网络模型

本篇文章思路比较简单，作者认为，One-shot Learning只检测与query image相似的目标，是一种有条件的检测任务，适合引入贝叶斯条件概率理论。 网络的大致模型： (a) 表示以前做One-shot conditional detection任务的常用做法，采用selective windows设计一个固定的metric 方法；(b)表示LSTD的做法，对RPN和分类器都采用features来做fine-tune；(c)OSCD的思想是，改变RPN为条件RPN，bbx和分类都是条件生成 这种做法，作者认为有三个好处： class agnostic 只计算原图和query image的相似性，并不关心query image的类别； training-free 在测试阶段不需要更新网络参数 overcome forgetting 由于是metric learning，所以训练后的参数是固定的 网络的具体模型： 先采用一个Siamese network进行特征采样，然后将两个特征融合输入C-RPN中计算ROI的相似度和bbox，再把相似的regoin用作C-Classifier做相似度计算和bbox计算 用于复现的话，可以看下面连个伪代码： 来源： CSDN 作者： bryce1010 链接： https://blog.csdn.net/Fire_to_cheat_

随着深度学习技术的进步，面部相关任务的研究也成为学术界和工业界的热门话题。众所周知的面部任务通常包括面部检测，面部识别，面部表情识别等，其主要使用2D RGB面部（通常包括一些纹理信息）作为输入; 3D扫描成像技术的出现为面部相关任务 - 3D面部开发了一条新的探索路线。 与许多2D面部相关的任务介绍性文献/评论文章相比，3D面部的入门知识还不够好。本文将回顾和介绍三维人脸相关的基础知识，并总结一些关于三维人脸识别与重建的基础入门文献。 3D人脸基础知识 一般而言，RGB，灰度和红外人脸图像是2D人脸，其主要是在特定视角下表示颜色或纹理的图像，并且没有空间信息。用于训练深度学习的图像通常是2D。 2.5D是在某个视角下拍摄的面部深度数据，但由于角度问题，它显示的表面不连续，也就是说，当你试图旋转面部时，会有一些像沟壑一样的空隙区域。这是因为拍摄时未捕获被遮挡部分的深度数据。 那么3D面孔呢？它通常由不同角度的多个深度图像组成，完全显示面部的表面形状，并且在具有一定深度信息的密集点云中的空间中呈现面部。 相机模型 相机模型包括四个坐标系：像素坐标，图像坐标，摄像机坐标，世界坐标（高中物理老师的头部没有闪光灯谈论参考系统），摄像机成像过程是三维的 真实三维空间中的点映射到成像平面（二维空间）的过程也称为投影变换。 相机坐标→图像坐标 相机坐标系到图像坐标系的过程可用小孔成像解释

OSI（Open System Interconnect），即 开放式系统 互联。 一般都叫OSI参考模型，是ISO（ 国际标准化组织 ）组织在1985年研究的 网络互联 模型。该 体系结构 标准定义了网络互连的七层框架（ 物理层 、 数据链路层 、 网络层 、 传输层 、 会话层 、 表示层 和 应用层 ），即ISO 开放系统互连参考模型 。在这一框架下进一步详细规定了每一层的功能，以实现 开放系统 环境中的互连性、 互操作性 和应用的可移植性。[1] 中文名 OSI参考模型 外文名 Open System Interconnect 解 释 开放式系统 互联 设定组织 国际标准化组织 设定时间 1985年 目 的 开放系统 环境中的互连性等 目录 1 简介 2 划分原则 3 分层 4 各层功能 5 数据封装过程 6 比喻 7 模型用途 8 若干概念 9 ISO 7498概念 10 影响 简介 编辑 开放系统 OSI标准定制过程中所采用的方法是将整个庞大而复杂的问题划分为若干个容易处理的小问题，这就是分层的体系结构方法。在OSI中，采用了三级抽象，即体系结构、服务定义和 协议 规定说明。 OSI参考模型定义了开放系统的 层次结构 、层次之间的相互关系及各层所包含的可能的服务。它是作为一个框架来协调和组织各层协议的制定，也是对网络内部结构最精练的概括与描述进行整体修改。

