档

快速通道

手机HTML5站

快递网点入驻/加盟

快递网点维护/更新

快递100企业微信

快递100公众号

您好

请问有什么可以帮到您吗？

立即咨询

一对一咨询

免费试用

联系商务

快递100企业微信

扫码关注

快递100公众号

申通快递快件查询

全国统一客服热线：95543

快件查询

一键下单

查询

申通快递(SZ002468)股票股价_股价行情_财报_数据报告 - 雪球

(SZ002468)股票股价_股价行情_财报_数据报告 - 雪球首页行情行情中心筛选器新股上市买什么交易A股交易基金交易私募中心下载App扫一扫，下载登录/注册公司概况公司简介公司高管IPO文件股权信息股本结构十大股东十大流通股东基金持股高管增减持股东人数限售解禁股票交易成交明细分价表大单统计大宗交易龙虎榜数据融资融券公司公告最新公告年度报告公司运作股东大会收入构成重大事项分红送配增发一览内部交易IR活动记录财务数据业绩预告主要指标利润表资产负债表现金流量表所有者权益变动雪球选股器研究分析杜邦分析研究报告APP专享大盘异动股价提醒购买指数相关ETF扫码下载雪球App查看详情申通快递(SZ:002468)深股通可融资可卖空¥7.89-0.11 -1.38% 6.66 万球友关注已收盘 03-07 15:04:51 北京时间最高：8.05今开：7.98涨停：8.80成交量：89822手最低：7.87昨收：8.00跌停：7.20成交额：7142.92万量比：0.73换手：0.60%市盈率(动)：40.98市盈率(TTM)：40.56委比：64.18%振幅：2.25%市盈率(静)：41.98市净率：1.44每股收益：0.19股息(TTM)：--总股本：15.31亿总市值：120.78亿每股净资产：5.47股息率(TTM)：--流通股：14.92亿流通值：117.72亿52周最高：11.9652周最低：6.15货币单位：CNY分时五日日K周K月K季K年K120分60分30分15分5分1分区间统计全屏显示手机版沪深Lv2行情股票对比前复权前复权后复权不复权MABOLL成交量MACDKDJPEPBPSPCF总市值陆股通持股两融差额WRRSIBIASCCIPSY近1月近3月近6月近1年近3年近5年今年以来上市以来-简介申通快递股份有限公司主营业务为快递服务。公司的主要产品及服务为信息服务、物料销售、有偿派送、中转、冷链、仓储配送。公司网站：http://www.sto.cn公司地址：上海市青浦区重达路58号公司电话：86-21-60376669业务快递服务业。

读论文：STKD :从同步教学中提炼知识以实现高效的模型压缩_stkd: distilling knowledge from synchronous teachi-CSDN博客

读论文：STKD :从同步教学中提炼知识以实现高效的模型压缩

a44267113

已于 2023-07-24 15:30:08 修改

阅读量231

点赞数

文章标签：

机器学习

于 2023-07-24 14:28:07 首次发布

本文链接：https://blog.csdn.net/a44267113/article/details/131547673

版权

标题: STKD: Distilling Knowledge From Synchronous Teaching for Efficient Model Compression 作者: Tongtong Su , Jinsong Zhang , Zhaoyang Yu , Gang Wang 原文地址：https://ieeexplore.ieee.org/document/9757208

文章目录

==Abstract====Introduction====贡献====综述==一、相关工作二、方法2.1 动机与概述2.2 在线蒸馏KD2.3 离线蒸馏KD2.4 全损失训练算法

三、实验3.1 实验设置3.2 在CIFAR上的结果3.3 在SVHN和ImageNet上的结果3.4 消融实验3.5 效率分析

==总结====未来展望==

Abstract

现有的高级KD方法都局限于固定的特征提取，也就是捕获教师的结构只是来指导学生训练，通常不能为学生获得全民的知识。为此，本文提出了同步教学知识蒸馏STKD，以整合在线和离线教学，从而向学生传递丰富而全面的知识。通过该方法可以结合各种不同KD方法的优点。并在几个真实数据集上取得了显著的性能提升。

Index Term——Knowledge distillation (KD), model compression, mutual learning network, prior knowledge.

Introduction

深度卷积神经网络在计算机视觉任务上表现优异,但其需要大量数据、参数和计算资源。而日常中的移动设备受限于计算能力、存储空间和能耗,部署模型于其上存在困难。模型压缩技术能够减小模型规模,使其部署到资源受限的移动设备成为可能,是实现高效推理的重要手段。而知识蒸馏KD方法就是模型压缩的有效方法之一：它从一个较大的教师网络中提取知识来指导一个较小的学生网络的训练，如下图所示：而传统的KD都是以离线蒸馏的方式进行的：先训练一个高容量的复杂模型来作为教师模型，然后将其作为暗知识来训练学生模型。这种方法大多聚焦于从预训练教师中利用类概率和中间特征等知识,意味着它们只提供教师和学生网络之间的单向KD。但是却忽略了训练过程中生成的有价值知识，而这也可以互相迁移进行交互学习。

在线蒸馏：对教师和学生没有明确的定义，并采用对等学习策略来训练所有对等网络。但是这种方法也有一定的局限性：

首先，有限的知识被提炼并传递给每个学生，因为它只利用来自两个或更多对等网络的最终预测来进行知识共享；其次，中间层中的信息交互被忽略，这导致编码在中间层中的有用特征和知识在很大程度上被遗忘；最后，这种策略缺乏高能力的教师来为学生产生指导性的指导，因此对目标网络提供无效的监督；

