问题所在——the applications of BCls are seriously hindered by the time consuming calibrations repeated before each use. EEG要进行校准（？？） 原因1：脑电维度高又有噪声（边缘分布和条件分布在小样本情况下计算不出） 机器学习还是要看的！ 原因2：受试者在实验过程中的脑电信号不稳定（

情感计算的三种输入类型—— a) behavioral responses to emotional stimuli expressed through an interactive application b) objective data collected as bodily responses to stimuli, such as physiological signals and

The perceptual experience of multimedia has diverse factors, including QoE, emotion, aesthetic satisfaction, preference,fatigue, attention 多媒体引起的知觉信息包括——用户体验，情感，美学满足，偏好，疲劳和注意力Physiological signals can

（一）Bhattacharya S, Bhattacharya S, Chang S F. Predicting Viewer Perceived Emotions in Animated GIFs[C]// ACM International Conference on Multimedia. ACM, 2014:213-216.When a media sample is presented t

panda获取工作路径： import os os.getcwd() 使用panda时把文件放在工作路径下面后使用pd.read_csv（”./_.csv”） 若想要直接不改变工作路径则可以用 df = pd.read_csv(U”文件存储的盘（如C）:/文件夹/文件名.csv”)

无监督学习的方法：聚类、自编码、深度置信网络生成自然图像的各类方式： 1. 非参数~The non-parametric models often do matching from a database of existing images, often matching patches of images常用领域是纹理合成，超分辨率和图像修复。 2. 参数~A variational samp

每一层都创建于一个唯一的tf.name_scope之下，创建于该作用域之下的所有元素都将带有其前缀。with tf.name_scope('hidden1') as scopeweights = tf.Variable( tf.truncated_normal([IMAGE_PIXELS, hidden1_units], stdd

Alexnet2013年 Hinton大牛提出 60 million parameters + 650000 neuron 五层卷积层（有些后面有池化层）+三层全连接层+1000路softmax层提出了ReLU比tanh要快的说法 ReLU可以不需要进行归一化，但Local Response Normalization依然有帮助 将模型top1和top5的错误率分别降低了1.4%和1.2%。

很多做research的朋友喜欢top-downapproach，包括我自己。就是说，在开始一个topic的时候，在第一时间就设定了大体的formulation，model又或者methodology。至于选择哪种设定，往往取决于研究者本身的偏好，知识背景，或者对问题的第一反应。接下来的事情就顺理成章了，推导数学模型和相关公式以及算法步骤，然后设计程序进行实验。当然少不了再拉上几个相关工作

TensorFlow学习之入门

绪论1.最重要的技能是：沟通能力和学习与思考能力 2.始终寻找属于自己的方法，切忌随波逐流。从新手到专家的历程1.从新手到专家，不止是获得了技术或者知道更多，而是在认识世界和解决问题以及如何形成思维模型等方面体验根本性区别。 2.新手使用规则，专家使用直觉。 -积极的实践需要四个条件 1.明确定义的任务 2.任务有挑战性，但要可行 3.任务环境可以提供大量反馈