通过在FB15k数据集上进行100个epoch的训练，使用dimension = 50，margin = 0，norm = L1的参数设置，模型在2小时内完成训练，最终总损失在一次epoch中稳定在14000左右。附上TransE实现代码，供参考和学习。
RELE模型的创新之处在于其独特的设计，它首先通过Label Embedding学习关系的内在表示，这个过程借鉴了TransE算法，同时通过注意力机制来精炼选择最相关的实例，进一步优化了关系抽取的效果。这部分工作是Label Embedding首次在关系抽取任务中的应用，展示了其强大的适应性和影响力。
课程论文题目（黑体，小二号字，加粗）研究生：×××（仿宋体，三号字，加粗）提交日期： 年 月 日 研究生签名：学 号 学 院 课程编号 课程名称 学位类别 任课教师 教师评语：成绩评定： 分 任课教师签名： 年 月 日说 明课程论文要有题目、作者姓名、摘要、关键词、正文及参考文献。
1、DCN论文阅读笔记：论文主旨 论文《可变形卷积网络》旨在通过引入可变形卷积和可变形RoI池化，增强卷积神经网络对几何变换的适应能力。核心思想 可变形卷积：在标准卷积的基础上引入2D偏移量，使采样网格变形，从而增强CNN对几何变换的适应性。这些偏移量通过额外的卷积层从之前的特征图中学习得到。
2、论文《可变形卷积网络》（Deformable Convolutional Networks，DCN）旨在增强卷积神经网络（CNN）对几何变换的适应能力。文章提出通过引入可变性卷积（DCN）和可变性RoI池化来实现这一目标。这两种模块基于使用额外偏移量增强空间采样位置的思想，无需额外监督，直接从任务中学习偏移量。
3、在探讨DCN V2之前，我们先回顾一下可变形卷积（DCN）的概念。DCN被引入以解决卷积核形状受限的问题，使卷积核可以动态变化，从而更符合实际应用场景。然而，DCN的使用带来了部署的复杂性，目前仅在TensorRT框架中实现支持。若在其他前向框架中使用DCN，部署难度相对较高。
4、DCN v2： 改进点：针对DCN v1可能引入无关背景干扰的问题，提出了三个解决方案：增加可变形卷积层、添加每个采样点的权重、模拟RCNN的feature。 增加可变形卷积层：提高了对几何形变的建模能力，使网络能更好地适应物体的各种变换。
DCN论文阅读笔记：论文主旨 论文《可变形卷积网络》旨在通过引入可变形卷积和可变形RoI池化，增强卷积神经网络对几何变换的适应能力。核心思想 可变形卷积：在标准卷积的基础上引入2D偏移量，使采样网格变形，从而增强CNN对几何变换的适应性。这些偏移量通过额外的卷积层从之前的特征图中学习得到。
阅读前准备 泛读目标期刊：利用Inoreader或Researcher关注期刊最新录用，定期获取相关文献。 归档文献：使用EndNote进行管理，下载文献后在Note中初步评估，标记重要信息如标题中文和方法类标签，归档至相应文件夹如【1107 Unread】和【1103 In-Press ing】。
密集卷积网络（DenseNet）论文阅读笔记 Abstract 论文提出了一种新的CNN结构——密集卷积网络（DenseNet）。它通过在每两层间引入直接连接，显著提高了网络的深度，同时保持了训练的效率和准确性。DenseNet的关键特点包括密集连接、参数效率和易于训练。Introduction CNN已成为视觉目标识别任务中的主流方法。
FairMOT论文阅读笔记：研究背景与动机：FairMOT论文探讨了将目标检测和ReID模块整合到单一神经网络中的方法，旨在提升多对象追踪的效率和准确性。传统追踪方法将任务分为两部分，但受限于视频帧率，因为两个网络不共享特征。Oneshot模型试图同时进行检测和特征提取，但准确率有所下降。