对此，本文就推出了一种新的同步教学知识蒸馏STKD，它将在线KT和离线KT集成到一个统一的框架中,以生成更好地指导学生网络训练的有用和全面的知识,如下图所示：

执行教师-学生优化来训练紧凑的学生网络和从两个教师中提取知识。具体来说,学生网络以在线KD的方式从后验教师中学习知识,以离线KD的方式从先验教师中学习知识。方法通过在线离线双向知识迁移的统一框架,使学生网络在中间层与后验教师网络互学习提高软预测质量,在最终层与其对齐软概率获取高级知识特征,并与先验教师网络协同训练获取额外指导性监督,从而同时获得教师网络的多方面知识,改进知识蒸馏的训练性能。

贡献

提出了一种创新的KD学习方法STKD，将线上与线下知识转移KT都纳入到统一框架中，向小型的学生传递全面的知识；本文将教师的多层次知识引入到学生的学习过程中，引导其学习中高级知识。还将教师模型中获得的先验知识来引导学生网络；在四个基准数据集上评估了STKD方法。并发现其具有最优的性能；

综述

一、相关工作

训练铜川的超参数话DNN模型往往需要占用大量的存储空间和计算资源。因此，在一些资源受限的边缘设备上部署如此复杂的网络是不可能的。

离线KD：就是训练一个庞大的教师网络，然后向一个小型的学生提供知识。该方法主要提供先验知识；在线KD：对等网络之间相互交换分类知识，协同工作。该方法主要提供中级知识和高级知识；

本文则是结合了上面两种方式，从而为学生传递丰富而全面的知识，即采用两位教师监督学生的训练过程，也就是先用离线KD的方法来引导学生，再用在线KD的方法来和学生互相转移中高级知识。其结构如下图中(d)所示：

(a)就是离线KD方法，(b) 是在线KD方法，©是在线KD方法的一种改进。

二、方法

2.1 动机与概述

现有的KD方法在训练过程中只提取了最后一层的有限知识，而忽略了中间层的特征。为此，本文倾向于提取中底层的特征，再利用两位教师来传递更全面、多层次的知识，来对学生产生较强的监督作用。

动机：当老师再教授某种知识时，学生不仅局限于当前的课堂知识，还要会借鉴和参考以前的知识。这也就意味着要同时应用线上KD和线下KD；

本文的框架如下图所示：

先采用后向师生对，以相互学习的方式交互，生成中级知识和对应的软化对数来作为高级知识。然后应用前向老师执行标准KD损失，以提供包含有用信息的软目标

2.2 在线蒸馏KD

本文使用WRN模型来作为骨干网络，如下图所示：

WRN是由一些特殊的块组成，而这些块被称为宽剩余块WRB；在该工作中，中项知识被提炼出来，然后通过KL巡视提供相互监督。

工作原理：最小化教师和学生模型的中间特征之间的分歧，这被用作基础知识；将KL损失应用于中间KD有两个优点：

在KL损失的监督过程中，并行网络根据自身固有差异来学习特征图知识，可以提取更多的信息来提升学习能力；对特征映射对进行直接比较，从而使得它们的行为相似。而KL损失可以减少特征映射级别的差异，从而使学生表现更好；

此处，后验教师T和小型学生S由M个区块组成，并产生M个中间特征分布，分别为

{

}

\{f_i^T\}^M_{i=1}

{fiT}i=1M和

{

}

\{f_i^S\}^M_{i=1}

{fiS}i=1M（M是块的数量）。为了利用中间知识，本文引入了一个中间约束条件，也就是让学生的特征分布与教师的一致。采用了KL分歧来匹配两个模型的中间特征分布。第i个区块对的损失可以表示为：

(

)

(

)

L_{KL}^{block}(X,f_i^T,f_i^S)=KL(f_i^T,f_i^S)

LKLblock(X,fiT,fiS)=KL(fiT,fiS)

对于以上的这个区块对，本文设计了一个块单元（也就是虚线框起来的），并强迫学生在每个阶段结束时接受老师的外部指导。这种方法可以使得学生具有与教师同等的预测能力，它还有利于提高学生的特征提取能力。

将块单元的中间特征损失定义为个特征映射对的和：

∑

(

)

L^{Inter}=\sum^{M}_{i=1}L_{KL}^{block}(X,f_i^T,f_i^S)

LInter=i=1∑MLKLblock(X,fiT,fiS) 通过该函数来优化输出信息的质量。此外还采用了L2损失和交叉熵损失来训练模型：

L2损失

还通过交叉熵CE损失来调整神经网络的权值：整体在线教学的KT损失函数如下所示：

其中α和β是平衡的权重系数。我们采用Linter损失来使并行网络之间基于中间特征对共享信息。此外,我们使用LLogits损失通过对齐其logit信息来生成有用的监督。

2.3 离线蒸馏KD

该方法可以提供额外的知识，这不仅可以提高学生模型的质量，还可以加快训练收敛速度。

师生模型被训练成一开始就互相分享信息。而一个优化的教师网络对于该框架来说十分重要。因此，通过先任教师将有价值的知识以离线的方式转移，进一步优化学生网络，可以提供不同类型的知识。

该方法主要是给学生模型提供了logits信息，从而加快了训练。logits信息中通常携带有暗知识到学生网络，而其中就包含了不正确分类结果的相对概率，这可以用来理解教师。本文引入了临时参数

\tau

τ来控制第I个软目标的重要性：

其中，

a_{T2}

aT2为教师网络的logits值，

a_S

aS是学生网络的logits值。通过这个softmax函数将原始向量转换为概率向量。教师模型在之前就已经经受过了足够的训练，可以以离线KD的方式提炼和传递知识给学生

离线损失包括两部分：KD损失和CE损失。我们通过CE定义KD损失以匹配学生的软化logits

(

)

\tau(o_S)

τ(oS)和教师的软化logits

(

)

\tau(o_{T2})

τ(oT2)

