VLTVG代码复现并讲解

train.py

在main函数中找到这个构建模型的地方，ctrl＋左键点进这个函数中去

来到了这里

又来到了这里，这里就是构建模型的地方：

又来到了这里，还是在VLTVG.py这个文件中：

Method
The Overall Network
Visual-Linguistic Verification Module

输入图像首先经过卷积网络，然后再经过transformer encoders进行编码，得到视觉特征硬上映射Fv，Fv中包括图像中对象实例地特征，但是没有先验的语言文本信息，

 # Image feature encoder (CNN + Transformer encoder)self.backbone = build_backbone(args)self.trans_encoder = build_visual_encoder(args)self.input_proj = nn.Conv2d(self.backbone.num_channels, self.trans_encoder.d_model, kernel_size=1)

 self.backbone = build_backbone(args)构造的backbone如下

Joiner((0): Backbone((body): IntermediateLayerGetter((conv1): Conv2d(3, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False)(bn1): FrozenBatchNorm2d()(relu): ReLU(inplace=True)(maxpool): MaxPool2d(kernel_size=3, stride=2, padding=1, dilation=1, ceil_mode=False)(layer1): Sequential((0): Bottleneck((conv1): Conv2d(64, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn1): FrozenBatchNorm2d()(conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)(bn2): FrozenBatchNorm2d()(conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn3): FrozenBatchNorm2d()(relu): ReLU(inplace=True)(downsample): Sequential((0): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)(1): FrozenBatchNorm2d()))(1): Bottleneck((conv1): Conv2d(256, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn1): FrozenBatchNorm2d()(conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)(bn2): FrozenBatchNorm2d()(conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn3): FrozenBatchNorm2d()(relu): ReLU(inplace=True))(2): Bottleneck((conv1): Conv2d(256, 64, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn1): FrozenBatchNorm2d()(conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)(bn2): FrozenBatchNorm2d()(conv3): Conv2d(64, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn3): FrozenBatchNorm2d()(relu): ReLU(inplace=True)))(layer2): Sequential((0): Bottleneck((conv1): Conv2d(256, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn1): FrozenBatchNorm2d()(conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)(bn2): FrozenBatchNorm2d()(conv3): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn3): FrozenBatchNorm2d()(relu): ReLU(inplace=True)(downsample): Sequential((0): Conv2d(256, 512, kernel_size=(1, 1), stride=(2, 2), bias=False)(1): FrozenBatchNorm2d()))(1): Bottleneck((conv1): Conv2d(512, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn1): FrozenBatchNorm2d()(conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)(bn2): FrozenBatchNorm2d()(conv3): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn3): FrozenBatchNorm2d()(relu): ReLU(inplace=True))(2): Bottleneck((conv1): Conv2d(512, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn1): FrozenBatchNorm2d()(conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)(bn2): FrozenBatchNorm2d()(conv3): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn3): FrozenBatchNorm2d()(relu): ReLU(inplace=True))(3): Bottleneck((conv1): Conv2d(512, 128, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn1): FrozenBatchNorm2d()(conv2): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)(bn2): FrozenBatchNorm2d()(conv3): Conv2d(128, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn3): FrozenBatchNorm2d()(relu): ReLU(inplace=True)))(layer3): Sequential((0): Bottleneck((conv1): Conv2d(512, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn1): FrozenBatchNorm2d()(conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)(bn2): FrozenBatchNorm2d()(conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn3): FrozenBatchNorm2d()(relu): ReLU(inplace=True)(downsample): Sequential((0): Conv2d(512, 1024, kernel_size=(1, 1), stride=(2, 2), bias=False)(1): FrozenBatchNorm2d()))(1): Bottleneck((conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn1): FrozenBatchNorm2d()(conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)(bn2): FrozenBatchNorm2d()(conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn3): FrozenBatchNorm2d()(relu): ReLU(inplace=True))(2): Bottleneck((conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn1): FrozenBatchNorm2d()(conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)(bn2): FrozenBatchNorm2d()(conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn3): FrozenBatchNorm2d()(relu): ReLU(inplace=True))(3): Bottleneck((conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn1): FrozenBatchNorm2d()(conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)(bn2): FrozenBatchNorm2d()(conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn3): FrozenBatchNorm2d()(relu): ReLU(inplace=True))(4): Bottleneck((conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn1): FrozenBatchNorm2d()(conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)(bn2): FrozenBatchNorm2d()(conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn3): FrozenBatchNorm2d()(relu): ReLU(inplace=True))(5): Bottleneck((conv1): Conv2d(1024, 256, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn1): FrozenBatchNorm2d()(conv2): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)(bn2): FrozenBatchNorm2d()(conv3): Conv2d(256, 1024, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn3): FrozenBatchNorm2d()(relu): ReLU(inplace=True)))(layer4): Sequential((0): Bottleneck((conv1): Conv2d(1024, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn1): FrozenBatchNorm2d()(conv2): Conv2d(512, 512, kernel_size=(3, 3), stride=(2, 2), padding=(1, 1), bias=False)(bn2): FrozenBatchNorm2d()(conv3): Conv2d(512, 2048, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn3): FrozenBatchNorm2d()(relu): ReLU(inplace=True)(downsample): Sequential((0): Conv2d(1024, 2048, kernel_size=(1, 1), stride=(2, 2), bias=False)(1): FrozenBatchNorm2d()))(1): Bottleneck((conv1): Conv2d(2048, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn1): FrozenBatchNorm2d()(conv2): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)(bn2): FrozenBatchNorm2d()(conv3): Conv2d(512, 2048, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn3): FrozenBatchNorm2d()(relu): ReLU(inplace=True))(2): Bottleneck((conv1): Conv2d(2048, 512, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn1): FrozenBatchNorm2d()(conv2): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1), bias=False)(bn2): FrozenBatchNorm2d()(conv3): Conv2d(512, 2048, kernel_size=(1, 1), stride=(1, 1), bias=False)(bn3): FrozenBatchNorm2d()(relu): ReLU(inplace=True)))))(1): PositionEmbeddingSine()
)

