按照官方的写法。

观测数据属于第k个子模型的概率。第k个子模型的高斯分布密度函数。（也就是一个高斯分布的密度函数。

Density-Based Spatial Clustering of Applications with Noise输入：数据集，邻域半径 epsilon，邻域中数据对象数目阈值 minPoints;输出：密度联通簇。1）从数据集中任意选取一个数据对象点 p；2）如果对于参数 epsilon 和 minPoints，所选取的数据对象点 p 为核心点，则找出所有从 p 密度可达的数据对象点，形成一

每一步编码器都会进行更新，这样最新的 query 采样得到的 key 可能是好多步之前的编码器编码得到的 key。上述的基于对比学习的方法，还是需要基于某一特定的对比任务 ，那么有没有更通用一点的对比学习呢》这样的损失函数（InfoNCE）·会鼓励相似性度量函数（点积）将较大的值分配给正例，将较小的值分配给负例。问题在于，由于算力和计算资源的限制，batch size不能设置的过大——>效率不高。

1 Triplet lossTriplet Loss，即三元组损失，其中的三元是Anchor、Negative、Positive。通过Triplet Loss的学习后使得Positive元和Anchor元之间的距离最小，而和Negative之间距离最大。（ 其中Anchor为训练数据集中随机选取的一个样本，Positive为和Anchor属于同一类的样本，而Negative则为和Anchor不同类

1 Normalization的引入1.1 独立同分布机器学习，尤其是深度学习的模型，如果它的数据集时独立同分布的（i.i.d.independent and identically distributed），那么模型的效果最好。独立同分布的数据可以简化常规机器学习模型的训练、提升机器学习模型的预测能力因此，很多模型在将数据喂入机器学习模型之前，都会有一步“白化”（whitening）操作。白化一

1 VAE 介绍在机器学习笔记：auto encoder_UQI-LIUWJ的博客-CSDN博客　中，我们知道了auto-encoder。但是auto-encoder有一个不足之处，就是因为auto-encoder不是一个概率模型，所以没法从学习的模型中生成新的数据，或者说我们train了一个模型，得到的输出是固定不变的。在这种情况下VAE就诞生了：它可以1）从原始数据中学习特征表示向量z2）可以

来自李宏毅2019-Explainable ML_哔哩哔哩_bilibili0 前言深度学习可以做的事情是，比如我们给模型一张猫的照片，模型可以预测：”这是一只猫“我们现在想知道的是：模型为什么会认为这是一只猫呢？1 local explanation & global explanation1.1 local explanation（why do you think this is a

较小的地理区域内移动距离低于某个阈值。

1 为什么会有ResNet？自从深度神经网络在ImageNet大放异彩之后，后来问世的深度神经网络就朝着网络层数越来越深的方向发展。直觉上我们不难得出结论：增加网络深度后，网络可以进行更加复杂的特征提取，因此更深的模型可以取得更好的结果。但事实并非如此，人们发现随着网络深度的增加，模型精度并不总是提升，并且这个问题显然不是由过拟合（overfitting）造成的，因为网络加深后不仅测试误差变高了，