　　 上周在搜索关于深度学习分布式运行方式的资料时，无意间搜到了paddlepaddle，发现这个框架的分布式训练方案做的还挺不错的，想跟大家分享一下。不过呢，这块内容太复杂了，所以就简单的介绍一下paddlepaddle的第一个“hello word”程序----mnist手写数字识别。下一次再介绍用PaddlePaddle做分布式训练的方案。其实之前也写过一篇用CNN识别手写数字集的文章（ 链接戳这里~ ），是用keras实现的，这次用了paddlepaddle后，正好可以简单对比一下两个框架的优劣。 什么是PaddlePaddle？ 　　PaddlePaddle是百度推出的一个深度学习框架，可能大多数人平常用的比较多的一般是tensorflow，caffe，mxnet等，但其实PaddlePaddle也是一个非常不错的框架（据说以前叫Paddle，现在改名叫PaddlePaddle，不知道为啥总觉得有股莫名的萌点） PaddlePaddle能做什么? 　　传统的基本都能做，尤其对NLP的支持很好，譬如情感分析，word embedding，语言模型等，反正你想得到的，常见的都可以用它来试一试~ PaddlePaddle的安装 　　不得不吐槽一下 PaddlePaddle的安装 ，官网上说“PaddlePaddle目前唯一官方支持的运行的方式是Docker容器”

1.什么是网络： 网络是信息传输、接收、共享的虚拟平台。 2.什么是网络编程： 通过操作相应的api调度计算机硬件资源，并利用传输管道（网线）进行数据交换的过程 。 具体涉及：网络模型、套接字、数据包 3.7层网络模型-OSI 应用层：略 表示层：将应用的数据表示为对应的数据层面的数据，比如说字符串转化为一些人看不懂的奇奇怪怪的数据 会话层：不同机器之间用户之间建立管理的作用。 传输层：接收上一层的数据，并在必要的时候对数据进行分割然后交给网络层，会保证这些数据的有效性（将数据有效的传递给对方）。 TUP-UDP协议层、Socket 网络层：控制子网的运行。比如逻辑地址进行分组的传输以及路由的选择。 数据链路层：主要是进行物理的地址寻找，同时将原始的比特流转化为逻辑的传输路线 物理层：最底层的机械电子传输.....（电信号、光信号传输） 4.网络模型对应关系： 来源： https://www.cnblogs.com/lyjblogg/p/12005091.html

注：本篇翻译自施巍松教授的论文《Edge Computing : Vision and Challenges》 目录 文章目录 摘要 简介 什么是边缘计算 什么是边缘计算 边缘计算的优点 案例研究 云卸载 视频分析 智能家居 智慧城市 机遇和挑战 编程可行性 命名 数据抽象 服务管理 私密性 最优化指标 小结 摘要 物联网技术的快速发展和云服务的推动使得云计算模型已经不能很好的解决现在的问题，于是，这里给出一种新型的计算模型，边缘计算。边缘计算指的是在网络的边缘来处理数据，这样能够减少请求响应时间、提升电池续航能力、减少网络带宽同时保证数据的安全性和私密性。这篇文章会通过一些案例来介绍边缘计算的相关概念，内容包括云卸载、智能家居、智慧城市和协同边缘节点实现边缘计算。希望这篇文章能够给你一些启发并让更多的人投入边缘计算的研究中来。 简介 云计算自从它与2005年提出之后，就开始逐步的改变我们生活、学习、工作的方式。生活中经常用到的google、facebook等软件提供的服务就是典型的代表。并且，可伸缩的基础设施和能够支持云服务的处理引擎也对我们运营商业的模式产生了一定的影响，比如，hadoop、spark等等。 物联网的快速发展让我们进入了后云时代，在我们的日常生活中会产生大量的数据。思科估计到2019年会有将近500亿的事物连接到互联网。物联网应用可能会要求极快的响应时间

