论文标题：PU-Net: Point Cloud Upsampling Network标签：有监督 | 点云上采样首先回答一个问题：什么是点云的上采样任务呢？简单来说，点云上采样任务就是输入稀疏点云，输出稠密点云，同时需要保持住点云的基本形状、均匀程度等特征。如下图所示，某上采样算法输入稀疏骆驼点云，输出稠密骆驼点云。上采样的最主要应用就是作为一种数据增强的方式，为下游任务（比如分类、分割等）提供

参考教程一：https://blog.csdn.net/qq_42121640/article/details/80635071参考教程二：https://blog.csdn.net/zr459927180/article/details/51627910参考教程三：https://blog.csdn.net/qq_35976351/article/details/89178917...

原文要点梳理：1、最近几年卷积神经网络中，激活函数往往不选择sigmoid或tanh函数，而是选择relu函数：f(x) = max(0, x)。选择relu的原因：1）速度快。计算代价小2）减轻梯度消失问题：sigmoid函数的导数最大值为0.25，累乘之后越来越小。relu导数始终为1。因此relu可以支持更深的网络。3）稀疏性：大脑在日常工作中只有大约5%激活。sigmoid激活函数激活率为

先说一句对整本书的印象：作者尽全力试图把深度学习的复杂知识，用形象化形式表述清楚，非常适合新手入门学习阅读。第一章 神经网络的思想这一代的人工智能：数据为王。有什么样的数据，出什么样的模型。神经网络中比较重要的一点就是利用网络自学习算法来确定权重大小。有监督学习是指，为了确定神经网络的权重和偏置，事先给予数据，这些数据称为学习数据。根据给定的学习数据确定权重和偏置，称为学习。神经网络是怎样学习的呢

第十章：自然语言处理因本人主要方向为计算机视觉，对于自然语言处理技术暂未过多涉及。为完结本书，仅仅将目录整理如下。1、词嵌入2、近似训练3、word2vec的实现4、子词陷入（fastText）5、全局向量的词嵌入（GloVe）6、求近义词和类比词7、文本情感分类：使用循环神经网络8、文本情感分类：使用卷积神经网络（textCNN）9、编码器-解码器（seq2seq）10、束搜索11、注意力机制1

在剪映（包括手机版和专业版）中，，全称为。它允许你，而不影响其他颜色区域，是的核心功能之一。

第十章：自然语言处理因本人主要方向为计算机视觉，对于自然语言处理技术暂未过多涉及。为完结本书，仅仅将目录整理如下。1、词嵌入2、近似训练3、word2vec的实现4、子词陷入（fastText）5、全局向量的词嵌入（GloVe）6、求近义词和类比词7、文本情感分类：使用循环神经网络8、文本情感分类：使用卷积神经网络（textCNN）9、编码器-解码器（seq2seq）10、束搜索11、注意力机制1

先说一句对整本书的印象：作者尽全力试图把深度学习的复杂知识，用形象化形式表述清楚，非常适合新手入门学习阅读。第一章 神经网络的思想这一代的人工智能：数据为王。有什么样的数据，出什么样的模型。神经网络中比较重要的一点就是利用网络自学习算法来确定权重大小。有监督学习是指，为了确定神经网络的权重和偏置，事先给予数据，这些数据称为学习数据。根据给定的学习数据确定权重和偏置，称为学习。神经网络是怎样学习的呢

原文要点梳理：1、最近几年卷积神经网络中，激活函数往往不选择sigmoid或tanh函数，而是选择relu函数：f(x) = max(0, x)。选择relu的原因：1）速度快。计算代价小2）减轻梯度消失问题：sigmoid函数的导数最大值为0.25，累乘之后越来越小。relu导数始终为1。因此relu可以支持更深的网络。3）稀疏性：大脑在日常工作中只有大约5%激活。sigmoid激活函数激活率为

第十章：自然语言处理因本人主要方向为计算机视觉，对于自然语言处理技术暂未过多涉及。为完结本书，仅仅将目录整理如下。1、词嵌入2、近似训练3、word2vec的实现4、子词陷入（fastText）5、全局向量的词嵌入（GloVe）6、求近义词和类比词7、文本情感分类：使用循环神经网络8、文本情感分类：使用卷积神经网络（textCNN）9、编码器-解码器（seq2seq）10、束搜索11、注意力机制1