接下里看一下build_visual_encoder这个函数：

def build_visual_encoder(args):return VisualEncoder(d_model=args.hidden_dim,dropout=args.dropout,nhead=args.nheads,dim_feedforward=args.dim_feedforward,num_encoder_layers=args.enc_layers,normalize_before=args.pre_norm)

hidden_dim：#输入的单词（或其他元素）会通过一个嵌入层转换为一个固定维度的向量比如512，如果多头注意的话，每个头处理的就是hidden_dim/n_heads

dim_feedforward：encoder中还有前馈神经网络，通常是由两个先行层和一个激活层组成，第一个linear通常是将hidden_dim(256较低)转成dim_feedforward（2048较高）

第二个linear层就是将dim_feedforward再重新变成hidden_dim

self.trans_encoder = build_visual_encoder(args)构造的视觉编码器如下：
VisualEncoder((encoder): TransformerEncoder((layers): ModuleList((0): TransformerEncoderLayer((self_attn): MultiheadAttention((out_proj): Linear(in_features=256, out_features=256, bias=True))(linear1): Linear(in_features=256, out_features=2048, bias=True)(dropout): Dropout(p=0.1, inplace=False)(linear2): Linear(in_features=2048, out_features=256, bias=True)(norm1): LayerNorm((256,), eps=1e-05, elementwise_affine=True)(norm2): LayerNorm((256,), eps=1e-05, elementwise_affine=True)(dropout1): Dropout(p=0.1, inplace=False)(dropout2): Dropout(p=0.1, inplace=False)(activation): ReLU(inplace=True))(1): TransformerEncoderLayer((self_attn): MultiheadAttention((out_proj): Linear(in_features=256, out_features=256, bias=True))(linear1): Linear(in_features=256, out_features=2048, bias=True)(dropout): Dropout(p=0.1, inplace=False)(linear2): Linear(in_features=2048, out_features=256, bias=True)(norm1): LayerNorm((256,), eps=1e-05, elementwise_affine=True)(norm2): LayerNorm((256,), eps=1e-05, elementwise_affine=True)(dropout1): Dropout(p=0.1, inplace=False)(dropout2): Dropout(p=0.1, inplace=False)(activation): ReLU(inplace=True))(2): TransformerEncoderLayer((self_attn): MultiheadAttention((out_proj): Linear(in_features=256, out_features=256, bias=True))(linear1): Linear(in_features=256, out_features=2048, bias=True)(dropout): Dropout(p=0.1, inplace=False)(linear2): Linear(in_features=2048, out_features=256, bias=True)(norm1): LayerNorm((256,), eps=1e-05, elementwise_affine=True)(norm2): LayerNorm((256,), eps=1e-05, elementwise_affine=True)(dropout1): Dropout(p=0.1, inplace=False)(dropout2): Dropout(p=0.1, inplace=False)(activation): ReLU(inplace=True))(3): TransformerEncoderLayer((self_attn): MultiheadAttention((out_proj): Linear(in_features=256, out_features=256, bias=True))(linear1): Linear(in_features=256, out_features=2048, bias=True)(dropout): Dropout(p=0.1, inplace=False)(linear2): Linear(in_features=2048, out_features=256, bias=True)(norm1): LayerNorm((256,), eps=1e-05, elementwise_affine=True)(norm2): LayerNorm((256,), eps=1e-05, elementwise_affine=True)(dropout1): Dropout(p=0.1, inplace=False)(dropout2): Dropout(p=0.1, inplace=False)(activation): ReLU(inplace=True))(4): TransformerEncoderLayer((self_attn): MultiheadAttention((out_proj): Linear(in_features