目的，起源在输出的阶段，解决不同维度特征尺度不同的问题（？？）和标准化对比：为何需要 normaliztion特征之间的 尺度不同比如 car 的 里程特征 ： 1000 to 100，000司机的年龄：0 到 100；这样的话，里程这个特征，就会导致梯度爆炸所以我们需要normalization这样的话，尺度就想通了batch normalization 让层与层之间更稳定另外一个问题在某一层，

文章目录在普通 的 fully connect layers在 cnn 中计算的例子最后的参数参考：本视频 内容：cnn 里面 的 可学习参数是啥如何 计算 cnn 里面 的可学习 参数 的个数计算 的示范在普通 的 fully connect layersweights 的计算方式如下：在 cnn 中首先：filterl == kernel把三个 部分 的 参数 加起来吧，就行了计算的例子第一个

什么 是 fune-tuning很像 transfer learing，从 一个 已知的模型，迁移学习 到另外 一个模型：从 轿车 到 卡车：为什么 需要 微调你可以复用 之前 已经训练好的模型，只需要 稍微 修改， 会节省你的时间从头开始不容易所以我们需要 fune tuning要求 ： 两个 模型对应 的 任务 ，要 类似辨别 car --> truck 就是个 可行的冻结 weight

看这篇论文look deeper into depth: monocular depth estimation with semantic booster and attention-driven loss的时候，碰到个用联合的老哥： jianbo jiao当时，第一遍 读文章 的概要的阅读笔记，请看 这里摘要，从前人的工作 overview 一下jianbo 联合 了 语义 和深度。其实有 一些

关键词长尾：有很长的尾巴，这个意思；注意力驱动的损失函数；还是监督的有两个任务：深度预测和语义标注任务，可以相互促进SOTA 性能： state of the art ，牛逼的意思这篇文章针对的问题： 使用朴素损失均等对待所有区域的像素，这会造成小深度值的像素，对损失函数的影响占据主导地位，进而，使得模型无法有效预测远距离物体的深度协同网络中，用信息传播策略，以动态路由的形式，共享了标签信息给深度

看这篇论文look deeper into depth: monocular depth estimation with semantic booster and attention-driven loss的时候，碰到个用联合的老哥： jianbo jiao当时，第一遍 读文章 的概要的阅读笔记，请看 这里摘要，从前人的工作 overview 一下jianbo 联合 了 语义 和深度。其实有 一些

在容器中启动 jupyter notebook 的时候，请指定 ip 为 0.0.0.0aka:原因docker启动的时候，我们的命令是 -p 8888：8888比如：sudo nvidia-docker run -it -p 8888:8888 --ipc=host -v /home/paul/code:/code --name paul-notebookmy_tf:2.0此时 使用 docke

在容器中启动 jupyter notebook 的时候，请指定 ip 为 0.0.0.0aka:原因docker启动的时候，我们的命令是 -p 8888：8888比如：sudo nvidia-docker run -it -p 8888:8888 --ipc=host -v /home/paul/code:/code --name paul-notebookmy_tf:2.0此时 使用 docke

阿里云的对象存储服务，oss 简介在电子科大的21学年的 数据库新技术 课程中，我接触到了一个 对象存储的 概念。过往接触的就是那些 mysql 这些二维表的数据库，在做一些java 项目，比如 springboot 的项目中，也是直接讲对象的字段，逐一插入 数据库 的 一个 row；没有那种直接存储对象的数据库。后来在写博客的时候，发现有人用阿里云的oss 对象存储作为图床。所以，这篇文章就整理

2017 年的CVPRfrom youtubeLink是啥东西然后我们的工作能： 给出 一个 深度 图like this：为啥 depth 有用导航，机器人拿东西，虚拟现实，桌子有多远，多大为啥用 monocular：单目相机？贫穷和普适monocular 能行吗？既然 探测器 和 海盗头子 都能 ，我们也能以前的方法ground truth 值很难获得kitti 数据集 本身 也有误差或者说 遗