1.6FacenetFacenet主要是采用的欧几里得距离（欧式距离）来衡量两张图片或者两张人脸的相似度，欧式距离越小代表图片越相似，欧式距离越大，代表图片越不相似。所以先将一副图片x，采用函数f（x）将其变成128维的embedding（embedding：多维数组来表示不同的类别），然后计算embedding之间的距离。在比较embedding的欧式距离时，将图片的欧式距离与真的（pos...

1 简介GPT先是非监督的预训练，然后进行监督训练微调。而GPT-2，是想只需要非监督训练即可，不用再监督训练。本文根据2019《Language Models are Unsupervised Multitask Learners》翻译总结。从标题就可以看出来，作者尝试只使用非监督学习。监督学习是脆弱、敏感的，比如当数据分布稍微改变，或者只针对的某个特定任务。我们本文描述语言模型可以不需要任何监

一、监督学习有标注数据的学习1.迁移学习(Transfer learning)迁移学习(Transfer learning) 顾名思义就是把已训练好的模型（预训练模型）参数迁移到新的模型来帮助新模型训练。是把一个领域（即源领域）的知识，迁移到另外一个领域（即目标领域），使得目标领域能够取得更好的学习效果。通常，源领域数据量充足，而目标领域数据量较小。二、非监督学习无标注数据的学习三、半监督学习既有

我们显示了1）如何使用CNN学习了一个图像成分的语义丰富的词汇表,这部分也就是VQGAN；2）利用transformer在高分辨率图像中有效地对其组成（VQGAN压缩过的图片码书表示）进行建模。整体模型也就如下图，包括两部分，VQGAN和transformer。VQGAN先进行图片的压缩，然后输入到transformer。

强化学习分为三类，分别为基于价值（Value-Based）的强化学习、基于策略（Policy-Based）的强化学习、演员-评论家（Actor-Critic）强化学习

1.琴生（Jensen）不等式（也称为詹森不等式）以丹麦技术大学数学家约翰·延森（John Jensen）命名。它给出积分的凸函数值和凸函数的积分值间的关系。2.柯西不等式是数学家柯西(Cauchy)在研究数学分析中的“流数”问题时得到的。2.2 卡尔松不等式(Carlson)是柯西不等式的推广.3.赫尔德不等式赫尔德不等式是数学分析的一条不等式，取名自奥图·赫尔德(Otto Hölder）4.闵

CNN在识别单个物体方面取得了显著的发展，但如果只用CNN的话，在识别多个物体方面会遇到瓶颈。下面罗列了一些识别一张图片中多个不同的物体的方法，主要是结合CNN、RPN、LSTM，以及和RPN有类似作用的BING。HCP（hypothesis-CNN-Pooling）：BING算法+shared CNN。BING算法生成object proposal。shared CNN网络采用imageNet（

WBF在融合多个模型的结果上效果好于NMS、soft-NMS，但如果只是处理单个模型，其效果没有NMS、soft-NMS的好，是因为NMS、soft-NMS在处理很多低可信度的box过滤上效果好吧

摘自https://blog.csdn.net/JianqiuChen/article/details/105332206语义分割优秀模型一览：

Drain是一个在线实时日志解析方法，其采用的是固定长度的树模型