csyifanZhang的博客

视频地址：https://www.bilibili.com/video/BV1nx41157xz?from=search&seid=4167155005329016218BASIC IDEAFeature Mapping在原空间的数据点线性不可分，此时我们可以使用非线性函数ϕ\phiϕ将其映射到其他空间，此时我们可以使用线性空间将其分割Kernel Function对映射空间中任意两点求内积，我们可以得到它其实是原空间对应的两点内积的函数，<z,z′>=<ϕ(x1,x2

本文介绍我最近学习的两个 Meta Learning 的算法：MAML 和 Reptile。原始论文分别见：Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks 和 Reptile: a Scalable Metalearning Algorithm 。文章内容结合了李宏毅老师的课程、toy example，以及我个人的理解，可能文字有点多，但力求通俗易懂。背景Meta Learning 中文翻译为“元学习”，它研究的不是如何

Batch Normalization作为最近一年来DL的重要成果，已经广泛被证明其有效性和重要性。虽然有些细节处理还解释不清其理论原因，但是实践证明好用才是真的好，别忘了DL从Hinton对深层网络做Pre-Train开始就是一个经验领先于理论分析的偏经验的一门学问。本文是对论文《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》的导读。机器学习领域有个很重要的假设：I

一篇超好的bloghttps://jalammar.github.io/illustrated-transformer/

文章地址用了半天时间将这篇综述略读了一遍，作为刚入门的小白感觉还是有一些收货的，预计再用2，3天时间精度一遍，同时对提到的经典模型或者方法都做一个简单的介绍，引文400篇全部看完太浪费时间了，因此我搜了一些引文的中文简单的解释，另外加上我自己的理解，估计会写的比较长吧，加油！Abstract：Object detection 作为计算机视觉四大基础任务之一，是instance segmentation，object tracking等任务的基础，在最近这些年里受到了极大的关注。近期的目标检测主要得益于

一.提出原因空洞卷积（dilated convolution）是针对图像语义分割问题中下采样会降低图像分辨率、丢失信息而提出的一种卷积思路。dilated的好处是不做pooling损失信息的情况下，加大了感受野，让每个卷积输出都包含较大范围的信息。在图像需要全局信息或者语音文本需要较长的sequence信息依赖的问题中，都能很好的应用dilated conv。二.空洞卷积Dilated/Atrous Convolution 或者是 Convolution with holes 从字面上就很好理解，是

看一篇有关CNN on Graph的论文时遇到了两个看上去很像的名词——equivariant和invariant， 对这二者有些不太明白，因此一番谷歌后总算弄清楚些。等变性 equivariant通俗解释：对于一个函数，如果你对其输入施加的变换也会同样反应在输出上，那么这个函数就对该变换具有等变性。更严谨些：对于一个函数/特征fff以及一个变换ggg，如果我们有：f(g(x))=g(f(x))f(g(x))=g(f(x))f(g(x))=g(f(x))则称fff对变换ggg有等变性。举一个例子

anchor boxes是学习卷积神经网络用于目标识别过程中最重要且最难理解的一个概念。这个概念最初是在Faster R-CNN中提出，此后在SSD、YOLOv2、YOLOv3等优秀的目标识别模型中得到了广泛的应用，这里就详细介绍一下anchor boxes到底是什么？有什么作用？在哪里起作用？问题1：为什么需要anchor box？要了解为什么需要anchor box需要首先了解一下在此之前的一些目标识别方法。1.滑动窗口这是比较原始的目标检测方法，给定一个固定尺寸的窗口，根据设定的步伐，一步一