首页
sirlis
取消

元学习文章阅读(MAML)

MAML 是2017年 Chelsea Finn 大佬提出的一种基于优化(Optimized-based)的小样本学习方法,核心在两个不同的数据集中分别计算梯度和更新参数。

元学习基础

小样本学习(Few-Shot Learning)问题是一个新兴的机器学习问题,旨在研究当样本个数严重不足时,如何训练一个模型,能够快速的完成学习(分类、回归、强化学习等)任务。进一步引入元学习的思想来解决小样本学习问题。

深度学习基础(PyTorch的数据集)

本文介绍了 Pytorch 中针对计算机视觉方面的基本数据库类Dataset,基本的手写数字数据库MNIST,以及数据库加载函数 DataLoader。

深度学习基础(PyTorch的CNN组成)

本文介绍了深度学习中,卷积网络的基本知识,包括2d卷积层、池化层、线性层、softmax 激活函数、交叉熵损失函数等,并结合它们在 Pytorch 中的定义和实现进行说明。

Python基础(万恶的下划线)

本文介绍了 Python 一些基本的小知识,如 name = ‘main’、init、super 等等。

深度学习基础(基本超参数和优化器)

本文介绍了深度学习中的基本概念,包括 batch、epoch、iteration、optimizer等,其中优化器包括 BGD、SGD、Adam等,为后深度学习提供基础。

日常tips手册(Typora标题自动编号)

本文介绍了如何在 Markdown 编辑器 Typora 中自动为标题添加编号,包括正文标题自动编号、目录自动编号、侧边栏自动编号。

精度损失和抖颤

本文介绍了 OpenGL 中因渲染巨型尺度场景时出现的精度损失问题,以及随之而来的抖颤现象,深入分析了问题产生的原因,并最终给出了解决相对中心的渲染和相对视角的渲染解决方案。

深度缓冲和深度冲突

本文介绍了 OpenGL 中深度缓冲的概念,分析了在渲染巨型尺度场景下的深度冲突问题,并给出了采用对数深度缓冲的具体解决方案。

ITX机箱购置记录

本文介绍了 本人购买和组装第一台 itx 主机的配置和过程。