浅夏羽萱

推荐电子书：Tensorflow for Machine Intelligence 下载链接：http://download.youkuaiyun.com/detail/pjia_1008/9852144 斯坦福tensorflow课程CS20SI course notes + slides 下载链接: http://download.youkuaiyun.com/detail/pjia_1008/9852153

InteractiveSession tensorflow通常用法是创建图然后用session运算图，InteractiveSession是更灵活更方便的运算类import tensorflow as tfsess = tf.InteractiveSession()Placeholders 在需要接收输入变量时，先要给对应变量用占位符占位定义，接着就能对变量进行定义x = tf.placeho

上周完成了cs231n的assignment1,作业中的难点是SVM/Softmax/two-layer-nets的梯度求导，特此写篇博客进行总结。 作业assignment1的资源链接在这里：http://download.youkuaiyun.com/detail/pjia_1008/9797177SVM梯度求导 SVM的梯度求导要考虑两种情况，j==yi 和 j!=yi，此处 j表示误分类项，yi表

论文地址： FCN: https://people.eecs.berkeley.edu/~jonlong/long_shelhamer_fcn.pdf ICNet: https://arxiv.org/abs/1704.08545FCN FCN是2015的CVPR，也是semantic segmentation第一篇运用深度学习网络进行分割，并且是端到端的训练。FCN中用的基础网络是VGG，把

deep compression 深度压缩 ICLR2016 论文地址：https://arxiv.org/abs/1510.00149deep compression 分为三步，针对fully connected layer压缩： (1) network pruning (2) weight sharing (3) huffman coding1，network 剪枝剪枝过程看作是最小化l

做作业的时候敲BN调了很久，当时就写了博客忘记放上来了。。。assignment2 完整代码链接：http://download.youkuaiyun.com/download/pjia_1008/9892859Batch Normalization 可以理解为是一种数据预处理技术，使得每层网络的输入都服从（0，1）0均值，1方差分布，如果不进行BN，那么每次输入的数据分布不一致，网络训练精度自然也受影响。1，

GAN模型采用了两个独立的神经网络结构：生成器“generator”和判别器“discriminatory”，核心的idea是生成器生成对抗样本，让判别器来辨真伪，当生成器生成的对抗样本越趋近于真实分布，判别器越几乎无法分辨真假的时候，此时效果最佳。论文中举了一个很好的例子，生成器是造假团伙，判别器是侦探，当造假团伙的水平很高，造出几乎真实的货币，这时候侦探几乎无法判别到底是真是假的时候，这时候生成

这篇论文是首次将GAN思想用于semantic segmentation.在GAN中，有生成器和判别器，生成器生成fake样本然后判别器进行鉴别，随着训练的进行，生成器的fake样本越接近与数据真实分布，判别器也越难分辨真伪。将GAN用于分割，实际上，基本的分割网络（FCN, DeepLab, PSPNet......）就是GAN中的生成器。换句话说，GAN用于分割不需要另外再构造一个生成网络

论文地址： 既然分割结果都能还原成场景图，那么是不是图像翻译直接可以做语义分割？？在传统CNN-based的网络结构中，我们需要定义最后的损失函数比如sigmoid, softmax, L1L2，然而我们并不能确定用哪个损失函数的好坏。