最近发现pytorch-lighting比较好用，比我在tensorflow里面自己写的那个好，不过因为他的结构嵌套的比较深，用起来还是会踩坑。这里来记录一下。

关于论文 Learning to Cartoonize Using White-box Cartoon Representations

Model-Agnostic Meta-Learning(MAML)是元学习中经典算法之一，今天准备来实现一下。

尝试用了一下mindspore，这里给出一个dcgan的demo对比一下两个框架。 我使用mindspore 0.7，tensorflow 2.2，megengine 0.6，其他参数均相同。

记录一些关于mindspore代码的东西。

这是对论文Multi Task Learning with Homoscedastic Uncertainty的一个学习。

写这个工具是因为在网上找了一圈没找到免费的批量自动抠图工具。因此参考稿定抠图的样式写了一个小工具，稿定抠图其实还挺好用的，就是只能免费3张图像。remove.bg我看了下也挺贵的，而且他是基于语义分割的，对于人像的分割比较好，对于一般的物品就不行了，我比较需要的是基于显著性目标检测的抠图。

PS. 当我写到一半的时候才发现其实是有真正免费的抠图工具的，就是淘宝出品的顽兔抠图，但是我之前不论在百度搜索还是谷歌搜索都没有看到关于顽兔抠图的介绍，特别是百度出来清一色是广告。因此我用PyQt写了这个小工具。

感觉生了个病八月份就要过去了。。。难受。生病的就很想休息，一点也不想学习，然而一休息就半个月没了😔，又感觉自己浪费了宝贵的时间。这次我主要总结一下生病的情况，因为其实从过年开始就有症状了，但后面去医院医生居然看不出我是什么病，导致暑假里面吃了不该吃的东西让病情严重了。

PageRank感觉没有什么东西，就是为了避免通常情况下非强连通的图中进行马尔科夫游动导致概率为0的问题，人为为所有节点添加一个随机游动概率。

潜在狄利克雷分配模型其实就是一个确定结构的概率图模型，他主要做两件事情:

1. 学习到话题的单词分布\(p(w|z_k)\),意为给定对应话题得到对应的单词.

2. 学习到文本的话题分布\(p(z|\mathbf{w}_m)\),意为给定对应文本得到对应的话题.

如下图所示:

1. \(\varphi_k\sim \text{Dir}(\beta)\)控制了多项分布\(p(w|z_k)\)根据主题随机生成当前文本下的单词分布\(\mathbf{w}\).

2. \(\theta_{m}\sim \text{Dir}(\alpha)\)控制了多项分布\(p(z|\mathbf{w}_m)\)根据当前文本得到所对应主题的概率分布.