K近邻法比较简单,我就讲下流程.

我觉得自己对于概率视角下的机器学习方法还是不够清晰,因此开个新坑(其实这个基础就应该上上学期打好),现在准备两个月之内把统计学习方法第二版撸完(flag是不是太...).不管了,今天是第一章感知机,为了节约记录的时间,我都只写我觉得比较重要的地方.

我参考tf-pose-estimation重新构建一个人体姿态估计模型,下面主要记录一下坑点.

今天发现tf.keras.Model.outputs的隐藏问题(feature),我居然之前都没有发现233

Python Docstring Generator这个插件我用了挺久了,不过他这里的提供的样式风格和vscode自动提示的风格是不太匹配的.之前改了一个模板我又找不到了,这里记录一下.

之前一直用autopep8作为格式化公式，后来发现不能设置缩进两个空格就换成了yapf。但yapf实在是一言难尽，我不太喜欢这种整个文档都帮你格式化的，autopep8这样可以只考虑每一行的内部的格式化就足够了，可以给程序员更多的调整空间。

最近我开的vultr的vps好像全挂了，ip貌似被用滥了，所以使用机场了。现在用的这个一年dlercloud的一年288的套餐还挺贵的=_=。window下配置比较简单，下载官方提供的clash-win然后直接登陆账号密码就完事了，Ubuntu下面真的难倒我了，下面说下怎么配置。

最近偶然看到一篇AnimeGAN的推送，他的官方实现在这里。我很感兴趣，尝试学习并复现，下面是我的一些记录。

NOTE：虽然很有趣，但是没算力真的让我想放弃。

本文是对旷视所提出的论文：Circle Loss: A Unified Perspective of Pair Similarity Optimization的个人解读。

最近准备把自己写的训练框架全部升级到支持分布式以及混合精度训练，发现如果其中对于自定义层的改动还真不少。这里分享一个支持分布式以及混合精度训练的Spectral Normalization实现。

NOTE: 这里遇到一个问题，发现混合精度训练之后GPU使用率只有20%不到，查找一番之后发现果然有issue，貌似对于DepthwiseConv2d的支持不好，可能要等到tf2.2之后才可以更新了。