参考代码来源于：https://github.com/brightmart/albert_zh记录一下nlp开始学习的历程新的一年刚开始，就碰上了一个基本都是NLP的项目；一直想找机会学NLP，现在正好遇上了。就是项目是个硬骨头，有点难啃，好在组内有几个NLP大神带着。所以也稍微记录一下我nlp开始学习的历程。（可能有些地方理解错误、说错的，也请各位大佬帮忙指正。????）刚开始遇到的时候想从基础

卷积神经网络1. 全连接与卷积神经网络的区别（1）全连接神经网络：一个神经元看一个数据，一个图片有CWH个数据，计算量大，而且前一层的信息全盘接收。（2）卷积神经网络：每个神经元可通过看一部分的局部信息得到一个结果，这些局部信息可以相互重叠。相比全连接，任务减轻了，计算量也减小了。（卷积核是通过学习自动生成的）2. 卷积神经网络参数nn.Conv2d(3,16,3,1,padding=1...

看完了尚硅谷机器学习和推荐系统项目实战教程，又觉得基础部分学的太散了。没有把大体的体系学好。因此，找来了 项亮的推荐系统实践一书。打算把知识体系梳理一遍。推荐系统冷启动问题1. 什么是冷启动问题？从前面我们知道了，基于协同过滤的推荐系统是根据用户历史行为和兴趣预测用户未来可能的行为和兴趣，所以推荐系统是在大量用户数据的基础上，才能构建的。但是一般情况下，一个新系统/软件的开发，是没有那么多用户的。

推荐系统中的评估指标（1） 用户满意度：推荐系统最重要的参与者就是用户，因此是否使用户满意是划定推荐系统是否答辩的一个关键。用户满意度无法通过离线计算，必须通过用户调查或者在线实验。（2）预测准确度：① 评分预测：均方根误差（RMSE）、平均绝对误差（MAE）。② TopN推荐：准确率、召回率。（3）覆盖率：描述一个推荐系统对物品长尾的发掘能力。内容提供商会比较的关系这个指标，因为内容提供商肯定希

语音识别训练过程前几天简单学了下语音识别的基础知识。（语音识别基础知识）理解了深度学习如何处理语音数据，并且识别语音。所以我就尝试着用学习时候的网络（如下）跑Speech-commands数据集。从里面挑了十个语音类别。但是效果并不好。# 只用到了卷积 对频谱图进行训练class Net(torch.nn.Module):def __init__(self):super().__init__()s

行为识别——骨架提取/人体关键点估计我们可以通过深度学习，检测到一个人，但是那个人在做什么我们不知道。所以我们就想让神经网络既检测到人，又知道他在做什么。也就是对这个人的行为进行识别。一个人的行为可以有很多种，可以跑、跳、走、跌倒、打架……有一些我们可以看第一眼就知道他在干嘛，有些我们必须看一段才知道他在干嘛。所以我们要用神经网络来识别行为，就可以分成单帧图片的识别和连续帧图片的识别。如果是单帧图

Python-opencv 实现PS操作最近有个项目要做颜色变换，而对于我这种对色彩不敏感的人可是相当难受。调半天opencv色调，都不知道自己调的是啥。于是乎。。。。有了个idea!!!我找了个做美工设计的朋友帮我做了效果图。（photoshop）然后把操作思路和过程都给到我，这下子就只差复现photoshop的操作了。所以就有了我在网上寻找总结的这一系列，用python-opencv实现的ph

生成对抗神经网络1. 流派:GAN、FLOW流、VAE、pixeLCM、pixeLRM2.GAN（无监督）（1）判别网络用神经网络充当loss。即判别器获取输入图片（随机分布生成）和真实图片对比，利用反向传播算法使随机生成图片逼近真实图片。（2）生成网络第一次固定权重，按随机分布生成图片，放入判别器。生成的图片服从分布。（3）训练目标判别器训练：判别生成图片和真实图片的真假越来越准确。生成器训练：

机器学习：回归1. 线性回归有一组数据：（x，y）找出一个线性方程，使得数据到线上的距离总和最小。距离最小化：梯度下降法/最小二乘法……对于普通最小二乘的系数估计问题，其依赖于模型各项的相互独立性。当各项是相关的，且设计矩阵的各列近似线性相关，那么，设计矩阵会趋向于奇异矩阵，这种特性导致最小二乘估计对于随机误差非常敏感，可能产生很大的方差，W过大，就会导致模型过拟合。（即，输入的数据的特征之间，越

我公司的科室开始在公众号上规划一些对外的技术文章了，包括实战项目、模型优化、端侧部署和一些深度学习任务基础知识，而我负责人体图象相关技术这一系列文章，偶尔也会出一些应用/代码解读等相关的文章。文章在同步发布至公众号和博客，顺带做一波宣传。有兴趣的还可以扫码加入我们的群。（文章有写的不好的地方请见谅，另外有啥错误的地方也请大家帮忙指出。）微信公众号：AI炼丹术技术交流群可以从公众号上获取，可以备注是