<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[DeepMatter的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/DeepMatter</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; DeepMatter]]></copyright><item><title><![CDATA[贝叶斯角度对MAML的新的理解]]></title><link>https://blog.youkuaiyun.com/DeepMatter/article/details/80617306</link><guid>https://blog.youkuaiyun.com/DeepMatter/article/details/80617306</guid><author>DeepMatter</author><pubDate>Fri, 08 Jun 2018 00:38:39 +0800</pubDate><description><![CDATA[本文依据文章title： 
 
本文按照文章顺序进行，只抽取笔者认为的重点部分，如有不妥，还请看客给出意见建议一起进步。感兴趣的话，建议去biying原文阅读。



2.1 MAML以及分层贝叶斯表示的回顾 
 - 元学习作为基于梯度的超参数优化器 
参数化的元学习目的是find一些shared参数，当面临novel task时，能够轻松的find适用于该task的参数。 
MAML提供了一中基...]]></description><category></category></item><item><title><![CDATA[meta-learning的新的理解---以Relation Network为契机的新的感触]]></title><link>https://blog.youkuaiyun.com/DeepMatter/article/details/80602355</link><guid>https://blog.youkuaiyun.com/DeepMatter/article/details/80602355</guid><author>DeepMatter</author><pubDate>Wed, 06 Jun 2018 22:51:26 +0800</pubDate><description><![CDATA[


下面给出本文的核心模型图


 
 - 本文的核心价值： 
 模拟人在区分物体的过程，比如iPhone和其他安卓机的区别，一个人会找，看哪个手机有空气刘海，ok，这个有，那它就是iPhone咯！ 
   这里边有两个过程，一个是人脑中的空气刘海—这个是人对于手机所提取到的特征；另一个是，ok，这个有，就做出它是iPhone的判断—这对应着人用先前提取的特征来在待测样本中判断待测样本和这个特征...]]></description><category></category></item><item><title><![CDATA[some remarks on learning to learn]]></title><link>https://blog.youkuaiyun.com/DeepMatter/article/details/80579150</link><guid>https://blog.youkuaiyun.com/DeepMatter/article/details/80579150</guid><author>DeepMatter</author><pubDate>Tue, 05 Jun 2018 11:40:38 +0800</pubDate><description><![CDATA[
  From Chelsea Finn  Jul 18, 2017


Current AI systems can master a complex skill from scratch, using an understandably large amount of time and experience. But if we want our agents to be able to ac...]]></description><category></category></item><item><title><![CDATA[ICLR 2018 BEST PAPER]]></title><link>https://blog.youkuaiyun.com/DeepMatter/article/details/80562215</link><guid>https://blog.youkuaiyun.com/DeepMatter/article/details/80562215</guid><author>DeepMatter</author><pubDate>Mon, 04 Jun 2018 01:24:31 +0800</pubDate><description><![CDATA[这篇文章的题目如下： 
 
论述了如何将元学习用于非静态环境下多agents的增强学习。与传统的多agents静态环境（atari）和单agent静态环境相比，该场景更复杂，同时也与实际应用情景相吻合！该问题的提出在review中被认为是通向AGI的重要的一步。设想这样的一个游戏场景：愤怒的小鸟—游戏中的重力随着时间动态的改变，从而该场景是一个典型的非静态环境，是之前的增强学习方法所不能handl...]]></description><category></category></item><item><title><![CDATA[meta之change bias之filter learning篇（1）]]></title><link>https://blog.youkuaiyun.com/DeepMatter/article/details/80512133</link><guid>https://blog.youkuaiyun.com/DeepMatter/article/details/80512133</guid><author>DeepMatter</author><pubDate>Wed, 30 May 2018 16:31:06 +0800</pubDate><description><![CDATA[今日两弹有关Filter Learning的文章分享





