chengsilin666的博客

Omniglot数据集整个数据集包含1623个不同的手写字符，每个手写字符都由20个不同的人参与绘制在Pytorch-meta的实现当中，其训练集包含了1028个手写字符，涉及到的数据增强有3种，分别为旋转90度、旋转180度以及旋转270度，这样一来，训练样本的总个数就从1028扩充到了1028*4=4112个Omniglot数据集的加载将4112张扩充后的图片视为一个整体，并进行洗牌，然后在洗牌之后的数据集进行样本的挑选采用5-way 5-shot的训练方式，在每一个epoch中，挑.

在进行实验的时候，首先测试baseline，实验过程中产生的各种想法可以考虑先在baseline上进行实验。如果确实能够给baseline的性能带来一定的提升，那么我们就可以将想法移植到我们当前已经设计好的新结构上。 Python中的内存管理机制 在提取网络层的中间输出的时候，尽量不要把网络的中间输出保留在类的成员变量（即__init__函数）当中，应该考虑保留在类的forward函数中。 ...

1.Numpy数组索引为NoneNone并不指代数组中的某一维，None用于改变数组的维度。例如data的shape为(3,3)，则data[:,None]的shape是(3,1,3)，data(:,:,None)的shape是(3,3,1)。容易看出None就是在指定位置添加一维，且这个维度的数目是1。这样数据总数并不会变化，只是数据维度发生变化。2.copy.deepcopy()首...

ICLR 2017论文标题 Modulating early visual processing by language 研究问题 VQA 前提假设 创新点 解决方案 不足之处 论文标题 Conditional Image Synthesis with Auxilia...

CVPR2018论文标题 RotationNet: Joint Object Categorization and Pose Estimation Using Multiviews from Unsupervised Viewpoints 研究问题 3D形状识别与检索 前提假设 object classification与viewpoint e...

《GAPNet: Graph Attention-based Point Neural Network for Exploiting Local Feature of Point Cloud》研究问题 如何更好地提取点云的局部特征 主要想法 采用self-attention和neighboring attention的机制，一方面通过self-attetion来提取输入...

《A-CNN: Annularly Convolutional Neural Networks on Point Clouds》研究问题 本文主要解决的是点云的分类、部件分割和场景分割的问题 作者提出了一种新的方法对点云的局部区域进行建模 创新点 文章将点云的局部区域建模为一个环形区域，并基于该环形区域提出了环形卷积。这样做的目的，主要是为了减少...

在《Going deeper with convolutions》一文当中，作者特别提到了多尺度特征融合的技术，对此，我特地goole了一下，在此特将心得总结一波：类似于我们用显微镜去观察一个物体：当我们使用高分辨率的显微镜去观察物体时，我们看到的是物体较为细微的特征，进而有助于我们捕捉到物体的细节信息；当我们使用低分辨率的显微镜去观察物体的时候，我们拥有的是更为广阔的视野，从而更有助于我们捕...

Numpy中不包含unsquueze函数，但是pytorch中是包含了这个函数的，也就是说unsqueeze函数可以作用在tensor上，但是不能作用在ndarray上。 需要计算梯度的Variable是不可以转化为numpy数组的，需要先试用detach方法或者data方法，然后再转化为Numpy数组。 如果出现下述问题：“forward() takes 1 positional argum...

在PyTorch中计算图的特点可总结如下：autograd根据用户对variable的操作构建其计算图。对变量的操作抽象为Function。对于那些不是任何函数(Function)的输出，由用户创建的节点称为叶子节点，叶子节点的grad_fn为None。叶子节点中需要求导的variable，具有AccumulateGrad标识，因其梯度是累加的。variable默认是不需要求导的，即req...