asymmetric-cost-loss-function-false-negative-cost-0
Defines a custom loss function in TensorFlow/Keras where predicting 1 as 0 (False Negative) has zero cost, while predicting 0 as 1 (False Positive) has a cost of 1.
dual-branch-vit-rgb-event-tracking
Implements a dual-branch Vision Transformer for RGB and Event tracking, processing Template and Search tokens independently per branch and applying late fusion with Dropout regularization.
pytorch-cosineannealinglr-scheduler-integration
Integrates the CosineAnnealingLR learning rate scheduler into the existing training pipeline configuration, allowing dynamic learning rate adjustment based on cosine annealing strategy.
pytorch-ssim-l1-l2
实现一个用于图像复原任务的组合损失函数，包含结构相似性(SSIM)、平均绝对误差(L1)和均方误差(L2)的加权和，并配置对应的Adam优化器和ReduceLROnPlateau学习率调度器。
tensorflow-java-040savedmodel
针对TensorFlow Java 0.4.0版本，实现加载SavedModel模型，将三维double数组转换为Tensor并执行预测返回double数组的逻辑。
ceutrackactor
在CEUTrackActor类中集成正交高秩正规化（Orthogonal High-rank Regularization），通过在损失函数中添加基于注意力矩阵SVD的正则化项，以提升模型的特征区分能力和泛化能力。
matlab-rect-pulse-sampling-recovery
基于MATLAB实现矩形脉冲信号的生成、频谱分析确定fm、理想抽样（2倍fm）、特定增益低通滤波及信号恢复的完整实验流程。
pytorch-dynamic-loss-weighting
指导在PyTorch中实现多任务学习或知识蒸馏场景下的动态Loss权重调整，涵盖可学习标量权重、GradNorm算法及基于不确定性的加权方法，并解决设备一致性、计算图错误及权重约束问题。
tensorflow
针对TensorFlow训练代码进行内存泄漏修复，包括优化数据管道、添加每轮结束后的垃圾回收回调以及修正ModelCheckpoint配置。
vit-module-fusion-and-training-optimization
集成UEP或Counter_Guide等模块到Vision Transformer，处理模块适配（2D转1D）、并行或条件插入逻辑，并针对新增模块调整训练超参数以防止过拟合。
vitcls-token
用于在Vision Transformer模型中实现特征维度转换（序列到空间、空间到序列）时，根据配置动态处理CLS Token（分类标记）的技能。确保模型在启用或禁用CLS Token时均能正确运行。
tf-agentslstm
指导用户使用TensorFlow的TF-Agents库构建针对多只股票的强化学习训练代码。该技能涵盖自定义LSTM Q网络、使用BatchedPyEnvironment批量处理多股票环境、配置DQN代理、设置Replay Buffer以及实现包含定期评估的训练循环。
transformer
指导如何在CEUTrackActor类的compute_losses方法中集成基于SVD的正交高秩正规化损失。该技能包括提取注意力矩阵、计算奇异值、构建正则化项并将其加入总损失函数的步骤。
transformertoken
实现一个用于ViT目标跟踪的动态Token组合函数，根据模板与搜索区域的余弦相似度自动选择direct、template_central或partition融合模式。
customize-performance-criteria-with-examples
Rewords and paraphrases vocational training performance criteria and adds concrete workplace examples to strengthen them.