=256, out_features=256, bias=True))(linear1): Linear(in_features=256, out_features=2048, bias=True)(dropout): Dropout(p=0.1, inplace=False)(linear2): Linear(in_features=2048, out_features=256, bias=True)(norm1): LayerNorm((256,), eps=1e-05, elementwise_affine=True)(norm2): LayerNorm((256,), eps=1e-05, elementwise_affine=True)(dropout1): Dropout(p=0.1, inplace=False)(dropout2): Dropout(p=0.1, inplace=False)(activation): ReLU(inplace=True))(5): TransformerEncoderLayer((self_attn): MultiheadAttention((out_proj): Linear(in_features=256, out_features=256, bias=True))(linear1): Linear(in_features=256, out_features=2048, bias=True)(dropout): Dropout(p=0.1, inplace=False)(linear2): Linear(in_features=2048, out_features=256, bias=True)(norm1): LayerNorm((256,), eps=1e-05, elementwise_affine=True)(norm2): LayerNorm((256,), eps=1e-05, elementwise_affine=True)(dropout1): Dropout(p=0.1, inplace=False)(dropout2): Dropout(p=0.1, inplace=False)(activation): ReLU(inplace=True))))
)
self.input_proj = nn.Conv2d(self.backbone.num_channels, self.trans_encoder.d_model, kernel_size=1)

Conv2d(2048, 256, kernel_size=(1, 1), stride=(1, 1))

接下来就是构造一个Text feature encoder，使用的是Bert模型，用了12层transformer encoders

self.bert = BertModel.from_pretrained(args.bert_model)
self.bert_proj = nn.Linear(args.bert_output_dim, args.hidden_dim)
self.bert_output_layers = args.bert_output_layers

接下来就是vg_decoder的构造

# visual grounding
self.trans_decoder = build_vg_decoder(args)

首先看论文中提出的Visual-linguistic verification这个模块：

上面框出的代码会构造一个DiscriminativeFeatEncLayer框架，如下所示

DiscriminativeFeatEncLayer((img2text_attn): MultiheadAttention((out_proj): Linear(in_features=256, out_features=256, bias=True))(text_proj): MLP((layers): ModuleList((0): Linear(in_features=256, out_features=256, bias=True)))(img_proj): MLP((layers): ModuleList((0): Linear(in_features=256, out_features=256, bias=True)))(img2textcond_attn): MultiheadAttention((out_proj): Linear(in_features=256, out_features=256, bias=True))(img2img_attn): MHAttentionRPE((out_proj): Linear(in_features=256, out_features=256, bias=True))(norm_text_cond_img): LayerNorm((256,), eps=1e-05, elementwise_affine=True)(norm_img): LayerNorm((256,), eps=1e-05, elementwise_affine=True)
)

下面这一段代码就是Language-guided Context Encoder的执行过程，就是这张流程图的过程

text_cond_info = self.img2textcond_attn(query=img_feat, key=self.with_pos_embed(word_feat, word_pos),value=word_feat, key_padding_mask=word_key_padding_mask)[0]q = k = img_feat + text_cond_info
text_cond_img_ctx = self.img2img_attn(query=q, key=k, value=img_feat,          key_padding_mask=img_key_padding_mask)[0]# discriminative feature
fuse_img_feat = (self.norm_img(img_feat) +self.norm_text_cond_img(text_cond_img_ctx)) * verify_scorereturn torch.cat([orig_img_feat, fuse_img_feat], dim=-1)

multi-stage cross-modal decoder：迭代地查询和考虑视觉和语言信息，减少推理过程中地起义

 

