我希望这个站长期承载的内容
- 深度学习与模型理解
- 研究型笔记与方法归档
- 可交互的统计与表达实验
研究方向
当前在追踪的主题和方向。
Research Track
当前研究版图
这个站点希望长期承载的研究方向、表达方式与产出类型。
代表内容与实验入口
文章和实验里更值得先看的内容。
Pytorch-1-Tensor是什么
Tensor是什么？ Tensor即张量，是一个多维数组，是标量、向量、矩阵的高维拓展。 标量是一个单个数，是一个0维张量； 向量则是多个标量在同一个维度上的组合，是一个1维张量； 矩阵是多个向量在同一个维度上的组合，是一个2维张量； 而多个矩阵组成的则是3维张量……依次类推，
Paper_GAN_GenerativeOneShotFaceRecognition
介绍 英文： 即One-shot face recognition， 问题： 测量的学习算法仅看一眼就能识别人员的能力；  (较好的小样本人脸识别的例子。) 目标：为普通人脸(可以看多次)和”one-shot”人脸共同建立一个更有效的泛化的人脸分类器 常见实例应用： 大
研究节奏与主题投入
用轻量交互和图表去表达内容节奏与主题分布，而不是把它做成一套压力系统。
节奏与主题反馈
最近写了多少，主要写到了哪些主题。
Cadence
记录节奏
我希望这里提供的是一种“最近有没有留下痕迹”的观察，而不是用高压的连续天数去要求自己。
这里会显示近阶段内容记录节奏，帮助观察而不是催促更新。
Topic Spread
主题投入
主题分布帮助我看见自己把内容沉淀到了哪里，也方便决定下一阶段是否需要把某个方向补齐。
主题分布用于看见内容重心，而不是评价哪条线“更值钱”。
近期写作
新旧内容都从这里进入。
Pytorch-1-Tensor是什么
Tensor是什么？ Tensor即张量，是一个多维数组，是标量、向量、矩阵的高维拓展。 标量是一个单个数，是一个0维张量； 向量则是多个标量在同一个维度上的组合，是一个1维张量； 矩阵是多个向量在同一个维度上的组合，是一个2维张量； 而多个矩阵组成的则是3维张量……依次类推，
Paper_GAN_GenerativeOneShotFaceRecognition
介绍 英文： 即One-shot face recognition， 问题： 测量的学习算法仅看一眼就能识别人员的能力；  (较好的小样本人脸识别的例子。) 目标：为普通人脸(可以看多次)和”one-shot”人脸共同建立一个更有效的泛化的人脸分类器 常见实例应用： 大
CS231n-Week3-Assignment4
知识点 上节内容 图像分类问题，机器看到的图像是像素值矩阵 机器识别图像的困难在于语义鸿沟，即识别图片中的事物即含义 两个算法：KNN算法和线性分类器，KNN算法相对线性分类器而言没有可优化的权重矩阵W 损失函数 损失函数的通用表达式 L(W) = \frac{1}{N} \su
CS231n-Week2-WeekSummary
总结 知识点 CIFAR-10数据集，5w训练，1w测试，10class，32x32像素 距离度量方法： L1范数 ：$ d_1 (I_1, I_2) = \sum_p \lvert I_1^p - I_2^P\rvert$ L2范数 ：$d_2(I_1, I_2 = \sqrt
CS231n-Week2-Assignment3
学习： 知识点： KNN算法： 距离度量： 根据给定的度量，在训练集合中找出与x距离最近的k个点(k=1时即近邻算法) 分类决策规则(k>1时为KNN) 根据分类决策规则(如多数表决，加权方法等)决定x的类别y 总结：KNN算法三要素：K值的选择，距离度量，分类决策规则 复杂度：
汇编学习
本文为学习了jiftle大神翻译并写下的通俗易懂的《 X86汇编快速入门 》后的记录 寄存器部分 如图，EAX用于计算，ECX用于循环变量计数，ESP指示栈指针(用于指示栈顶位置)，EBP是基址指针(用于指示子程序或者函数调用的基址指针)。 并且，EAX,EBX, ECX和EDX
Theme Sector Network
当前主题战区版图
这次首页不再只是抽象沙盘，而是一张真正的战术地图。固定战区保持稳定坐标，动态战区在预设补位区活动，颜色直接暴露热度。
固定核心坐标稳定 机动战区仅在预设区补位 节点颜色映射热度
进入总览，先看主线热度、代表资产和时间推进，再决定是否继续下钻。
打开 自研项目推进进入战区后重点查看它如何为总主战区补充工具、路径或支援资产。
打开 AI 工具侦察进入战区后优先看它如何修正判断、概念框架和研究方向的偏差。
打开 AI 认知校准这是当前正在升温的补位战区，进入后先确认它是否已经值得转入长期主线。
打开 机动补位：x86汇编