0%

发表于 更新于 分类于 阅读次数：
本文字数： 203 阅读时长 ≈ 1 分钟

2018年8月27日 下午12:53

点云配准原理简介
坐标系旋转变换公式图解+矩阵形式推导
三维坐标系下坐标系的平移和旋转变换
吴军：数学之美
梯度、Hessian矩阵、平面方程的法线以及函数导数的含义
图像处理之特征值和特征向量的意义
如何理解矩阵特征值？
矩阵特征值和椭圆长短轴的关系
奇异值分解(SVD)
PMVS算法
雅可比矩阵
plane-sweep Algorithm
视差和深度的直观理解
深度图像
理解线性代数的一个新角度

发表于 更新于 分类于 阅读次数：
本文字数： 368 阅读时长 ≈ 1 分钟

2018年8月27日 下午12:51

杂文：

Ceres Solver 在Windows下安装配置笔记
CloudCompare功能概要
vs2015生成静态库和动态库
配置环境时参考文章

基础知识、工具的概念和使用方法

VS的使用教程
git中的submodule
vs解决无符号类型->安全开发生命周期(SDL)->vs版本升级
vs中的PDB文件理解
win环境

自己对编码的总结：

【硬编码带来的一些问题】
【运行PolyFit代码：未声明+代码修改】
【当前项目开发中依然还存在的几个问题】
【vs报错-自己的总结】
第三版软件环境安装记录

cmake

CMake结合PCL库学习1-2 cmake语法
通过cmakeLists.txt来调试程序cmake调试输出
cmake自定义编译选项cmake中的if-else
vs+pcl+vtk+cmake+qt安装使用

发表于 更新于 分类于 阅读次数：
本文字数： 239 阅读时长 ≈ 1 分钟

2018年8月27日 上午11:53

关于CMake生成包含PCL库和CGAL库的工程时出现“无法解析的外部符号”的错误 - CSDN博客

通过cmakeLists.txt来调试

  1. 手动set设值+message() = 调试方式
  2. 变量名的差异以及根据什么目的、对谁进行设置set，如何设置，多参考CMake的FindBoost.cmake]
    1. 下面这幅图就是FindBoost.cmake，主要的作用是可以调用我们已经通过find_package()调入包的全局变量，通过这些全局变量来诊断我们的程序

发表于 更新于 分类于 阅读次数：
本文字数： 198 阅读时长 ≈ 1 分钟

2018年8月27日 下午7:59

  1. 学习思路：首先明确问题出现在哪里？然后如何解决？
  2. 学习角度：从数学公式的角度去分析每个改进点
  3. 原始公式：
  4. 基本解决问题的思路：
    1. 抑制震荡：我们就需要将代表前面梯度累加的变量引入到公式中
    2. 不同的参数设置不同的学习步长：其实本质利用的就是平方，>1越来越大，<1越来越小
    3. r参数一直在增大：通过引入一 个衰减系数，让r每回合都衰减一定比例
    4. 将以上的优点结合在一起：Adam








发表于 更新于 分类于 阅读次数：
本文字数： 164 阅读时长 ≈ 1 分钟

2018年8月27日 下午3:46

Softmax可以从两个角度去理解：

  1. softmax和max比较的角度去理解：
    1. 给定1，2，3，通过max函数，最终得到max(1,2,3)的是3
    2. 而，通过softmax最终的计算方式如下图。
      1. 是突出最大值，而不是由最大值唯一决定
  2. 神经网络的输出，也就是前向传播的输出可以通过Softmax回归变成概率分布

发表于 更新于 分类于 阅读次数：
本文字数： 154 阅读时长 ≈ 1 分钟

2018年8月27日 下午3:17

  1. 一个数据
    1. (挑取合适的算法)建立目标函数，
    2. 进行反向传播(挑取合适的算法)梯度下降。
    3. 也就是先求出一个输入，这时并没有完成一个数据的处理，此时还要进行梯度下降优化参数。
  2. 在深度学习中，一个数据的训练特别容易与整体数据训练的过程混淆。错误的将一个数据的训练过程当成整个数据集的训练过程。

发表于 更新于 分类于 阅读次数：
本文字数： 117 阅读时长 ≈ 1 分钟

2018年8月27日 下午3:04

  1. 收到昨天讲座的影响，我今天就突然觉得神经网络到深度学习的演进的过程可以通过纯数学公式的改进角度去理解他的变化。
  2. 正如下面目标函数+激活函数+梯度下降的方法的改进。这些从数学角度看的话，就是数学公式的变化。

发表于 更新于 分类于 阅读次数：
本文字数： 420 阅读时长 ≈ 1 分钟

2018年8月27日 下午2:55

  1. 注：第五课中，目标函数的捡来讲到了交叉熵来代替来代替均方误差。但是老师并没有说明交叉熵是针对分类问题的，在这里特别说明！
  2. 但是，老师好的是指明了交叉熵的好处：收敛的更快，可以更快的找到最优值。

交叉熵损失函数和均方误差损失函数 - CSDN博客

  1. 分类问题中，预测结果是（或可以转化成）输入样本属于n个不同分类的对应概率。——【建立数学模型来解决问题】
  2. 比如对于一个4分类问题，期望输出应该为 g0=[0,1,0,0] ，实际输出为 g1=[0.2,0.4,0.4,0] ，计算g1与g0之间的差异所使用的方法，就是损失函数，分类问题中常用损失函数是交叉熵。
  3. 交叉熵（cross entropy）描述的是两个概率分布之间的距离，距离越小表示这两个概率越相近，越大表示两个概率差异越大。
  4. 由公式可以看出来，p 与 q 之间的交叉熵 和 q 与 p 之间的交叉熵是不等价的。
    1. 表示的物理意义是使用概率分布 q 来表示概率分布 p 的困难程序，q 是预测值，p 是期望值。

发表于 更新于 分类于 阅读次数：
本文字数： 328 阅读时长 ≈ 1 分钟

2018年8月27日 下午1:27

PDB文件详解 - CSDN博客

  1. PDB文件：主要存储了VS调试程序时所需要的基本信息，主要包括源文件名、变量名、函数名、FPO(帧指针)、对应的行号等等
  2. PDB文件的调用过程
    1. 每个模块只会生成一个相同名字的PDB文件
    2. 每个模块被载入的时候，其相同名字的PDB文件同时被载入。
      1. 所以Debug模式下，不仅因为代码没有优化，同时因为要载入PDB文件，所以Debug模式下的程序执行速度非常慢。
    3. PDB文件中记录了源文件路径的相关信息，所以在载入PDB文件的时候，就可以将相关调试信息与源码对应。
    4. 如果源文件找不到，那么依然能够查看调试信息，只是这个时候只能查看汇编代码，不能通过源文件可视化查看信息。
      1. PDB是汇编代码
  3. VS搜索PDB文件的路径顺序