<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[StreamRock的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/StreamRock</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; StreamRock]]></copyright><item><title><![CDATA[随机微分方程与 Ito Lemma 的关系]]></title><link>https://blog.youkuaiyun.com/StreamRock/article/details/116722213</link><guid>https://blog.youkuaiyun.com/StreamRock/article/details/116722213</guid><author>StreamRock</author><pubDate>Wed, 12 May 2021 21:39:31 +0800</pubDate><description><![CDATA[随机微分方程与 Ito Lemma 的关系一、随机微分方程的由来二、随机微分方程的求解三、随机积分的仿真四、小结
一、随机微分方程的由来
随机微分方程是我们研究随机现象的重要数学工具，我们可以通过一个简单的例子来进行说明。
例1（The Vasicek interest rate model）
VIR 模型是借贷利率的标准模型，它描述的是瞬时利率（instantaneous interest rate，rtr_trt​）在均值( μ\muμ )附近上下波动的现象，该模型的数学描述是：
drt=c[μ−rt]]]></description><category></category></item><item><title><![CDATA[QR分解的几何解释，并荐书《Algebra, Topology, Differential, Calculus, and Optimization Theory》]]></title><link>https://blog.youkuaiyun.com/StreamRock/article/details/103599480</link><guid>https://blog.youkuaiyun.com/StreamRock/article/details/103599480</guid><author>StreamRock</author><pubDate>Tue, 24 Dec 2019 16:42:07 +0800</pubDate><description><![CDATA[目录一、简介二、QR分解三、基于超平面反射（Hyperplane Reflection）的 QR Decomposition四、QR分解的代码实现参考文献
一、简介
首先，我在这里推荐一本好书——《Algebra, Topology, Differential, Calculus, and Optimization Theory for Computer Science and Engineeri...]]></description><category></category></item><item><title><![CDATA[《Few-Shot Learning with Graph Neural Networks》——少样本学习与图神经网络]]></title><link>https://blog.youkuaiyun.com/StreamRock/article/details/102808091</link><guid>https://blog.youkuaiyun.com/StreamRock/article/details/102808091</guid><author>StreamRock</author><pubDate>Fri, 22 Nov 2019 12:28:13 +0800</pubDate><description><![CDATA[目录一、简介二、【2】实现过程分析2.1 数据的准备2.2 GNN 网络2.2.1 特征提取网络2.2.2 顶点表达2.2.3 Adjacency 层2.2.4 Loss的解析2.3 数据验证所说明的问题三、GNN 的认识四、小结索引欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表...]]></description><category></category></item><item><title><![CDATA[写给自己看的yolo 3]]></title><link>https://blog.youkuaiyun.com/StreamRock/article/details/101644074</link><guid>https://blog.youkuaiyun.com/StreamRock/article/details/101644074</guid><author>StreamRock</author><pubDate>Tue, 01 Oct 2019 07:25:36 +0800</pubDate><description><![CDATA[目录一、Yolo 3 简介二、 Yolo 3 的实现2.1 特征提取 Backbone2.2 特征金字塔（feature pyramid networks）2.3 输出检测部分——FCN2.4 Things We Tried That Didn’t Work三、小结
一、Yolo 3 简介
Yolo 3 【1】是一款2018年推出的简单、高效的目标检测算法，它仅用卷积层，实现了一个全卷积网络（Fu...]]></description><category></category></item><item><title><![CDATA[CornerNet：不用 Anchor Boxes 也能进行目标检测（Object Detection）]]></title><link>https://blog.youkuaiyun.com/StreamRock/article/details/100115681</link><guid>https://blog.youkuaiyun.com/StreamRock/article/details/100115681</guid><author>StreamRock</author><pubDate>Wed, 04 Sep 2019 20:58:42 +0800</pubDate><description><![CDATA[一、简介
目标检测（Object Detection）是图像识别的一个重要领域，近来看了一篇19年8月的相关综述《Recent Advances in Deep Learning for Object Detection》[1]，发现自己又落伍了，现在已经到了不用 anchor boxes也能进行目标定位了。我们来看看文中给出的一个 Object Detection 的发展脉络：