KD损失的优点：首先，它可以迫使学生网络从老师的柔化输出中学习；此外，标准KD方法可以加快数据几何因子的收敛速度；

纯KD损失可以表示为：

式中γ为LKD的平衡权重系数。同样，我们使用γ = 0.7和τ = 4进行KD训练

2.4 全损失训练算法

就是将前面两个损失加在一起然后进行训练。

其中：首先优化先验老师以向学生提供更多信息，同时通过整体损失函数训练具有后向老师的学生。

对于在线KT，我们采用DNN模型的逐块单元进行知识传递，每个块的输出作为中间特征分布。此外，采用L2损失来匹配logits，从而为学生提供高质量的监督；对于线下KT，考虑到高容量的教师可以对学生进行较强的监督，我们利用预训练的预测输出提供额外的指导，从而进一步提高学生的表现；

三、实验

3.1 实验设置

数据集：分别在CIFAR-10、 CIFAR-100、 SVHN和ImageNet ILSVRC 2012上进行实验来验证其有效性： (1) CIFAR-10/100：包含了从10个类别中提取的3232的RGB小图像，每个类别包含6000张图像。而CIFAR-100则是包含有100个类别（就是有20个大类，每个大类中包含有5个子类）； (2) SVHN：这是一个真实世界的图像数据集，它类似于MNIST数据集，具有0到9类别中的3232的RGB小裁剪数字； (3) ImageNet：这是一个包含有1000个不同对象类别的大规模数据集，并且其中每个图像的大小也很多样。本文将图像裁剪为224*224的大小，用于训练和测试，并且这些图像也都包含了更多不相关的噪声，更好的反应真实情况；基础方法：本文拿来对比的方法可以分为两部分： (1) 离线KD方法：ATKD和SPKD； (2) 在线KD方法：DML、RLKD、CTKD、FFL和OKDDip； base则是表示没有老师的普通CNN模型；

ATKD：老师将注意力映射信息传递给学生； SPKD：更加强调内部块相似性，鼓励学生保持教师的成对激活相似性； DML: 使用KL散度来匹配对等网络的软化预测； RLKD:采用轻网络和助推网络进行协同训练； CTKD:采用零工教师和专家教师来培养一个紧凑的学生，利用从零开始教师的最终逻辑和专家级教师的中级注意力特征，共同培养学生； FFL:将特征融合和KD相结合，提高了子网和融合模块的性能； OKDDip：它采用不同的对等网络进行在线知识发现，执行两级蒸馏，其中基础蒸馏作为多样性保持的组蒸馏与几个辅助对等体一起工作，第二级蒸馏将多样性增强的组知识转移到最终的学生模型，称为组领导者；

3.2 在CIFAR上的结果

CIFAR数据集是一种比较常用的用于验证KD性能的数据集。

首先，我们在CIFAR-10和CIFAR-100数据集上训练先验教师，分别达到95.06%和76.35%。第二，同时训练后验教师和学生，以生成中间特征图和最终输出。后一位>老师和学生在前一位老师的监督下，通过相互教学来学习。

表1展示了不同知识蒸馏方法在CIFAR-10和CIFAR-100上的比较结果：

前三行代表了三种经典的离线知识蒸馏方法。我们可以观察到SPKD可以比之前的在线知识蒸馏方法取得更好的准确率。STKD分别在CIFAR-10上比Base和SPKD提高了1.19%和0.21%,实现了最好的结果。此外,STKD在两个CIFAR数据集上一致优于所有在线知识蒸馏方法。具体来说,与DML、RLKD、CTKD和FFL相比,STKD在CIFAR-10上的准确率提高可达0.97%、0.43%、0.27%和0.61%,在CIFAR-100上的准确率提高可达1.88%、1.09%、0.45%和0.2%。 STKD与CTKD的主要区别在于后者以单向离线的方式传输中间知识。相比之下,我们的STKD方法在传递中间知识时进行教师教学和学生学习之间的互动学习。这意味着两个并行网络都可以根据实际需求深挖隐藏信息以互相学习,从而优化教师和学生网络的性能； DML和FFL不能从中间层提取有价值的特征和知识。我们的STKD方法充分利用了中级知识。

下图则是展示了不同蒸馏方法的识别错误率对比：

可以观察到,所提出的STKD一致优于其他方法。此外,STKD在CIFAR-100上的改进显著,将学生网络的准确率提高了基准的2.7%。与以前的知识蒸馏算法不同,STKD方法在CIFAR-100上的性能提升远大于CIFAR-10。因为该方法旨在从两个老师模型中提取全面的知识,所以它在更具挑战性的数据集上表现出色。

下图显示了在两个数据集上的分类准确度和测试损失：

直观地说，我们提出的STKD极大地提高了学生网络的性能，因为我们传输双向知识来生成指导性的指导；通过上面两张图也可以看出，本文所提出的STKD方法可以适用于各种复杂数据集

3.3 在SVHN和ImageNet上的结果

采用WRN-40-1作为教师网络，WRN-16-1作为学生网络，实验结果如下所示：

可以看出，学生网络始终比相应的基础模型更加优秀。

为了进一步研究STKD在大规模数据集上的性能，使用ILSVRC 2012数据集来进行实验：

resnet152被指定为教师网络，而resnet50被指定为学生。可以看出来，STKD方法比起其他KD方法都有着更高的性能。

3.4 消融实验

(1) 组件贡献分析：执行消融实验来调查STKD方法中每个组件的有效性。结果入下表所示：

案例A代表我们从零开始培养学生网络。案例B是标准的KD方法，案例C应用L2损失将学生logit回归到目标值；案例D表明我们引入了中间表征来监督学生的训练。案例E声明学生通过我们的STKD接受培训。通过CD对比可以体现中间特征改善KD性能的优异能力；通过DB对比可以体现组合教师被用来通过利用多级特征表示来更好地监督学生的训练；通过DE对比可以体现使用在线KT和离线KT的培训为学生提供了全面的知识

