0%

在研究 Life Long Learning 的过程中,普遍要解决三个问题:(1)知识的保留问题,不能忘记之前学过的知识,但也要接收新的知识;(2)知识的迁移,与迁移学习不同的是,持续学习要做到学习新知识的同时能巩固旧知识,而不是单纯的从旧知识迁移到新知识;(3)模型的扩展,当模型超过一定容量,模型的结构应付不了更复杂的结构,这个时候就要对模型做出一定的扩展。

在最近读论文的过程中,有一种思路是:虽然我存储不了过去任务的数据,那我们自己学习一个模型用来生成过去任务的数据如何?读了些许的论文,发现里面有很多 VAE 的生成工作,遂整理 VAE 如下。

这可能也是我毕业设计的最终章了,由PyQt5创建两个线程,数据读取的线程负责读取Arduino发送的距离信息,主线程负责倒车雷达动画的实时显示。还是要认真一点,也算是给大学毕业一个交代。然而还不开学

在之前的学习深度学习的过程中,以MLP为例,仅仅是知道了梯度下降和反向传播能很好的降低预测误差(本文暂且不谈论梯度消失和爆炸的问题),使得训练出来的模型能够对未知的数据进行预测或者分类,以此来达到智能的目的。

时至今日,意识到不求甚解释不好的行为,于是下决心搞懂梯度下降和反向传播的原理。结果上网一搜,呵,大部分tm的是各处偷来的截图,截图里还有三四个水印,最后胡乱的堆一些数学公式,讲解的并不够彻底,也不通俗易懂。于是本文决定图解反向传播和梯度下降,并配备必要的数学计算,使读者一目了然。

时至今日,早已忘记高中化学里面的熵代表什么,还好化学里的熵和我要研究的熵并非同一性质。在进坑DL中,遇到了许多和熵有关的概念,于是今天就彻底来扒一扒熵的有关概念和常用领域。包括:

  1. 什么是熵
  2. 条件熵
  3. KL散度
  4. 交叉熵

注:本篇文章默认读者有一定的求期望、计算联合概率分布、计算条件概率分布和知道什么是概率密度的基础知识。

承接上文,人傻就要多学习系列,在记录完git的常用方法后,又学习了github的灵魂功能pull request,是团队开发和开源必不可少的工具。

同样,本文没有任何截图,都是文字阐述,更像是我的个人笔记。对纯小白不是很友好,若不喜欢这类形式可以选择性关闭。

在PC端绘制倒车的动画,达到实时显示车辆的倒车情况的目的。如车辆倒退时,动画中的车辆也倒退,车辆左转时,动画也实时变化。使用的工具为QT(python),做了一个如上形式的可视化界面。

硬件是软件运行的基础,因此有必要建立良好的硬件系统供软件的运行。因此,针对通信功能的蓝牙模块、制动功能的电机模块和测距功能的超声波模块三大模块,建立电路连接,提供电路连接图,并编写程序。

本文也提供部分代码,代码虽然都是核心代码但不能够独立运行。程序都附注释,有一丢丢开发基础都能看懂。希望看官能有所思考后取得所需代码,而不是无脑的复制粘贴。完整代码参考这里。且代码仅以我的接线方式为标准。