基于权重复用的训练加速算法

深度学习已广泛应用在科研教学、工业生产等各领域,但因其数据量庞大和模型结构复杂,在模型训练阶段要依赖大量的计算资源。为了能在实验教学环节提升资源利用效率,让学生更加熟练地掌握数据搜集和模型参数调整优化的能力,提出了一种基于权重复用的训练加速方法,分别对VGG和ResNet网络结构的深度和宽度进行伸缩拓展,允许模型复用结构相似但不需要完全一致的网络权重。实验结果表明,在CIFAR10数据集上测试,采用权重复用方法进行初始化的训练更快收敛,而且在训练结束时与随机化训练的准确率相近,实现拓展后的网络加速训练,是一种更加灵活的知识迁移方法,有助于培养学生对复杂模型的理解与优化能力。

一种原子光谱分析用新激发光源--千瓦级微波等离子体炬(kW-MPT)

微波等离子体炬（MPT）[1]在小功率下工作时，形成的ArMPT原子光谱分析技术（ArMPT—AES）只要在进样系统中加入一套溶液雾化和去溶装置，把样品气溶胶中大量存在的溶剂水除去后，对多种元素的检测能力即已接近在千瓦以上功率下工作的电感耦合等离子体发射光谱（ICP．AES）[2-5],

千瓦级微波等离子炬-原子发射光谱(MPT-AES)在油液分析中的应用

采用千瓦级微波等离子炬-原子发射光谱(MPT-AES)装置对油液样品直接雾化进样分析,对直接稀释后的润滑油中8种金属元素进行了检测,并记录了进样时等离子体形貌的变化.结果表明,所有元素的校正曲线线性回归方程的R^2值均优于0. 995,精密度高,检出限接近传统的ICP-AES方法检出结果,为MPT-AES在油液视情维修中的分析监测及在线快速监测奠定了基础.同时还设计了一种油液在线混合进样装置,操作方便、进样量准确,适用于微量样品的采集和直接稀释及进样.

单纯形法在MPT原子发射光谱分析中的应用

将单纯形优化方法用于微波等离子体炬(MPT)原子发射光谱分析实验条件的优化,简化了分析步骤,改善了方法的整体分析性能。