3.5 效率分析

比较了本文的方法与各种KD机制的训练时间，结果如下表所示：

这表明STKD可以在提高网络分类准确率的同时减少网络训练所花费的时间成本。其次,在STKD的指导下,学生网络相比教师网络实现了高达3倍的压缩率。

总结

本文提出的一种新颖的知识蒸馏方法STKD。该方法通过整合在线知识迁移和离线知识迁移到一个统一的框架中,使用后期教师模型提供中间层的中间级知识和最终层的高级知识,以及使用先验教师模型提供额外的有价值知识,同时向学生网络传递不同级别的知识信息。这种方式不仅可以提高模型性能,也可以加速训练过程。他们在多个图像分类数据集上做了实验验证,结果表明该方法可以优于当前的知识蒸馏方法。总体来说,这种方法集成了在线互学习和离线优化的方式,提供了一种新颖高效的知识蒸馏方案。

未来展望

就是使用更先进的在线/离线蒸馏方式来改进这一框架

优惠劵

a44267113

关注

踩

觉得还不错?

一键收藏

知道了

读论文：STKD :从同步教学中提炼知识以实现高效的模型压缩

现有的KD方法在训练过程中只提取了最后一层的有限知识，而忽略了中间层的特征。为此，本文倾向于提取中底层的特征，再利用两位教师来传递更全面、多层次的知识，来对学生产生较强的监督作用。动机：当老师再教授某种知识时，学生不仅局限于当前的课堂知识，还要会借鉴和参考以前的知识。这也就意味着要同时应用线上KD和线下KD；本文的框架如下图所示：先采用后向师生对，以相互学习的方式交互，生成中级知识和对应的软化对数来作为高级知识。然后应用前向老师执行标准KD损失，以提供包含有用信息的软目标。

复制链接

扫一扫

基于TDA7388 / CD7388 IC设计的4X40瓦4通道音频放大器板 -电路方案

04-20

这是TDA7388 4通道IC音频放大器板。该项目可以轻松播放高达4 X 40瓦的扬声器。

我为此项目使用了CD7388 IC和0-12变压器

项目材料

TDA7388 goo.gl/x1M65m

cd7388cz goo.gl/W4StkD

1uf 50v电容器 goo.gl/nGsiAP

47uf 25v电容器 goo.gl/dpeVsK

4700uf 50v电容器 goo.gl/ea11Sx

0.1uf 100v电容器 goo.gl/hkVbHA

6A4二极管（6a10） goo.gl/SC8ok1

2.2K电阻 goo.gl/3DnQMj

螺丝端子5mm goo.gl/hXy8pN

电位计50K或47K goo.gl/hxhYJ7

1 / 4W 10K goo.gl/4wjmt9

Synchronous_Teaching_Knowledge_Distillation:知识提炼（KD）将区分性知识从一个大型而复杂的模型（称为“教师”）转移到一个规模较小，速度较快的模型（称为“学生”）。现有的高级知识提炼方法仅限于固定特征提取范式，这些范式捕获教师的结构知识以指导学生的培训，但往往无法为学生获得全面的知识。为此，在本文中，我们提出了一种新的方法，同步教学知识提炼（STKD），将在线教学和离线教学结合起来，以向学生传递丰富而全面的知识。

04-08

Synchronous_Teaching_Knowledge_Distillation

知识提炼（KD）将区分性知识从一个大型而复杂的模型（称为“教师”）转移到一个规模较小，速度较快的模型（称为“学生”）。现有的高级知识提炼方法仅限于固定特征提取范式，这些范式捕获教师的结构知识以指导学生的培训，但往往无法为学生获得全面的知识。为此，我们提出了一种新的方法，同步教学知识提炼（STKD），以整合在线教学和离线教学，以向学生传递丰富而全面的知识。

参与评论

您还未登录，请先

后发表或查看评论

sql 列名无效

男神的专栏

05-18

6161

在SQLServer2008中，当设计（修改）表结构之后，再用SQL语句时，列名会显示无效，但执行可以通过

如下图：

原因是SQL Server的intellisense（智能感知功能）需要重新整理一下，用快捷键Ctrl+Shift+R即可

关于intellisense（智能感知功能）的主要功能，就是在用户具有权限的前提下，

在Query Editior中输入架构并加上"."符号后就可以看到架构下的表、视图和用户函数了，

当用户继续输入表名或视图名并加上"."符号后就可以看到表和视图中的字段列表

...

【快递100】快递公司对应编码JSON数据一（截止到2024-02-18 最新数据）

jiangyan888的博客

02-17

446

1433家快递公司编码

SQL执行错误消息 241，级别 16 解决方法

HSUPER

05-29

4086

问题：消息 241，级别 16，状态 1，第 1 行从字符串转换日期和/或时间时，转换失败。

错误截图

注意数据类型一定要正确

将时间的单引号去掉执行后

执行后检查目标表格（右键目标表dbo.receipt----编辑前200行）

我认为是datetime类型不适应ssms环境或者电脑win10系统，教材的程序也是对的，我去掉了单引号执行成功，可以证明我的方法也是可行的！

可以尝试一下，实在不行就问大佬吧！

...

CreateProcess

11-03

840

　　说明：

　　WIN32API函数CreateProcess用来创建一个新的进程和它的主线程，这个新进程运行指定的可执行文件。

　　函数原型：

　　BOOL CreateProcess

　　(

　　LPCTSTR lpApplicationName,

　　LPTSTR lpCommandLine,

　　LPSECURITY_ATTRIBUTES lpProcessAttr...

【机器学习】三要素——数据、模型、算法

2302_76305195的博客

02-28

639

机器学习，就是算法通过在数据上进行运算产生模型。

一些流行的机器学习框架和库

I AM COMING BACK...

