u013818406的博客

最近实习任务除了用公司内部机器学习平台(tensorflow引擎)跑模型就是调研一下浅层机器学习算法的并行与分布式，稍微做个总结浅层机器学习中能够应用并行或者分布式的方面1.1 ModelAssessment with Cross validation相信对机器学习比较熟的都经常用交叉验证，简单解释一下就是把样本划分为n块相同大小的，选一些出来做训练集，剩下的做验证集，比较常见的是就留

1. CTR预估算法现状及进展  之前也看过CTR预估算法，大部分都是LR、FM、FFM、GBDT互相堆叠，在现实中看到还有先利用LR做多维embedding，然后再加上图像CNN特征再做LR。LR主要的难点是特征离散化后特征维度特别高，实习时看到的分布式最多支持1E多特征，实际使用特征维度大概也接近1E。LR缺陷是没有计算特征之间互相影响的部分，FM将特征交互加入了计算中，FFM再将同一特征

SSD关键源码解析yolo源码解析yolov2和9000论文解析yolo论文解析

虽然暂时还没用到对抗生成网络，但是看过GAN以及WGAN、IRGAN后觉得非常有意思，将博弈论的思路放到了神经网络里面来。主要的思路就是一个生成器与一个分类器，分类器的作用是区分这个数据来源是真实的还是生成器产生的，生成器的作用就是产生新的数据尽可能蒙混分类器不让区分开，在训练过程中交替训练分类器与生成器让两者在竞争中不断进化提高自身的性能，训练完成后分类器和生成器都可以使用，下面边上代码边讲。