“先验往往代表设计人员在构思最初的朴素想法，来源于直觉，并把这种直觉融合在设计者的实现过程与代码中！”
人工先验知识→可学习的参数形式
一起看一下来自Megvii的NeurIPS18论文
阅读：MetaAnchor: Learning to Detect Objects with Customized Anchors 论文解读 - NeurIPS 2018
“浪费75金币买控制守卫有什么用，还不是让人给拆了？我要攒钱！早晚憋出来我的灭世者的死亡之帽！”
Learning to learn，即学会学习，是每个人都具备的能力，具体指的是一种在学习的过程中去反思自己的学习行为来进一步提升学习能力的能力。
“钻石的操作、黄铜的意识”也许并不能取胜，要“战略上最佳，战术上谨慎”才能更快更好地进步
阅读：Learning to learn by gradient descent by gradient descent-PyTorch实践
Meta-learning ，元学习
心理学上，元认知被称作反省认知，指人对自我认知的认知。元认知是关于个人对自己认知过程的知识和调节这些过程的能力，或者说是对思维和学习活动的知识和控制。
机器学习蓬勃发展至今，主要来源于聪明了人类设计出适应于不同学习任务的学习算法
不过这些算法大多只是让模型去拟合来自人类知识的标签，机器的“人工”成分远大于“智能”成分
而对于machine learning来讲， 元学习是可以让机器，突破固有限制的一般学习能力，具备更底层的逻辑分析能力
因为计算机过人之处在于其数据空间里的搜索能力，如果它从最底层具备了的【环境（数据）< == > 自我（模型）】反馈认知,那它就可以在人类根本无法捕捉的巨大计算空间中寻找最优的学习策略
当然，目前这一切还得靠研究人员去设计......
关于元学习（Meta-learing），后续会有更多的内容与研究
阅读：Meta-Batch Algorithm (1)
一切从简，神经网络的设计原则不应该错综复杂、花里胡哨，这样只会千篇一律
简单，意味着从复杂表像的考察中，找到了最核心的问题。
然后再让你的设计去直接体现你的思路
我不想再在买一瓶比较贵的酸奶时，要思考30秒才做出决定了。我想花未来的钱！
最近我发现了编程的乐趣
算法，顺其自然地简单思考，按规律办事
阅读：Robust fitting principle for human pose Estimation
代表音乐作品《星球坠落》《巨人》《小人物》《乌云中》《往昔》《受够了》《都是小事儿》《家走》
普通大众可能不太会欣赏rap快速吐词的节奏，我喜欢Rap是因为，我认为很有节奏感的说唱可以最直接畅快地表达 最细致的情感
而且完善了音乐在批判现实，警醒世人思考方面的功能。但一般的说唱歌手难以做到以上两点，而且创作不够贴合大众
艾热可以说，是一个兼顾旋律与哲理的创作天才！
所以他在中国新说唱复活赛1v1车轮战中，以5首歌曲，毫无悬念地击败5位实力歌手拿下晋级名额，真的是
实至名归！
听一听？
看学术内容请点击，此处是闲扯版块
老子的发量可以肆意地挥霍，发质好就是没办法 搞个什么发型呢
妈的，搞Research的时候不能停止打理自己的生活，两条腿走路
早晚有一天，我的网站会火！
Juypter 工程实践，真好用......
阅读更多
论文阅读
凌乱的想法
工程实践......
阅读更多
大噶好，我叫钻石
属于非卖品
一直清高地躺在博物馆里......
阅读更多
拥挤的人潮中，我又把帽沿往下压低了一些，
一方面为了躲避灼热直射的阳光，一方面不想让无辜的路人被我的眼神所伤
旁边的一对情侣狗，叽叽喳喳，吵吵闹闹，他妈地打扰了我安静的走路.....
阅读更多
一个由精准的显式模型到运用信息融合的隐式模型的转折点！在2014ECCV上发表，convolutinal pose machine 的前身
运用级联，将对每个单独部件的估计信息结合起来，从中提取语义特征，再进一步地精确估计下个阶段的每个部件位置
深度卷积神经网络成功的最大的“Trick”，就是信息的抽取与融合吗？
阅读更多
善有善报，恶有恶报。
虽然世间并没有将这份准则执行地那么恰如其分，但是万物归根结底，必然有着因果之间的联系。
而人生匆匆，为什么愚蠢的我们总是在苦苦寻觅事情的答案，why？
剪不断，理还乱，只好奉上因果推断
阅读更多
在生活中，聪明的人常常告诫我们，不要给事物轻易下定义，不要轻易给他人打上标签，因为“标签”的一种贬义替代词汇是“偏见”。然而目前的机器学习正利用人类的标签思维进行学习，所以机器学习到头来，学习到的都是我们的偏见吗？
概括地讲，人类的标签思维是为视觉感知与语言表达需要的一种折衷，标签最大的用处在于交流与储存，而对于视觉感知来讲，“标签”是一种片面的图像表征，对于智能机器来讲，它应该学到编码更多信息的层级表征，而不单纯是标签
阅读更多
Hinton 关于capsules的第二篇论文Matrix Capsules with EM routing 和人体姿态估计相关的论文如Associative Embedding, stacked hourglass等，我渐渐发现了这两类研究方向在核心思想上的一些共通之处，即自下而上地获得全局信息，利用全局信息去解析局部特征，并进行预测。
近年来很多取得成功并广泛应用的深度网络设计都蕴含着这一思想，比如Deep Residual Net中的残差模块，Densely Connected Network卷积层的全连接，Fully Connected Network中的特征融合，U-net中的反卷积，还有Stacked Hourglass，其中 hourglass的设计更是淋漓尽致地表达了这一思想，不断pooling获得全局信息，然后结合局部信息进行unsampling，方法简单粗暴，通过关节点位置的监督约束来回归出heatmap
阅读更多