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.xdnf.cn/news/33927.html

如若内容造成侵权/违法违规/事实不符，请联系一条长河网进行投诉反馈，一经查实，立即删除！

相关文章

转换思维是为智

转换思维是为智

转换思维是为智 2023年11月08日(节选) 我们人的思维分为人间思维，圣人思维，菩萨思维。人间思维讲得通俗一点就是世间智慧，他拥有的是人间的智慧，讲得再简单一点，就是人间的聪明。圣人的思维是什么，是一种脱…
阅读更多...
qtcanpool 知 10：包管理雏形

qtcanpool 知 10：包管理雏形

文章目录 前言痛点转机雏形实践后语 前言 曾听闻：C/Qt 没有包管理器，开发起来太不方便。这是一个有过 node.js 开发经验的人对 Qt 的吐槽。 确实，像 python、golang、node.js 这些编程语言都有包管理器，给用户带来了极佳的开发体…
阅读更多...
光敏传感器实验

光敏传感器实验

用到 ADC 采集，通过 ADC 采集电压，获取光敏传感器的电阻变化，从而得出环境光线的变化，并在 TFTLCD 上面显示出来。 光敏传感器是最常见的传感器之一，它的种类繁多，主要有：光电管、光电倍增管…
阅读更多...
Modbus RTU转Profinet接4台流量器配置案例

Modbus RTU转Profinet接4台流量器配置案例

Modbus RTU转Profinet是工业自动化领域常见的通讯协议。Modbus RTU因其简单、可靠而被广泛应用于各种设备间的数据传输，而Profinet则以其高速、实时性在现代工业4.0场景中扮演着重要角色。本文将详细解析如何将Modbus RTU转换为Profinet，并通过实际案例来…
阅读更多...
【AI系统】推理系统架构

【AI系统】推理系统架构

推理系统架构 推理系统架构是 AI 领域中的一个关键组成部分，它负责将训练好的模型应用于实际问题，从而实现智能决策和自动化。在构建一个高效的推理系统时，我们不仅需要考虑其性能和准确性，还需要确保系统的可扩展性、灵活性以及…
阅读更多...
家事速配社区新经济与消费新业态创新峰会成功举办，开启多元合作新篇章

家事速配社区新经济与消费新业态创新峰会成功举办，开启多元合作新篇章

2024 年 11 月 28 日，家事速配社区新经济与消费新业态创新峰会在福建福州隆重举行，此次峰会汇聚了各界精英嘉宾，共同见证了一系列具有里程碑意义的合作签约仪式，为社区新经济与消费新业态的融合发展注入强大动力。 上午时分&#…
阅读更多...
数字逻辑——二进制

数字逻辑——二进制

目录 1 信息与编码 1.1 什么是信息？ 1.2 什么是编码？ 2 数制和码制 2.1 数制 3 一些基本概念 3.1 位（bit） 3.2 字节（byte） 3.3 数据量的大小表示符号 4 二进制 4.1 二进制简介 4.2 二进制的…
阅读更多...
PyQt信号槽实现页面的登录与跳转 #页面进一步优化

PyQt信号槽实现页面的登录与跳转 #页面进一步优化

将登录框中的取消按钮使用信号和槽的机制，关闭界面。 将登录按钮使用信号和槽连接到自定义的槽函数中，在槽函数中判断ui界面上输入的账号是否为"admin"，密码是否为"123456",如果账号密码匹配成功，当前界面关…
阅读更多...
博客园-添加统计图

博客园-添加统计图

💖简介 通过WPS在线列表构建博客园每日相关数据统计图。 👉效果 📖实现 前往WPS https://www.kdocs.cn/latest 新建多维表格 创建表格视图 新建仪表盘 新建卡片、折线图 卡片配置示例 折线图配置示例 点击分享获取链接 ⭐链接配置 在co…
阅读更多...
浏览器指纹是什么？14种指纹的技术原理

浏览器指纹是什么？14种指纹的技术原理

视频版链接： 浏览器指纹是什么？14种指纹背后的技术原理 浏览器指纹简介 这个网站在我没登录的情况下，就能生成一个用户ID。即使我打开了浏览器的无痕模式，生成出来的ID也是一模一样。这背后的技术就是浏览器指纹。即使用户没有登…
阅读更多...
Junit5 单元测试入门