文章具体对比如下： 
第一篇的模型思想不难想像，作者希望在实际测试场景下，模型中的某些参数是依赖于输入测试样本的。考虑如下的场景：当我们在看到一个人的侧脸时，人可以“脑补”出这个人的正脸。作为训练好的模型，我们也希望她能够根据现实中的一些场景进行合理的联想和改变—反映到模型参数上就是希望参数是一些条件输入的函数，就比如前面人脸的例子。...]]></description><category></category></item><item><title><![CDATA[wake-sleep 算法的个人理解]]></title><link>https://blog.youkuaiyun.com/DeepMatter/article/details/78862079</link><guid>https://blog.youkuaiyun.com/DeepMatter/article/details/78862079</guid><author>DeepMatter</author><pubDate>Thu, 21 Dec 2017 11:48:39 +0800</pubDate><description><![CDATA[未完待续…Wiki]]></description><category></category></item><item><title><![CDATA[tensorflow中RNN时间步内置的方法]]></title><link>https://blog.youkuaiyun.com/DeepMatter/article/details/78708947</link><guid>https://blog.youkuaiyun.com/DeepMatter/article/details/78708947</guid><author>DeepMatter</author><pubDate>Mon, 04 Dec 2017 13:46:06 +0800</pubDate><description><![CDATA[RNN中不用写循环，快速实现时间步的方法及理解本博文参考以下文章，重点记录下自己的一些想法和理解：
https://zhuanlan.zhihu.com/p/28196873
下面是一段定义标准RNN cell的代码：@requires_authorization
import tensorflow as tf
import numpy as npcell = tf.nn.rnn_cell.Basi]]></description><category></category></item><item><title><![CDATA[github第三弹：管理自己的学习计划]]></title><link>https://blog.youkuaiyun.com/DeepMatter/article/details/75579719</link><guid>https://blog.youkuaiyun.com/DeepMatter/article/details/75579719</guid><author>DeepMatter</author><pubDate>Fri, 21 Jul 2017 01:57:43 +0800</pubDate><description><![CDATA[最近使用了github后有了将自己近半年的学习情况在上面进行记录的想法，就是建立一个自己的repo，里面存放一些自己做过的或者看过的一些工作，这样岂不是很方便还高大上，于是说干就干！]]></description><category></category></item><item><title><![CDATA[github第二弹]]></title><link>https://blog.youkuaiyun.com/DeepMatter/article/details/75570523</link><guid>https://blog.youkuaiyun.com/DeepMatter/article/details/75570523</guid><author>DeepMatter</author><pubDate>Thu, 20 Jul 2017 17:37:26 +0800</pubDate><description><![CDATA[github第二弹：删除远程仓库，上传本地文件夹到远端，困难小结]]></description><category></category></item><item><title><![CDATA[git上传项目成功！]]></title><link>https://blog.youkuaiyun.com/DeepMatter/article/details/75452944</link><guid>https://blog.youkuaiyun.com/DeepMatter/article/details/75452944</guid><author>DeepMatter</author><pubDate>Wed, 19 Jul 2017 23:25:43 +0800</pubDate><description><![CDATA[https://help.github.com/articles/connecting-to-github-with-ssh/
以上的链接是很重要的一步，在安装好git以及基本配置完成后（user.name；user.email），在github上注册并建立自己的repo后，需要按照上面的链接，将本地repo的private ssh与github上的repo的public ssh进行connec]]></description><category></category></item><item><title><![CDATA[jupyter多环境切换工作目录]]></title><link>https://blog.youkuaiyun.com/DeepMatter/article/details/75353916</link><guid>https://blog.youkuaiyun.com/DeepMatter/article/details/75353916</guid><author>DeepMatter</author><pubDate>Wed, 19 Jul 2017 11:33:30 +0800</pubDate><description><![CDATA[之前看网上博客，很多关于jupyter notebook如何切换工作目录的问题，自己尝试发现不行（可能是本人操作问题）。后来自己摸索发现了一个方法可以work，所以建议大家在尝试了下面的方法后若不行可以考虑尝试我的方法。
点击打开链接

言归正传！
由于本人使用tensorflow的缘故，在anaconda的envs中创建了tensorflow环境。与上文不同之处在于，是在创建的环境中成功]]></description><category></category></item></channel></rss>