ACM之路

1. 类转为其他类型operator float() const { return xxx;}2. 其他类型转为这个类

一共有两种uncertainty, 一种是axx, 另外一种是exx.axx是数据相关的，exx是数据无关的。计算数据相关的直接 predicted, 数据无关的直接多次求方差

一开始一直没明白为什么这个用神经网络X,Y怎么操作，后来明白P(y1: N| theta) 可以用网络预测的值和真实值弄个高斯分布来衡量概率。 如果是分类问题就用softmax...

似然是 给定数据 针对参数说的概率是 给定参数 针对数据说的

高斯分布的均值和方差只在KL项里面，我之前以为在loss也会有…

就是认为 优化是 线性的。然后找到点后就知道了方向。

https://blog.youkuaiyun.com/sgfmby1994/article/details/68489944https://blog.youkuaiyun.com/u012554092/article/details/78128795

https://stats.stackexchange.com/questions/207794/what-loss-function-for-multi-class-multi-label-classification-tasks-in-neural-n/317971#317971

#include <libavutil/motion_vector.h>#include <libavformat/avformat.h>static AVFormatContext *fmt_ctx = NULL;static AVCodecContext *video_dec_ctx = NULL;static AVStream *video_stream =...

AV_PICTURE_TYPE_NONE Undefined.AV_PICTURE_TYPE_I Intra.AV_PICTURE_TYPE_P Predicted.AV_PICTURE_TYPE_B Bi-dir predicted.AV_PICTURE_TYPE_S S(GMC)-VOP MPEG4.AV_PICTURE_TYPE_SI Switching I...

总结一句话，在分组卷积里面，每次只考虑了纵向的数据，现在学习一个weight，同时考虑 横向的数据https://qiita.com/koreyou/items/328fa92a1d3a7e680376

https://www.zhihu.com/question/22611929

不变性: invariant f(F(x)) = f(x)等变性: eq f(g(x)) = g’f(x)pooling是具有不变性cnn 是具有等变性https://zhangting2020.github.io/2018/05/30/Transform-Invariance/

1：1位像素，表示黑和白，但是存储的时候每个像素存储为8bit。L：8位像素，表示黑和白。P：8位像素，使用调色板映射到其他模式。RGB：3x8位像素，为真彩色。RGBA：4x8位像素，有透明通道的真彩色。CMYK：4x8位像素，颜色分离。YCbCr：3x8位像素，彩色视频格式。I：32位整型像素。F：32位浮点型像素。作者：icamera0来源：优快云原文：https:/...

sigmoid初始化

而第一步的规范化会将几乎所有数据映射到激活函数的非饱和区（线性区），仅利用到了线性变化能力，从而降低了神经网络的表达能力。而进行再变换，则可以将数据从线性区变换到非线性区，恢复模型的表达能力。Batchnorm不适用的情况:韩国团队在2017NTIRE图像超分辨率中取得了top1的成绩，主要原因竟是去掉了网络中的batchnorm层，由此可见，BN并不是适用于所有任务的，在image-to...

AlextNet首次使用relu,dropout的好处： 多个子网络组合, hard记忆没了, 增加数据sgdVGGNetpooling 之后通道数增加Resnet没有全联接层

锐化： 增强高频分量，提高了噪声平滑: 降低高频分量

warp 其实就是通过光溜和当前图片信息，推断下一时刻图片的信息

wget http://archive.ubuntu.com/ubuntu/pool/main/a/apt/apt-transport-https_1.2.32_amd64.debdpkg -i apt-transport-https_1.2.32_amd64.deb

SGD 是只对一个数进行更新mini batch SGD 是对一堆数进行更新

卷积操作和相关性操作很相似，而且点积操作也是一类相似性函数。所以卷积核是某种feature, 卷积后的结果在某种程度上反应了相似性

https://www.zhihu.com/question/306213462

1. batch norm理解即便噪声的引入使得分布不稳定，但在训练性能仍比标准网络好。所以，BatchNorm的有效性与Internal Covariate Shift并没有什么联系。

I3D 用2个3D Net然后 直接把2D 的weight复制到第三维度

原来3D卷积 只是稍微少点。。。它和2D卷积的区别是 它的输出是一个立方体。

fusion 有很多种模式，开始没明白。现在知道fusion 后然后采样 取平均，然后恍然大悟。

by hongyi zhang

1. 能使用大的lr2. 能够抵消初始化不好带来的影响

Siamese Network 可以看成是对输入图片的一个 哈夫曼编码

global 全部一起算mean 每个类单独算

其实说白了就一句话，梯度大的时候容易错，step就稍微小一点；梯度小的时候不容易错，step可以稍微大一点https://spaces.ac.cn/archives/6234

https://stats.stackexchange.com/questions/232741/why-is-it-important-to-include-a-bias-correction-term-for-the-adam-optimizer-for