03-01

387

一些流行的机器学习框架和库

机器学习-面经

qq_40102160的博客

02-29

1390

在机器学习面经中，常见的问题包括但不限于：机器学习的定义和基本概念、监督学习和无监督学习的区别、常用的机器学习算法（如线性回归、逻辑回归、决策树、支持向量机、聚类算法等）、模型评估指标（如准确率、精确率、召回率、F1值等）、过拟合和欠拟合问题、特征选择和特征工程方法、模型调优技巧等。

通过熟悉和掌握机器学习面经中的问题和解答，面试者可以更好地展示自己在机器学习领域的知识和实践能力，提高面试的成功率。同时，整理机器学习面经也有助于面试者对自己的知识体系进行梳理和巩固，加深对机器学习原理和应用的理解。

机器学习专项课程03：Unsupervised Learning, Recommenders, Reinforcement Learning笔记 Week02

阿正的梦工坊

02-29

773

第二周的字幕，quiz的答案以及作业的代码

【机器学习实战1】泰坦尼克号:灾难中的机器学习(一)数据预处理

2302_76305195的博客

03-01

853

本次项目是kaggle上的一个入门比赛：Titanic——Machine Learning from Disaster(泰坦尼克号——灾难中的机器学习)，比赛选择了泰坦尼克号作为背景，并提供了样本数据以及测试数据，要求我们使用机器学习创建一个模型，预测哪些乘客在泰坦尼克号沉船中幸存下来。

机器学习(II)--样本不平衡

WilenWu

03-01

748

现实中，样本（类别）样本不平衡（class-imbalance）是一种常见的现象，如：金融欺诈交易检测，欺诈交易的订单样本通常是占总交易数量的极少部分，而且对于有些任务而言少数样本更为重要。一般地，样本类别比例（Imbalance Ratio）（多数类vs少数类）严重不平衡时，分类算法将开始做出有利于多数类的预测。

【PyTorch][chapter 19][李宏毅深度学习]【无监督学习][ GAN]【理论】

4AM_明朝百晓生

03-01

1012

比如输入黑白照片（A）输出彩色照片（B），输入轮廓照片（A）输出色彩填充照片（B）等（如图1），本文介绍的pix2pix模型所处理的就是这类任务。VAE 通过Decoder 产生的图片只是要尽可能的跟输入的图像相似，但是无法产生新的以假乱真的图片。生成模型通过训练进化了,调整其参数,绿线和黑线分布接近了,鉴别模型还是能够分出真假。生成模型通过训练进化了,调整其参数,绿线和黑线分布一致,鉴别模型无法给出真假。生成模型很弱,绿线和黑线分布有较大的差异,鉴别模型很容易区分出真假.绿线生成模型产生的分布。

机器学习|KNN和Kmeans

Fangyechy的博客

03-03

542

KNN-K个最近的邻居，而K是可人先预设出来的。所谓近朱者赤，近墨者黑。可以选取离当前最近的K个样本来作为辅助判断，因为本样本和最近的K个样本应该是处于一种相似的状态。以下是一个苹果和梨的识别任务。图上会出现一个未知的事物，可以结合和根据以往已经出现在图上的数据来对这个未知事物进行判断。可以选取离这个样本最近的K个样本进行判断，比如上图，让K=3，离样本最近的3个样本有两个梨子，1个苹果。那么当前样本可能会被判断为梨子。而关于最近的近也有不同的衡量来源，比如说曼哈顿距离和欧式距离。

机器学习：集成学习（Python）

2302_78896863的博客

03-02

437

【代码】机器学习：集成学习（Python）

【大厂AI课学习笔记NO.64】机器学习开发框架

giszz的博客

03-03

545

机器学习开发框架本质上是一种编程库或工具，目的是能够让开发人员更容易、更快速地构建机器学习模型。机器学习开发框架封装了大量的可重用代码，可以直接调用，目的是避免“重复造轮子’大幅降低开发人员的开发难度，提高开发效率。机器学习开发框架是涵盖用于分类，回归，聚类，异常检测和数据准备的各种学习方法，并且可以包含神经网络方法。机器学习开发框架是专门为机器学习应用设计与优化的软件库或工具集。它们提供了一套完整的基础设施，帮助数据科学家、工程师和研究人员高效地开发、训练、部署和维护机器学习模型。

人工智能底层自行实现篇2——多元线性回归

m0_60388871的博客

03-03

1125

多元线性回归模型是一种多元线性方程，它是通过多个自变量来预测因变量的一种模型。通过结果来看，多元线性回归模型的R方为0.95，说明模型的拟合效果还是非常好的。

每个Python开发者必须知道的事：顶级编程技巧和最佳实践大公开！.zip

03-06

python

知识领域: Python 编程

技术关键词: 核心知识点，代码优化，高级技巧，性能提升，最佳实践

内容关键词: 数据类型，控制流，函数，类与对象，模块，异常处理，文件操作，并发编程，异步编程，代码格式化，文档字符串，类型注解，单元测试，版本控制

用途: 适用于初学者至中级开发者的技能提升，帮助程序员构建坚实的Python基础，提高编写高效、可维护代码的能力。

(基于Springboot的Java毕业设计)新闻稿件管理系统(源码+演示视频+说明文档).rar

03-06

(基于Springboot的Java毕业设计)新闻稿件管理系统(源码+演示视频+说明文档).rar

【项目技术】

开发语言：Java

框架：springboot

架构：B/S

数据库：mysql

【实现功能】

本新闻稿件管理系统管理员功能有个人中心，用户管理，记者管理，审批员管理，新闻分类管理，新闻信息管理，系统管理等。记者发布新闻信息，审批员进行审核，用户进行查看。

基于Hadoop和spark由java和python语言开发的电影推荐系统.zip

申通快递会员中心-登录

账户登录

短信登录

忘记密码？

登录即表示您已阅读并同意申通

《隐私政策》

《服务政策》

还没有申通账号？

立即注册

忘记密码？

登录即表示您已阅读并同意申通

《隐私政策》

《服务政策》

还没有申通账号？

立即注册

扫描关注申通微信公众号

STKD：从同步教学中提取知识以实现高效模型压缩。,IEEE Transactions on Neural Networks and Learning Systems - X-MOL

首页

资讯

期刊

导师

问答

求职

发Paper

文献直达

高级搜索

期刊列表

搜索

当前位置：

X-MOL 学术

›

IEEE Trans. Neural Netw. Learn. Syst.

