运动捕捉-1

运动捕捉学习心得

开学有大半个月了，来学校也有将近两个月了，对自己学到的东西进行总结。

机器学习1
论文阅读
机器学习算法学习
代码理解和测试

---

机器学习

由于刚刚接触到机器学习内容，对其较多概念都不了解，所以先看了一遍《机器学习》这本书，对整个机器学习的算法和方式都进行了讲解，而且讲的很容易理解，适合入门，但是机器学习十分庞大，每个知识点都可以写一本书，所以对具体的算法只是讲了大概的思路，如果是要做研究，这些只是是远远不够的，需要结合其他资源进行深入学习。

刚开始的时候看这本书的时候感觉每个知识点都十分的抽象，比如什么支持向量机、分类器等十分的不理解，随着对课题的深入研究和对知识的补充，这些知识点组件清晰起来。

对其具体的概念也就不再关公门前耍大刀了，主要说说自己的学习过程。由于我的科研方向是运动捕捉方向，现在深度学习十分的火热，近期的科研文章都是使用深度学习做的，因此开始从深度学习进行课题的入门。

讲到深度学习，就不得不提神经网络，我没有一开始就研究CNN和DNN，而是从RBM开始（由于看的第一篇较好的文献是RBM实现的），多层的RBM叠加在一起构成一个DBM，这个是多层神经网络十分的相似。RBM的参数更新算法采用的是CD-k算法，比较容易理解，而且不需要求导过程，速度较快，推到也较为容易，具体的推导和实现过程推荐一篇博文： 受限玻尔兹曼机（RBM）学习笔记（一）预备知识。

学习完RBM后开始进行神经网络的学习，主要是看ufldl的教程，而且还有视频教程，每节后面都有习题，完成每一节后面的习题，对于理解和实现神经网络有较大的帮助。神经网络的学习中主要进行CNN的学习（也是由于课题可以使用CNN完成，就是主要围绕课题，进行核心知识的学习），看了ufld中关于CNN的教程，也按照推到公式进行了简单的实现，但是对于实际的问题就难以设计代码实现（比如有过个权重时），学习十分的艰难，最近就在努力的啃代码中。

论文阅读

论文的阅读主要有两篇Factored Conditional Restricted Boltzmann Machines和A Deep Learning Framework for Character Motion Synthesis and Editing。第一篇主要是使用RBM实现的，代码实现是使用matlab，加入“past”输入和“分解因子”，对RBM进行训练，合成运动特征。第二篇论文则是使用自编码的卷积实现，论文中实现了较多的功能，还没有完全看懂，而且利用图像风格合成的算法进行的运动风格合成，这给了许多启发，最近在研究图片风格合成，试着是否可疑移植到运动风格上。

机器学习算法学习

在机器学习算法方面就主要推到了RBM和CNN的实现，而且最近也在研究使用这两种技术，试试是否可以研究出新的东西。RBM的实现比较容易，而且运行较快，CNN的计算就比较慢，因为需要反向传播计算参数，如果是实现自编码，就需要跟高的时间，最近师兄给了本caffe的书，是深度学习的工具包，刚好进行caffe学习，学习熟练使用这个工具，对于今后研究和毕业工作又有较大的好处，由于caffe有太多的依赖包，安装折腾我好久，搞到半夜好几点（弄不好都睡不着，职业病！），不过现在终于搭建完成了。今后白天就研究论文实验，晚上回去学习caffe和linux（没办法，本科感觉什么都没学）。

代码理解和测试

代码的测试主要是针对那两篇论文的，一个用matlab实现，另一个是python（^-^也要学习python了），具体代码的分析就不贴出来了，都是比较简单的，python使用了theano深度学习包，这个分装的较好，只知道怎么建立网络层的，具体实现不是很懂。

PS：只是第一次写博文，主要是想把自己的学习过程记录下来，写的也不怎么好，后面也没有认真的写了，以后会坚持写下去。^-^

---

1. 周志华. 机器学习[M]. 北京:清华大学出版社, 2016. ↩