图1 基于深度...]]></description><category></category></item><item><title><![CDATA[从 PixelCNN 到 Gated PixelCNN，再到 Conditional Gated PixelCNN]]></title><link>https://blog.youkuaiyun.com/StreamRock/article/details/95516065</link><guid>https://blog.youkuaiyun.com/StreamRock/article/details/95516065</guid><author>StreamRock</author><pubDate>Sat, 13 Jul 2019 07:56:33 +0800</pubDate><description><![CDATA[一、简介
PixelCNN 是一个生成模型，2016年出自DeepMind的Aaron van den Oord[1]。[5]指出当前的生成模型主要可分为两类：

基于最大似然的模型，比如：各类VAE（变分自编码器） 和 autoregressive models（自回归模型）
隐式生成模型，比如：Gan（生成对抗网络）

PixelCNN属于第一种模型，即最大似然模型。这种生成模型较Gan的优势...]]></description><category></category></item><item><title><![CDATA[通过代码学习 VQ-VAE]]></title><link>https://blog.youkuaiyun.com/StreamRock/article/details/93881187</link><guid>https://blog.youkuaiyun.com/StreamRock/article/details/93881187</guid><author>StreamRock</author><pubDate>Sun, 30 Jun 2019 15:24:28 +0800</pubDate><description><![CDATA[VQ-VAE（Vector Quantised Variational AutoEncoder，矢量量化变分自动编码）是【1】提出的一种离散化VAE方案，近来【2】应用VQ-VAE得到了媲美于BigGan的生成模型。由此可见， VQ-VAE 有着强大的潜力，且【1】和【2】皆为DeepMind的作品，让我们通过代码来认识它，学习它。
一、简介
光看论文一知半解，需要看看它的实现。我在GitHub中...]]></description><category></category></item><item><title><![CDATA[混合高斯聚类的一种实现方法]]></title><link>https://blog.youkuaiyun.com/StreamRock/article/details/93207316</link><guid>https://blog.youkuaiyun.com/StreamRock/article/details/93207316</guid><author>StreamRock</author><pubDate>Sat, 22 Jun 2019 16:00:14 +0800</pubDate><description><![CDATA[近来看了一篇文章《Hierarchical Clustering of a Mixture Model》【1】，它是一篇比较早的文章了，2005年，Jacob Goldberger Sam Roweis，Department of Computer Science, University of Toronto。文中讲到一种简单的高斯聚类方法，近来有文章将它用于目标检测（Object Detecti...]]></description><category></category></item><item><title><![CDATA[近年来目标检测方面值得一看的论文（到CVPR 2019）]]></title><link>https://blog.youkuaiyun.com/StreamRock/article/details/90516709</link><guid>https://blog.youkuaiyun.com/StreamRock/article/details/90516709</guid><author>StreamRock</author><pubDate>Fri, 24 May 2019 15:08:20 +0800</pubDate><description><![CDATA[CVPR 2019
Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression
https://arxiv.org/pdf/1902.09630.pdf
Feature Selective Anchor-Free Module for Single-Shot Object Detectio...]]></description><category></category></item><item><title><![CDATA[不动点理论在《A Distributional Perspective on Reinforcement Learning》上的应用]]></title><link>https://blog.youkuaiyun.com/StreamRock/article/details/88718051</link><guid>https://blog.youkuaiyun.com/StreamRock/article/details/88718051</guid><author>StreamRock</author><pubDate>Fri, 22 Mar 2019 11:58:01 +0800</pubDate><description><![CDATA[Fixed point理论是 Banach Space 中重要的理论工具。它常被用来讨论某个空间解的存在性，并由此发展出通过迭代的方式进行问题求解的算法。在[1]中，Fixed Piont理论处于整个算法的核心位置，是以分布式Bellman方程代替期望值Bellman方程的理论基础。本文将分成两个部分浅析之：第一部分 Fixed Point的迭代算法介绍；第二部分 Distributional 算...]]></description><category></category></item><item><title><![CDATA[从 Semi-Norms（准范数） 到 Norms（范数）]]></title><link>https://blog.youkuaiyun.com/StreamRock/article/details/88612942</link><guid>https://blog.youkuaiyun.com/StreamRock/article/details/88612942</guid><author>StreamRock</author><pubDate>Mon, 18 Mar 2019 21:56:24 +0800</pubDate><description><![CDATA[“什么是 Semi-Norms 什么是 Norms？它们之间有什么关系，为什么有了Norm还要有Semi-Norm呢？它们之间如何转换呢？”
以上是我在学习Semi-Norms（准范数）和 Norms（范数）时心中一直萦绕的问题，而且很久了，许多书都没讲清楚，直到我看到了这本：
《A Primer on Hilbert Space Theory ：Linear Spaces, Topologica...]]></description><category></category></item><item><title><![CDATA[《A Distributional Perspective on Reinforcement Learning》的理解]]></title><link>https://blog.youkuaiyun.com/StreamRock/article/details/86605272</link><guid>https://blog.youkuaiyun.com/StreamRock/article/details/86605272</guid><author>StreamRock</author><pubDate>Mon, 28 Jan 2019 16:34:30 +0800</pubDate><description><![CDATA[
参考：
1、《A Distributional Perspective on Reinforcement Learning》https://arxiv.org/abs/1707.06887
2、《Distributional Bellman and the C51 Algorithm》https://flyyufelix.github.io/2017/10/24/distributional-b...]]></description><category></category></item><item><title><![CDATA[抄书——最优化的理论与方法（7）——数学基础（无约束问题的最优性条件）]]></title><link>https://blog.youkuaiyun.com/StreamRock/article/details/86569319</link><guid>https://blog.youkuaiyun.com/StreamRock/article/details/86569319</guid><author>StreamRock</author><pubDate>Mon, 28 Jan 2019 11:23:59 +0800</pubDate><description><![CDATA[以下内容主要抄自抄袁亚湘的《最优化理论与方法》的 1.4 无约束问题的最优性条件