›

论文详情

Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)

STKD：从同步教学中提取知识以实现高效模型压缩。

IEEE Transactions on Neural Networks and Learning Systems

(

10.4

)

Pub Date : 2023-11-30

, DOI:

10.1109/tnnls.2022.3164264

Tongtong Su

Jinsong Zhang

Zhaoyang Yu

Gang Wang

Xiaoguang Liu

知识蒸馏 (KD) 将判别性知识从大型且复杂的模型（称为教师）转移到较小且速度更快的模型（称为学生）。现有的先进KD方法仅限于捕捉教师结构知识来指导学生训练的固定特征提取范式，往往无法为学生提供全面的知识。为此，在本文中，我们提出了一种新方法，同步教学知识蒸馏（STKD），将在线教学和离线教学相结合，向学生传授丰富而全面的知识。在在线学习阶段，设计了一个分块单元来提取中级知识和高级知识，可以实现教师和学生网络的双向指导。中级信息交互为学生网络提供更多的监督信息，有助于提高最终预测的质量。在离线学习阶段，STKD方法应用预训练的教师通过提供先验知识来进一步提高性能并加速训练过程。同步训练，学生通过线上教学和线下教学相结合的方式学习多层次、全面的知识，通过我们的STKD方法结合了不同KD策略的优点。在 SVHN、CIFAR-10、CIFAR-100 和 ImageNet ILSVRC 2012 真实世界数据集上的实验结果表明，与最先进的方法相比，所提出的方法取得了显着的性能改进，特别是在令人满意的精度和模型大小方面。STKD 的代码位于 https://github.com/nanxiaotong/STKD。

"点击查看英文标题和摘要"

STKD: Distilling Knowledge From Synchronous Teaching for Efficient Model Compression.

Knowledge distillation (KD) transfers discriminative knowledge from a large and complex model (known as teacher) to a smaller and faster one (known as student). Existing advanced KD methods, limited to fixed feature extraction paradigms that capture teacher's structure knowledge to guide the training of the student, often fail to obtain comprehensive knowledge to the student. Toward this end, in this article, we propose a new approach, synchronous teaching knowledge distillation (STKD), to integrate online teaching and offline teaching for transferring rich and comprehensive knowledge to the student. In the online learning stage, a blockwise unit is designed to distill the intermediate-level knowledge and high-level knowledge, which can achieve bidirectional guidance of the teacher and student networks. Intermediate-level information interaction provides more supervisory information to the student network and is useful to enhance the quality of final predictions. In the offline learning stage, the STKD approach applies a pretrained teacher to further improve the performance and accelerate the training process by providing prior knowledge. Trained simultaneously, the student learns multilevel and comprehensive knowledge by incorporating online teaching and offline teaching, which combines the advantages of different KD strategies through our STKD method. Experimental results on the SVHN, CIFAR-10, CIFAR-100, and ImageNet ILSVRC 2012 real-world datasets show that the proposed method achieves significant performance improvements compared with the state-of-the-art methods, especially with satisfying accuracy and model size. Code for STKD is provided at https://github.com/nanxiaotong/STKD.

更新日期：2022-04-14

点击分享

查看原文

点击收藏

取消收藏

新增笔记

阅读更多本刊最新论文

本刊介绍/投稿指南

全部期刊列表>>

学术期刊

行业资讯

全球导师

X-MOL问答

求职广场

网址导航

关于我们

帮助中心

客服邮箱：service@x-mol.com

官方微信：X-molTeam2

邮编：100098

地址：北京市海淀区知春路56号中航科技大厦

京ICP备11026495号-2

京公网安备 11010802027423号

down

wechat

bug

stk中文帮助手册_stk中文教程-CSDN博客

stk中文帮助手册

最新推荐文章于 2022-05-09 23:25:04 发布

51星系

最新推荐文章于 2022-05-09 23:25:04 发布

阅读量5.6k

点赞数

分类专栏：

STK

文章标签：

stk

STK

专栏收录该内容

144 篇文章

135 订阅

订阅专栏

目录一、快速了解STK 3 1 创建场景 3 2 创建对象 4 2.1创建地面站 4 2.2 创建城市 6 2.3 创建卫星 6 2.4 创建传感器 7 3 计算捕获窗口（Access） 8 4 增加约束条件的捕获窗口的计算 9 4.1 升交角（Elevation Angle）约束 9 4.2 时间约束条件 10 4.3 报告和图表 10 二、3D图形演示 11 1 配置3D地球图形属性 12 2 配置传感器的图形属性 13 三、学习使用Globe Manager 13 3.1 设置地形/纹理 14 3.2 控制图形/地形文件排序（Render Order）和透明度 15 3.3 改变基地地球（base globe），导出/导入globe文件 16 3.4 在Globe Manager里面管理ArcGIS数据 16

四、Matlab与STK互连 16

下载地址：stk中文帮助手册

优惠劵

51星系

关注

踩

觉得还不错?