Junit5 单元测试入门

基础知识 常用注解含义 Test：标记一个方法为测试方法BeforeEach：标记的方法会在每个测试方法执行前执行AfterEach：标记的方法会在每个测试方法执行后执行BeforeAll：标记的方法会在所有测试方法执行前执行一次AfterAll&#xff1…
阅读更多...
JAVA-平台模块系统原理

JAVA-平台模块系统原理

菜鸟为了巩固所写 目录 菜鸟为了巩固所写 代码之间的依赖性 绘制类型依赖图 扩展到包之间的依赖关系 进一步延伸到jar包之间的依赖性 组件依赖图 JAVA技术领域中的两个著名的“擦除” Java类型的“大泥球” JAVA模块解析 模块解析的过程 模块路径明确模块的搜索与…
阅读更多...
DevExtreme JS ASP.NET Core v24.2新功能预览 - 全新的聊天组件

DevExtreme JS ASP.NET Core v24.2新功能预览 - 全新的聊天组件

DevExtreme拥有高性能的HTML5 / JavaScript小部件集合，使您可以利用现代Web开发堆栈（包括React，Angular，ASP.NET Core，jQuery，Knockout等）构建交互式的Web应用程序。从Angular和Reac&#xff0c…
阅读更多...
总结与反思-50天小总结

总结与反思-50天小总结

作者：麻瓜也要学魔法 时间：2024/12/4 不知不觉中咱博客的码龄居然50天了！内容主要就是运维方面的知识，主打一个学到哪发到哪。 看了看，50天欸！刚好就50篇文章，不得不说（咱还是真稳定…
阅读更多...
centos8 mysql 主从复制

centos8 mysql 主从复制

原理 一、一主一从 准备工作 1.主库配置 1、修改配置文件 /etc/my.cnf #mysql 服务ID，保证整个集群环境中唯一，取值范围:1-232-1，默认为 server-id1 #是否只读,1 代表只读,0代表读写 read-only0 #忽略的数据,指不需要同步的数据库 #binlog…
阅读更多...
iptables防火墙SNAT与DNAT

iptables防火墙SNAT与DNAT

第二章 iptables防火墙SNAT与DNAT 文章目录 第二章 iptables防火墙SNAT与DNAT1 SNAT1.1 SNAT原理与应用1.2 SNAT工作原理1.3 SNAT转换前提条件2 SNAT示例2.1 网关[服务器配置](https://so.csdn.net/so/search?q服务器配置&spm1001.2101.3001.7020)2.1.1 网关服务器配置网卡…
阅读更多...
【推荐100个unity插件之36】Unity6使用DOTS基础篇——Entities（非常适合做一些弹幕射击游戏）

【推荐100个unity插件之36】Unity6使用DOTS基础篇——Entities（非常适合做一些弹幕射击游戏）

文章目录 前言DOTS 核心组成DOTS 解决传统问题的痛点1、优化内存布局：2、减少垃圾回收和内存管理开销：3、提高并行计算能力：4、高效的系统和组件设计：5、易于扩展和优化： 安装文档在编辑器下构建 ECS World查看Entity的…
阅读更多...
AI一键生成原创圣诞印花图案

AI一键生成原创圣诞印花图案

一、引言 随着科技的飞速发展，AI 已经深入到我们生活和工作的各个角落，为创意设计领域带来了前所未有的变革。在圣诞即将来临之际，想要设计独特的圣诞印花图案却又担心缺乏灵感或专业技能？别担心，千鹿 AI 为我们提供了…
阅读更多...
第一部分 —— 密文类型

第一部分 —— 密文类型

文章目录 1. Abstract1.1 Some Conceptions 2. TFHE Ciphertexts3. GLWE3.1 Trivial GLWE ciphertexts3.2 LWE 和 RLWE3.3 Public key encryption 4. GLev4.1 Lev and RLev 5. GGSW5.1 GSW and RGSW 1. Abstract TFHE 指的是 全同态加密策略。意思是，允许对密文进行…
阅读更多...
进制转换详解

进制转换详解

进制转换的基本概念 进制转换是将一个数从一种基数（进制）转换为另一种基数的过程。例如，将十进制数转换为二进制、八进制或十六进制。 转换过程 以十进制数转换为其他进制为例，转换的基本步骤如下： • 除以目标进制…
阅读更多...
最新文章

Copyright @ 2022~2023