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.

蒙特卡洛法是对概率模型进行抽样来近似数值计算的方法.马尔科夫链蒙特卡洛法就是以马尔科夫链作为概率模型的蒙特卡洛法.

我的理解是传统的蒙特卡洛法需要进行采样,但他的采样还是需要依赖于目标分布\(p(x)\),当目标分布\(p(x)\)是一个多元函数,或者概率密度函数是奇怪的分布,或者内部分量不独立时,总之就是难以直接采样时,引入一个满足遍历定理的马尔科夫链,让他的平稳分布就是目标分布\(p(x)\),接下来我们利用马尔科夫链生成许多样本,生成的样本数量越大,那么这些样本就接近于直接抽样的结果.解决了难以直接抽样的问题.

最近因为各种杂事,导致我很难专心做一些事情.我觉得需要反省一下自己.

概率潜在语义分析(probabilistic latent semantic analysis, PLSA),也称概率潜在语义索引(probabilistic latent semantic indexing, PLSI),是一种利用概率生成模型对文本集合进行话题分析的无监督学习方法.

[toc] 可能会长期更新,因为经常需要从pytorch偷代码翻译成tensorflow😑因此记录一下差异的地方.

今天看两篇论文，因为只是学习一下他们的思路，所以不进行细写。

1. RealMix: Towards Realistic Semi-Supervised Deep Learning Algorithms
2. EnAET: Self-Trained Ensemble AutoEncoding Transformations forSemi-Supervised Learning

这是CVPR2020的一篇度量学习的论文.来自韩国.我觉得还蛮有意思的,因此学习一番.

他的图画的是真好看,虽然做的事情其实就是把amsoftmax换个皮...