本节研究无约束问题：
min⁡f(x),x∈Rn(1.4.1)
\min f(x),\quad x\in R^n\qquad(1.4.1)
minf(x),x∈Rn(1.4.1)
的最优性条件，它包括一阶条件和二阶条件。
极小点的类型有局部极小点和总体最小点两种。
定义 1.4.1
如果存在 δ&amp;amp;amp;gt;0\...]]></description><category></category></item><item><title><![CDATA[两个空间（N维欧氏空间、Lebesgue空间）的Holder不等式]]></title><link>https://blog.youkuaiyun.com/StreamRock/article/details/86169237</link><guid>https://blog.youkuaiyun.com/StreamRock/article/details/86169237</guid><author>StreamRock</author><pubDate>Thu, 10 Jan 2019 12:05:17 +0800</pubDate><description><![CDATA[Holder不等式是范数理论中重要的不等式，表述如下：
∥xy∥1≤∥x∥p∥y∥q,&amp;nbsp;where&amp;nbsp;p&amp;amp;gt;0,q&amp;amp;gt;0,&amp;nbsp;and&amp;nbsp;&amp;nbsp;1p+1q=1(1)
\Vert xy\Vert_1\le \Vert  x \Vert_p\Vert y \Vert_q,\quad \text{ where } p\gt 0, q\gt 0...]]></description><category></category></item><item><title><![CDATA[抄书——最优化理论与方法（6）——凸集的分离和支撑]]></title><link>https://blog.youkuaiyun.com/StreamRock/article/details/85724235</link><guid>https://blog.youkuaiyun.com/StreamRock/article/details/85724235</guid><author>StreamRock</author><pubDate>Tue, 08 Jan 2019 17:05:37 +0800</pubDate><description><![CDATA[以下内容主要抄自抄袁亚湘的《最优化理论与方法》的 1.3.3 凸集的分离和支撑

凸集的分离和支撑是研究最优性条件的重要工具。我们首先讨论闭凸集外一点与闭凸集的极小距离。
定理 1.3.17
设 S∈RnS\in R^nS∈Rn 是非空闭凸集，y∉Sy\notin Sy∈/​S，则存在唯一的点 xˉ∈S\bar x\in Sxˉ∈S，它与 yyy 距离最短。进一步，xˉ\bar xxˉ 与 yyy...]]></description><category></category></item><item><title><![CDATA[抄书——最优化的理论与方法（5）——数学基础（凸集和凸函数）]]></title><link>https://blog.youkuaiyun.com/StreamRock/article/details/85098617</link><guid>https://blog.youkuaiyun.com/StreamRock/article/details/85098617</guid><author>StreamRock</author><pubDate>Sun, 30 Dec 2018 10:17:13 +0800</pubDate><description><![CDATA[以下内容主要抄自抄袁亚湘的《最优化理论与方法》的 1.3 凸集和凸函数

