mintminty的博客

笔记终于写到了本书的核心部分，内容多且杂，每一部分都不太好理解，而且比单独理解某一部分更难理解的是这些知识点之间是如何串联的？？拉普拉斯算子和拉普拉斯矩阵什么关系，怎么就从拉普拉斯矩阵讲到了图傅里叶变换，这些和卷积又有什么关系？种种问题都是理解图卷积的一个又一个拦路虎。本文意在梳理出书中比较关键的内容，结合各类博客的分享，做一个主要内容的抽取和梳理工作~目录第五章 图信号处理与图卷积神经网络1. 图信号2. 拉普拉斯算子 & 拉普拉斯矩阵2.1 拉普拉斯算子2.2 拉普拉斯矩阵2.2.1.

强烈推荐周志华老师的这场报告，很好地串联了Boosting的发展过程，整场报告非常生动且清晰。下图是当时记的笔记。视频链接如下：周志华老师报告-Boosting 25年...

1.Fully Connected Layer标记方法aila_i^lail​：第lll层的第iii个神经元，将同一层的aila_i^lail​串在一起形成的向量表示为ala^lalWijlW_{ij}^lWijl​：即l-1层和l层相连的权重，其中i表示l层连接的神经元，其中j表示l-1层连接的神经元zilz_i^lzil​：第lll层的第iii个神经元的激活函数的输入2....

举例如下图蓝色框为记忆区，当黄色输入=1时，绿色=1+1=2，橙色输出=2+2=4，同时将绿色框结果存储到蓝色记忆区。此时蓝色记忆区=2，黄色输入=1时，绿色=1+1+2+2=6，橙色输出=6+6=12，同时将绿色框结果存储到蓝色记忆区。以此类推，输入输出序列如下，故我们可知当输入序列顺序改变时，输出值会产生变化。1....

Generative ModelsPixelRNNVariational Autoencoder(VAE) 变分自编码器Generative Adversarial Network(GAN) 生成对抗网络1.PixelRNN1.1 原理假设目标为让计算机自己画出3*3的图片，做法：随机给一个图(橘色)训练一个模型RNN(输入可为可变长度)，输入：橘色，输出：设定的图(蓝色)...

1.思路目的：用神经网络降维，得到低维度code过程：1.Encoder编码器encoder帮助降维，encoder(编码器)即为很多隐藏层的神经网络。输入：一个28*28的数字图片，经过encoder转化，输出：code(降维后结果)因为我们不知道code什么样子，所以也就没办法训练encoder，故需要训练decoder(解码器)2.Decoder解码器输入：code(低...

Manifold Learning(流形学习)理解：流形学习就是将高维数据恢复成低维流形结构，即找到高维空间中的低维流形，并求出相应的嵌入映射，以实现维数约简或者数据可视化。在比较近的距离中欧式距离可以使用(如蓝色区域的几个点)，在较远距离中欧式距离不适用(如蓝色区域点-黄色区域点欧式距离>蓝色区域点-红色区域点欧式距离，但从 Manifold角度看从蓝色区域走到黄色区域距离较近)若...

1 Unsupervised Learning作用Clustering & Dimension Reduction(化繁为简)：将复杂的输入转化输出为简单内容，如输入一组树的图片 输出一颗抽象的树图片。Generation(无中生有)：输入特定值，通过已知的function输出不同类型的树图片。本课时重点在于线性问题中的Dimension Reduction。2 Clusterin...

1.半监督学习1.1 定义监督学习样本数据 例如：图片+标签半监督学习样本数据 例如：R个图片+标签，U个图片，通常U >> R。分类：transductive learning、inductive learning直推式学习(transductive learning)：将无标签数据作为测试数据。该做法不算是欺骗（当应用label才算欺骗，该做法仅应用feature）归纳...