【论文笔记】Watch Your Step 论文名称：Watch Your Step: Learning Graph Embeddings Through Attention 这篇文章的出发点是自动化选择网络表示学习的参数从而适应不同网络的需求。同时文章也证明了DeepWalk的工作其实等同于矩阵分解。 Introduction 文章分析了之前一些工作的一个不可避免的问题，那就是模型参数的选择问题。对于不同的网络，模型能达到最好效果的参数是不同的，如果对于每个新出现的问题都要反复试验找到合适的参数，这显然是低效的。这些参数包括DeepWalk中窗口大小w的选取，node2vec中定义的两个跟随机游走有关的参数p、q。参数的选取完全影响着模型的好坏。 具体要做的有以下几点： 把随机游走中对节点的上下文采样过程看成是对转移概率矩阵的期望。 通过证明DeepWalk等同于矩阵分解发现上述的采样过程对应的目标是k阶转移概率矩阵。在这个不同的k阶转移矩阵前的系数就定义了一种对节点不同的采样过程。引入Attention Model自动学习这些系数，从而达到最好的采样效果。 用Attention Model学习出来的参数和人工调出来的参数效果差不多，进一步证明了方法的可行性。 Related Works 相关工作中提到了两种图学习算法： 一种是为网络的每个节点或每条边预测一个label。 The

1.https://blog.csdn.net/B08370108/article/details/83783008 batch norm、relu、dropout 等的相对顺序 Ordering of batch normalization and dropout in TensorFlow? 在 Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift 一文中，作者指出，“we would like to ensure that for any parameter values, the network always produces activations with the desired distribution”（produces activations with the desired distribution，为激活层提供期望的分布）。 因此 Batch Normalization 层恰恰插入在 Conv 层或全连接层之后，而在 ReLU等激活层之前。而对于 dropout 则应当置于 activation layer 之后。 2.BN和Dropout共同使用时会出现的问题 BN和Dropout单独使用都能减少过拟合并加速训练速度

Netty是一个高性能、异步事件驱动的NIO框架，它提供了对TCP、UDP和文件传输的支持，Netty的所有IO操作都是异步非阻塞的，通过Future-Listener机制，用户可以方便的主动获取或者通过通知机制获得IO操作结果。 Netty的优点有： a、功能丰富，内置了多种数据编解码功能、支持多种网络协议。 b、高性能，通过与其它主流NIO网络框架对比，它的综合性能最佳。 c、可扩展性好，可通过它提供的ChannelHandler组件对网络通信方面进行灵活扩展。 d、易用性，API使用简单。 e、经过了许多商业应用的考验，在互联网、网络游戏、大数据、电信软件等众多行业得到成功商用。 Netty采用了典型的三层网络架构进行设计，逻辑架构图如下： 第一层：Reactor通信调度层。该层的主要职责就是监听网络的连接和读写操作，负责将网络层的数据读取到内存缓冲区中，然后触发各种网络事件，例如连接创建、连接激活、读事件、写事件等，将这些事件触发到Pipeline中，再由Pipeline充当的职责链来进行后续的处理。 第二层：职责链Pipeline层。负责事件在职责链中有序的向前（后）传播，同时负责动态的编排职责链。Pipeline可以选择监听和处理自己关心的事件。 第三层：业务逻辑处理层，一般可分为两类：a. 纯粹的业务逻辑处理，例如日志、订单处理。b. 应用层协议管理，例如HTTP(S

Image Super-Resolution Using Deep Convolutional Networks 论文总结 提示： 文中用【】表示的是我没读懂的内容 文中用[]表示的是我不会翻译的内容,翻译都不会，基本上也不理解啦。 Abstract 摘要讲了讲论文写了些啥： 作者们提出了一种针对单图像超分辨的深度学习方法，即SRCNN。该方法直接学习低/高分辨率图像之间的端到端映射。映射是用一个低分辨率图像为输入，高分辨率图像为输出的深度卷积神经网络来表示的。 证明了传统基于稀疏编码的SR方法也可以看作是一个深度卷积网络。 传统方法是分别处理每个组件，而SRCNN联合优化所有层。 SRCNN具有轻量级的结构，同时有最先进的恢复质量，并且实现了快速的实际在线使用。 作者们探索了不同的网络结构和参数设置，以实现性能和速度之间的权衡。 SRCNN可以同时处理三个颜色通道，表现出更好的整体重建质量。 Introduction 超分辨率问题本质是不适定的（ inherently ill-posed）或者说超分辨率是个欠定逆问题（ underdetermined inverse problem）。意思就是超分辨率是个解不是唯一的问题，因为对于任何给定的低分辨率像素都存在多重解。对于这个问题通常用强先验信息约束解空间来缓解，为了学习强先验信息，现在最先进的方法大多基于例子的策略（example