一键收藏

知道了

stk中文帮助手册

目录一、快速了解STK 31 创建场景 32 创建对象 42.1创建地面站 42.2 创建城市 62.3 创建卫星 62.4 创建传感器 73 计算捕获窗口（Access） 84 增加约束条件的捕获窗口的计算 94.1 升交角（Elevation Angle）约束 94.2 时间约束条件 104.3 报告和图表 10二、3D图形演示 111

复制链接

扫一扫

专栏目录

STK帮助文档 STK破解

10-26

主要是STK 的破解方法介绍以及 STK常用资料的帮助文档，可以帮助初学者学习STK的好资料！！

STK基础教程

03-25

STK基础教程

STK（Satellite Tool Kit）卫星工具包使用基础教程

参与评论

您还未登录，请先

后发表或查看评论

STK中文帮助资料

算法小站

04-07

3682

一、STK10新特性

地址：http://wenku.baidu.com/view/29fa670a16fc700abb68fccc.html

二、STK10.0安装及调试报告

地址：http://wenku.baidu.com/view/e1491761af1ffc4ffe47ac7e.html

三、STK9.1软件介绍

地址：http://wenku.baidu.co

STK中的传感器、雷达、发射机、接收机、天线

wangyulj的专栏

03-08

7073

本文根据STK手册介绍了传感器、雷达、发射机、接收机、天线等对象的基本属性，简略分析了它们的不同之处。

STK中文帮助手册

03-13

一、快速了解STK 3

1 创建场景 3

2 创建对象 4

2.1创建地面站 4

2.2 创建城市 6

2.3 创建卫星 6

2.4 创建传感器 7

3 计算捕获窗口（Access） 8

4 增加约束条件的捕获窗口的计算 9

4.1 升交角（Elevation Angle）约束 9

4.2 时间约束条件 10

4.3 报告和图表 10

二、3D图形演示 11

1 配置3D地球图形属性 12

2 配置传感器的图形属性 13

三、学习使用Globe Manager 13

3.1 设置地形/纹理 14

3.2 控制图形/地形文件排序（Render Order）和透明度 15

3.3 改变基地地球（base globe），导出/导入globe文件 16

3.4 在Globe Manager里面管理ArcGIS数据 16

四、Matlab与STK互连 16

STK二次开发指南

johnliuyuan的专栏

08-06

4324

Building an STK Engine Application

STK Engine enables you to build an application that harnesses the analytical power and visual capabilities of STK.

The following will guide you through the process...

STK：在STK中使用天线对象

算法小站

04-01

5113

一、概述

二、嵌入式天线 vs. 链接天线

三、创建场景

四、添加地面站和卫星

五、在地面站中添加天线和接收机

六、在卫星上添加天线

七、创建报告

STK通信模块中包含了一个天线对象（Antenna Object）。在STK以前的版本中，用户需要自己创建发射机对象和接收机对象，并设置天线参数。当需要创建多个发射机和接收机时，重复设置天线参数无

用MATLAB进行STK11编程

qq_46339883的博客

05-09

2272

用MATLAB进行STK编程

STK快速使用手册——区域目标Area Target

忘了面孔的Batou

11-26

7295

STK快速使用手册——区域目标Area Target

今天将简单介绍STK中的一类对象：区域目标（Area Target）的各项性质.

区域目标作为STK的一类对象，定义了覆盖地球（或其它球体）表面一定区域的地面目标。一般来说，常用区域目标来计算卫星对某地理区域的覆盖或遥感情况。其基本属性包括四类：基础属性(Basic)、2D图像属性(2D Graphics)、3D图像属性(3D Graphics...

STK10使用入门、STK基础教程、STK用户手册、STK综合介绍等教程.zip

09-06

STK10使用入门、STK基础教程、STK用户手册、STK综合介绍等教程

很好的stk入门教程

10-26

西安交大，基于STK8.1编写的基础教程

STK培训教材，卫星仿真的详细教程

03-21

STK培训教材

卫星仿真工具的详细教程

长达300余个页面的文档

STK用户手册 (1)_activitye2k_5to1_stk中文介绍_

09-29

You should upload 5 codes/documents files)(Pay online to activate your account

stk原版教程

11-24

释义STK是Satellite Tool Kit的简称，即卫星工具包。概述是由美国Analytical Graphics公司开发的一款在航天领域处于领先地位的商业分析软件。

STK培训教材

01-19

STK入门学习资料STK用户界面STK基本操作

用户界面

创建场景

场景对象

场景图形设置

文件管理

STK工具

报告

图表

动态显示

动态图表

可见性分析

STK专业版

高级分析功能

高经度轨道预报

长期轨道预报

卫星寿命计算

高分辨率地图和地形数据

STK_information中文手册学习资料.zip

11-18

自己一开始入门学习的资料，资料超级详细，包括stk覆盖模块教材，STK培训手册，STK中文用户手册，基于STK_Matlab的GPS卫星可见性仿真分析，基于STK的轨道设计与仿真指导书_修订版_2007-11-19，基于STK软件VO模块的...

STK用户手册

07-21

STK用户手册，对STK功能介绍较为详细的中文文档，有需要的下载

STK中文用户手册

08-19

该手册提供了Satellite Tool Kit(卫星工具箱)的基本功能和用法，STK是AGI公司共同开发的一套功能软件。

0.STK用户手册14.doc

04-29

本章不但对于STK的帮助菜单给出了一个概括，同时也指导了我们如何在Adobe Acrobat Reader中阅读整个文本手册，并更新在线的数据文件。它还指导我们如何在STK中使用Licenses窗口。第十八章：Chains模块本章包括...

