实习总结（四）

还是得坚持写实习总结！！虽然晚了几天 - * - * -
这一周一直在换方向，很烦啊！！

issue1

在更换dispnet网络结构时，非常骚的把优化策略 ‘step’ 改为了 ‘multistep’ 时忘记添加stepsize，导致出现了unix data -d @ 146… （浮点运算格式异常）。

issue2

思路：dispnet只是对左右眼的图片进行匹配和估计，使用的是每张图片的patches内像素点的信息先匹配再做估计，将病态及非病态问题并未加以区分，就统一做了估计。这样很有可能把本来匹配正确的像素点的值给破坏掉。沿着郑义的思路，采用CRF（条件随机场），参照（crf as rnn），利用各个像素点间的联系，其实这也是想把图片的空间信息利用好。文章计算出图片中每个像素点与周围像素点的关系（可以把它理解为该像素点的影响力），再加入到FCN的后面，就相当于一个调优的过程吧，用它修改dispnet的话，就是把它加在correlation层之前，开始的两层卷积之后，当做多多利用空间信息吧。
然而，被赵总否决，理由是，CRF并不属于我们想要的人工智能（一点也不智能）。

issue3

练习tumx操作，分屏 | 挂起 | 唤醒。

issue4

tanh,sigmoid,batchnorm： 一般来说，我们希望神经网络的输入符合“均值为零，方差为一”分布的标准输入，且值域可以在一个小范围之间，在某些时候，tanh可以满足这个条件，sigmoid与它的区别就是在至于范围。有一个说法是，当层数大于100时，选用Batchnorm层+Relu会比仅仅使用前两种激活函数效果要好的多且方便，当然，浅层网络不需要用BN。

issue5

阅读 CRL(cascade residual learning) 算是读后感吧。