- 博客(19)
- 收藏
- 关注
RSS订阅原创 计算概论学习笔记（2）
【道阻且长，行则将至】很多年没有intensive coding，现在这个系列是coding retake，一点点回忆之前的知识，希望能重回到一线。主要内容包括C,C++,Pytorch学术前沿项目学习和实践，预计会在2024年内完成。1. Skill，训练得技能！！！编程不能只学Knowledge2. 须抓大放小3. 多练简单题4. 选一本薄的书（个人认为，参考书必要不大，该课程已经可以构建较全的知识体系，其余应该通过QA-driven方式借助互联网学习）
2024-05-12 00:00:00
342
原创 深入浅出搞懂VAE
2013年提出的VAE，跨越11年，获得首届ICLR‘24时间检验奖，是深度学习的重要技术之一。这篇论文把深度学习和可扩展的概率推理整合在一起，从而产生了变分自编码器（VAE），这项工作其持久的价值在于优雅，加深了我们对于深度学习和概率建模之间相互作用的理解，引发了许多后续有趣的概率模型和编码方法的开发。下面按照三个部分进行，由易到难：核心思想，技术难点和实现（如何将概率转换成网络？），理论支持（变分下界推导，损失函数），复盘。
2024-05-11 23:59:28
858
2
原创 Ax=b解，向量空间的基、维度（Part IV）
目录：求解Ax=bAx=b向量间的线性无关性（linear Independence of vectors）向量空间的基（Vectors that span a space & A basis for a vector space）向量空间的维度（dimension of a vector space）
2016-05-25 21:29:05
7177
原创 向量空间，子空间，列空间，零空间（PartIII）
目录：vector space （向量空间）subspace space （子空间）由Ax=bAx=b理解column space （列空间）由Ax=0Ax=0理解null space（零空间），求解Ax=0Ax=0的主变量及特解 -矩阵的秩（rank）
2016-05-24 00:49:17
17821
1
原创 矩阵关键概念：消元法、A=LU分解等（PartII）
接着PartI的内容，主要记录以下三个问题：Gauss-Jordan 消元法A=LU分解矩阵相关性质1.矩阵的消元（Matrix Elimination） 线性代数中最重要的一部分莫过于在Ax=b中对x的求解。回想一下，在求解线性方程组（如：二元方程组），我们采用的解法就是先消掉一个元，解出一个未知数后，再回带求解另一个未知数。 矩阵消元的步骤有： 1） 产生一个上三角矩
2016-05-22 21:47:33
6904
3
原创 线性代数中向量、矩阵深度理解（PartI）
本文参考资料：Introduction to linear algebra (Gilbert Strang)书以及其在MIT的视频。 看了有一周了，矩阵的认识不限于本科所学的固定运算，知道从空间中去理解，这对于后续子空间、各种空间变换学习来说很关键。故总结于此。 目录：向量理解（线性组合）矩阵理解（Ax=b中从row picture及column picture的理解）矩阵乘法理解（四种方法）
2016-05-13 14:45:27
11393
2
原创 记录是为了更明白地前进
早就开通了博客，却不曾坚持去记录。有些时候是真忙，比如：赶会议的deadline，有些时候却是懒，不想要自己花点功夫来迭代更新。以至于现在的我，相较两年前除了长了2岁，似乎记不得有什么特别的进步了。 今天恍然一想以为是周二，一看手机却是周三，脑子里怎么也想不起来周一收获了些什么，所以在此写下：我要把这个记录当成习惯，至少做到半周记，半月总结。写在这里，免得日后耍赖。我大约想记以下内容：人脸识别相
2016-03-30 20:20:12
735
原创 视觉识别领域会议列表
Submission Deadline Conference Rank Period Conference Date Jan. FGR (Automatic Face and Gesture Recognition) C biennial May Jan. ICIP C annually Sep. Feb. ICML A annu
2015-12-02 19:32:39
1102
原创 2015年之“三省”
2014年已经过去，无论表现的好与坏，收获大与小，都已经逝者如斯。 2015年已经到来，面对过去一年自我管理的缺失、学业上的困境以至于自己总是处于挣扎中，不断地患得患失。新的一年应该是要改变了，我决心从以下几点提高自我： 1.时间管理上，做到：严格的早起、午休、杜绝熬夜； 2.效率管理上，利用简单的‘yes or no’的原则来约束自我行为，如果当前正在做的事情与提高
2015-01-02 22:31:35
662
原创 DLT(deep learning tracker) 2次分析
dlt利用1million样本用9层的稀疏自编码机进行线下训练的过程暂不讨论。重点放在，当用稀疏自编码机的encoder部分+sigmoid层的几次训练。 1.第一帧时，对encoder+sigmoid层进行初次训练时，自采样110个样本（10个正例样本、100个负例样本），采用前向网络、BP算法、梯度下降算法等进行训练实质：进行批梯度下降算法。学习速率(步长)rate=0.01；梯度的
2014-04-09 15:56:08
2076
原创 DLT(deep learning tracker)解析
视觉跟踪方法：dlt(deep learning tracker)着实火了一把，它应该可以代表2013跟踪领域的state-of-art。最近对其进行了仔细的研究，现按照框架、核心思想、展望进行“深度解析”。 框架 整个算法还是在主流的PF（particle filter）概率框架下进行。简要总结下：PF包括三个部分：drift--diffuse--measure 其目标是从
2014-04-04 11:49:11
7676
翻译 batch gradient algorithm and stochastic gradient algorithm
在学习standford的ML视频时遇到这两个概念：批梯度下降算法和随机梯度下降算法。梯度下降算法基本思想：新参数获得：旧参数沿着损失函数梯度方向上下降一定步长。 上述两个公式是梯度下降算法的数学表示，其中重要的是alpha，theta，J(theta)。alpha表示的是学习速率或步长，在编程中是需要进行调试的参数。theta是需求的参数数组。
2014-03-24 22:38:36
825
原创 剖析Condensation算法
最近，学习IVT(Incremental VisualTracking)目标跟踪算法时，细致地学习了Condensation算法，现将其用法进行剖析。 谈Condensation算法前先啰嗦下IVT，其主要思想：用一组随机且带权重的粒子(一组仿射参数)使跟踪框动态跟踪目标，利用不同粒子对应跟踪内容与目标差异作为更新权重的重要依据，权重最大的粒子跟踪内容与目标最相似，完成跟踪。其中，粒子跟踪内
2014-03-18 11:45:17
3725
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人