STK3321芯片手册

顺通快递单号查询_快递100

我的寄件订单

用户中心

退出

首页

个人用户

产品介绍

寄快递

国际快递

快递大全

开放服务

企业用户

电商快递管家SaaS

API开放平台

企业快递管理SaaS

物流服务商

快递员收件端

快递公司入驻

接口(API)

产品介绍

接口申请

技术文档

云平台

商家寄件

首页 > 快递公司大全 > 顺通快递单号查询

顺通快递单号查询

服务网点

在线客服

看不清，换一张

请您输入电话号码：

例如，您可以输入：批量导入查询>

寄快递，免费预约上门取件立即寄件

微信扫一扫

快递100官方提供“丢必赔”服务，快递就要“安心寄”

手机绑定

打印查询结果

该单号或为原百世快递单号

时间地点和跟踪进度

抱歉，暂无查询记录

快递单号错误？请确认您输入的单号是否正确

单号确认无误？请稍后再试，或者访问官网试试请稍后再试，可能是网络拥堵造成

查询服务正在升级维护中请访问官网去查询

绑定淘宝卖家账号，自动查找异常件>>

分享查询结果给微信好友

扫码分享微信好友，跟踪物流信息

快递100现已支持在线打印快递单

更多模板登录后选取

立即使用

支持单个打印、批量打印，支持电子面单、智能发货。

北京

吉林

内蒙古

四川

重庆

广东

贵州

海南

黑龙江

浙江

安徽

山东

云南

甘肃

宁夏

青海

湖南

江西

江苏

上海

辽宁

河北

山西

天津

新疆

西藏

湖北

陕西

台湾

河南

福建

广西

顺通快递

顺通快递是国内首家以高铁为载体的快递服务商，全国六大分公司全线运营，网络覆盖全国各地。顺通快递是集快递、仓储、物流、电子商务、商贸一体化的综合性企业，注册资金五千万元。我们结合互联网+快递模式，秉承创新、高效、安全的服务理念，以重塑行业规范为已任，力求将顺通打造成为集快递、电商等综合业务平台，总部在福建，在杭州设有全国管理中心。注册资金五千万。顺通快递打造全国高铁货运最后一公里落地配，完善终端网络、信息网络和中转运输网络“三网一体”运行体系。顺通快递投入大量资金率先引进了目前国内最为先进的货物追踪系统和硬件设备；逐渐形成了以中国香港、北京、深圳、重庆、成都、郑州、哈尔滨、沈阳、乌鲁木齐、昆明、武汉各机场或高铁车站为中心,辐射全国三十多个大中城市的配送网络，国际业务近年来又陆续开通了、台湾、日本、新加坡和美国航空专线的服务网络。顺通快递六大优势：（1）借力全国高铁，首家建立全程可视化物流监控系统，保障货物全程安全；以中国香港、北京、深圳、重庆、成都、郑州、哈尔滨、沈阳、乌鲁木齐、昆明、武汉各机场为中心；（2）综合性服务产品：集快递、仓储、物流、电子商务为一体；（3）“三网一体”运行体系：终端网络、信息网络和中转运输网络交叉运作；（4）运输能力全面保障，自购运输车辆保障货物安全、时效；（5）建立服务产品创新体系，引入太空易碎包装技术，推出易碎品运输等增值服务；（6）与知名电商企业及平台战略联盟（豹品淘、唯品会、一号店、淘宝网、聚美优品、京东、天猫、苏宁易购、红孩子、猪八戒、聚划算、窝窝团、米奇网、华为、QQ团购、QQ商城、大麦网、凡客诚品、当当网、美团网、拉手网、携程、糯米网、国美、聚尚网、母婴之家、一淘、乐淘、58团购、拍鞋网、拍拍、大众点评、麦包包）

查找附近快递员，一键寄快递

寄快递，免费预约上门取件

微信扫一扫

快递100官方提供“丢必赔”服务，快递就要“安心寄”

为保护客户的隐私安全，请输入

快递预留的收/寄件人联系方式的

后四位进行验证

验证

客服热线

400-000-0387

关注我们

了解快递100

公司简介

企业文化

发展历程

核心产品

加入我们

联系我们

核心产品

快递100

百递云·API开放平台

百递云·电商快递管家SaaS

百递云·企业快递管理SaaS

快递100收件端/快递超市

解决方案

电商解决方案

金融解决方案

ERP解决方案

ISV解决方案

商家多地址发货方案

企业多办公地点寄件方案

企业小邮局一体化方案

企业快递费降本方案

会计师事务所函证解决方案

下载快递100APP

下载快递100收件端

粤ICP备14085002号

粤B2-20150010

服务协议

授权声明

隐私政策

增值服务

经营许可证

Stata字符型与数值型数据的转换——上市公司证券代码字符型与数值型的互换 - 知乎

Stata字符型与数值型数据的转换——上市公司证券代码字符型与数值型的互换 - 知乎首发于Stata切换模式写文章登录/注册Stata字符型与数值型数据的转换——上市公司证券代码字符型与数值型的互换谷曰十鑫爱跑步的财会人实现效果假设000001、000012、000123、002345、600356、600378为某些上市公司证券代码，上市公司实证研究中，常常需要用到上市公司证券代码，将字符型转为数值型比较容易，直接用destring命令即可实现，但是数值型转为字符型并且补齐6位数的命令比较少见。字符型转为数值型destring Stkcd,replace数值型转为字符型tostring Stkcd,replace

replace Stkcd=substr("000000",1,6-length(Stkcd))+Stkcd发布于 2020-11-10 21:20stata命令格式转换赞同 30添加评论分享喜欢收藏申请转载文章被以下专栏收录Stata经管类科研写

Follow

比特派官方版钱包|stkd

比特派官方版钱包|stkd

申通快递单号查询_快递100

申通快递快件查询

申通快递(SZ002468)股票股价_股价行情_财报_数据报告 - 雪球

读论文：STKD :从同步教学中提炼知识以实现高效的模型压缩_stkd: distilling knowledge from synchronous teachi-CSDN博客

申通快递会员中心-登录

STKD：从同步教学中提取知识以实现高效模型压缩。,IEEE Transactions on Neural Networks and Learning Systems - X-MOL

stk中文帮助手册_stk中文教程-CSDN博客

顺通快递单号查询_快递100

Stata字符型与数值型数据的转换——上市公司证券代码字符型与数值型的互换 - 知乎

最近的新闻

您可能喜欢的文章

tp官网下载|ssc

imtoken安卓版下载20|tuhao

比特派助记词忘了怎么办

安卓手机怎么下载比特派app

比特派下载后怎么使用手机

比特派无法登录怎么办啊

比特派怎么看是否被授权