凸性（Convexity）在优化化理论和方法的研究中起着重要作用。
1.3.1 凸集
定义 1.3.1
设集合 S⊂RnS\subset R^nS⊂Rn，如果对于任意 x1,x2∈Sx_1,x_2\in Sx1​,x2​∈S，有
αx1+(1−α)x2∈S,∀α∈[0,1](1.3.1)
\alpha x_1+(1-\alp...]]></description><category></category></item><item><title><![CDATA[抄书——最优化的理论与方法（5）——数学基础（函数和微分）]]></title><link>https://blog.youkuaiyun.com/StreamRock/article/details/85041904</link><guid>https://blog.youkuaiyun.com/StreamRock/article/details/85041904</guid><author>StreamRock</author><pubDate>Tue, 18 Dec 2018 09:46:29 +0800</pubDate><description><![CDATA[以下内容主要抄自抄袁亚湘的《最优化理论与方法》的 1.2.5 函数和微分

连续函数 f:Rn→Rf:R^n\to Rf:Rn→R 称为在 x∈Rnx\in R^nx∈Rn 连续可微，如果(∂f∂xi)(x)\left( \frac{\partial f}{\partial x_i}\right)(x)(∂xi​∂f​)(x) 存在且连续，i=1,2,⋯&amp;amp;amp;ThinSpace;,ni=1,2...]]></description><category></category></item><item><title><![CDATA[抄书——最优化的理论与方法（4）——数学基础（秩一校正）]]></title><link>https://blog.youkuaiyun.com/StreamRock/article/details/84827422</link><guid>https://blog.youkuaiyun.com/StreamRock/article/details/84827422</guid><author>StreamRock</author><pubDate>Wed, 12 Dec 2018 18:19:38 +0800</pubDate><description><![CDATA[矩阵的秩一校正在最优化中经常用到。那什么是秩一校正呢？以下主要内容部分抄自抄袁亚湘的《最优化理论与方法》。

定义：秩一校正( rank-1 update)
设 A∈Rn×nA\in R^{n \times n}A∈Rn×n 是非奇异矩阵，u,v∈Rn×1u,v\in R^{n\times 1}u,v∈Rn×1 是任意向量，则称 A+uvTA+uv^TA+uvT 是 AAA 的秩一校正。
其实，u...]]></description><category></category></item><item><title><![CDATA[抄书——最优化的理论与方法（3）——数学基础（矩阵的Rayleigh商）]]></title><link>https://blog.youkuaiyun.com/StreamRock/article/details/84728562</link><guid>https://blog.youkuaiyun.com/StreamRock/article/details/84728562</guid><author>StreamRock</author><pubDate>Sun, 02 Dec 2018 22:41:57 +0800</pubDate><description><![CDATA[定义 1.2.4：
设 AAA 是 n×nn\times nn×n Hermite 矩阵，u∈Cnu\in C^nu∈Cn，则称：
Rλ(u)=u∗Auu∗u,u≠0(1.2.28)
R_{\lambda}(u)=\frac{u^*Au}{u^*u},u\neq0 \qquad(1.2.28)
Rλ​(u)=u∗uu∗Au​,u̸​=0(1.2.28)
为 Hermite 矩阵 AAA 的 Ray...]]></description><category></category></item><item><title><![CDATA[抄书——最优化的理论与方法（2）——数学基础（矩阵求逆和广义逆）]]></title><link>https://blog.youkuaiyun.com/StreamRock/article/details/84075578</link><guid>https://blog.youkuaiyun.com/StreamRock/article/details/84075578</guid><author>StreamRock</author><pubDate>Thu, 29 Nov 2018 21:36:27 +0800</pubDate><description><![CDATA[定理1.2.3 （von Neumann引理）
设 E∈Rn×n,I∈Rn×nE\in \mathbb R^{n\times n},I \in \mathbb R^{n\times n}E∈Rn×n,I∈Rn×n 是单位矩阵， ∥⋅∥\Vert \cdot \Vert∥⋅∥ 是满足 ∥⋅∥=1\Vert \cdot \Vert=1∥⋅∥=1 的相容矩阵范数（诱导 p-范数和 Frobenius范数...]]></description><category></category></item></channel></rss>