云淡风轻_的博客

但是我们这里面就先写一下还是同样的形态，但这里面我们有一个叫二拍 the d 次方，所以这里的 d 次方是跟我的 x 的维度是一样的，所以我们需要做一个这样的一个操作。我们这里面重点还是来看一下它的一个表示的方法，当然这个表示的方法我们没有必要去一定要记住，因为后面假设涉及到了多元告斯分布我们，而且我们想知道它的表示方法怎么样的时候，你可以去查一下相关的资料就可以了，所以没必要说一定要把它记住。好，那这个是多元的高斯分布，那具体在多元的高斯分布的情况下，我们的。，所以 RD 的一个向量，对吧？

事实上，这种模糊的代表着数据的不确定性，这个网络向我们展示了在不确定视角下，简单的回归任务和面部识别回归任务共享同样的模式。在这篇论文中，我们展示了每个面部作为一个高斯分布去建模这种不确定性，同时我们提出两种方法去优化模型。方法一：我们从分布中抽样，得到一个stochastic嵌入。传统的面部识别方法即使在图片中面部模糊的情况下，耶给出确定的面部识别特征。这是我们的方法在主要任务上的性能，超过 了过去的方法。方法二：我们微调最后一个全连接层。