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。
Research Note
研究页不再是首页主叙事，而是策略主题下的研究资产表面：用于补足战区的长期方向说明与结构化背景。
研究版图
每一条研究轨道都尽量说明主题、当前状态和继续展开的入口。
最近的内容轨迹
按时间查看研究内容如何继续增长，而不是只看单次输出。
Milestone
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，
Milestone
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
Milestone
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
Milestone
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 ：$d_2(I_1, I_2 = \sqrt
Milestone
CS231n-Week2-Assignment3
学习： 知识点： KNN算法： 距离度量： 根据给定的度量，在训练集合中找出与x距离最近的k个点(k=1时即近邻算法) 分类决策规则(k>1时为KNN) 根据分类决策规则(如多数表决，加权方法等)决定x的类别y 总结：KNN算法三要素：K值的选择，距离度量，分类决策规则 复杂度：
Map Layer
把研究方向看成一块正在扫描中的研究战盘
这里更像研究战区里的单主线扫描盘：先判断这条主轨道是否仍在推进，再决定是否进入卷宗继续深入。
Scan Rules
- 当前态势 单主线运行
- 状态识别 Active / Seed / Archive
- 阅读方式 先锁定信号，再进卷宗
Research Scan Map 1 条主轨道信号
主研究轨道 当前研究版图 研究地图 活跃轨道 Primary Brief
当前研究版图
这个站点希望长期承载的研究方向、表达方式与产出类型。
打开主卷宗其余坐标当前只保留给未来研究轨道，不参与本轮热度判断。
Archive Layer
把研究条目当作情报卷宗来浏览
当前只有 1 份主卷宗，因此档案层更像直接阅读入口，用来确认这条研究线的角色，而不是铺成一整面索引墙。
File Rules
- 当前数量 1 份主卷宗
- 状态 按当前推进状态区分
- 入口 每份卷宗都可直达详情
Priority File
Research Dossier
当前研究版图
这个站点希望长期承载的研究方向、表达方式与产出类型。
打开卷宗 Timeline Layer
按最近推进记录回放研究节奏
轨迹视图在当前阶段主要用于判断这一条研究线是否真的仍在被推进，而不是把少量内容伪装成完整的时间战场。
Milestone
Pytorch-1-Tensor是什么
Tensor是什么？ Tensor即张量，是一个多维数组，是标量、向量、矩阵的高维拓展。 标量是一个单个数，是一个0维张量； 向量则是多个标量在同一个维度上的组合，是一个1维张量； 矩阵是多个向量在同一个维度上的组合，是一个2维张量； 而多个矩阵组成的则是3维张量……依次类推，
Milestone
Paper_GAN_GenerativeOneShotFaceRecognition
介绍 英文： 即One-shot face recognition， 问题： 测量的学习算法仅看一眼就能识别人员的能力；  (较好的小样本人脸识别的例子。) 目标：为普通人脸(可以看多次)和”one-shot”人脸共同建立一个更有效的泛化的人脸分类器 常见实例应用： 大
Milestone
CS231n-Week3-Assignment4
知识点 上节内容 图像分类问题，机器看到的图像是像素值矩阵 机器识别图像的困难在于语义鸿沟，即识别图片中的事物即含义 两个算法：KNN算法和线性分类器，KNN算法相对线性分类器而言没有可优化的权重矩阵W 损失函数 损失函数的通用表达式 L(W) = \frac{1}{N} \su
Milestone
CS231n-Week2-WeekSummary
总结 知识点 CIFAR-10数据集，5w训练，1w测试，10class，32x32像素 距离度量方法： L1范数 ：$ 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
Milestone
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：