毎日の状況のレポートをここで更新いたします。

RT

具体每项复习的内容现在还难以确定，提供一些备选 c++ 之前的github（从0到1） c++ primier 之前的笔记 其他一些c++面试题，牛客网，csdn，网上的资源 实际项目 另外注意一下Linux下的c++开发 数据结构和算法 leetcode 剑指offer 算法导论笔记 之前那本算法书（日文） linux 之前的书 网上的面试题 之前的笔记 机器学习 ai工程师手册 网上的面试题 dnn500问？ 具体如何准备还是要之后仔细看看 ，确定准备内容也是准备里很重要的一项吧 需要注意的是因为时间有限

1. 幸せを手にいれることを重視 2. 自分が提供したい価値を提供できるために努力する 3. 具体的な目標を一個一個作る 4. 自分が納得できるまで努力する 5. 周りの人への配慮

当时还是08年认识你的。。。一转眼，九年义务教育都走一遍了。。。忒可怕。。。

每天人工置顶好了 因为不想把白白的帖子撤下来

经核实吧主只萌萝莉 未通过普通吧主考核。违反《百度贴吧吧主制度》第八章规定http://tieba.baidu.com/tb/system.html#cnt08 ，无法在建设 只萌萝莉吧 内容上、言论导向上发挥应有的模范带头作用。故撤销其吧主管理权限。百度贴吧管理组

一个所有关于高斯过程的解释都没有说明的问题（大概对于数学系的人们这个问题的答案过于显而易见了） 实际上每一条新的数据（包括预测数据）都会增加多元高斯的一个维度 对于学习核函数的过程而言，每个相同的数据只会用一次 也就是说该该维度上的分布只要逼近此维度上的数据就可以了 因此对于任意一个数据 就算均值向量不为零也可以通过调整方差的方式使得该维度上逼近程度相同 当然其实这个解释不完全严格 因为决定该维度输出的其

Cao_SeerNet_Predicting_Convolutional_Neural_Network_Feature-Map_Sparsity_Through_Low-Bit_Quantization_CVPR_2019_paper.pdf ChamNet-Towards-Efficient-Network-Design-through-Platform-Aware-Model-Adaptation.pdf Chen_All_You_Need_Is_a_Few_Shifts_Designing_Efficient_Convolutional_CVPR_2019_paper.pdf Chen_You_Look_Twice_GaterNet_for_Dynamic_Filter_Selection_in_CNNs_CVPR_2019_paper.pdf cvpr2019.md Gao_Dynamic_Scene_Deblurring_With_Parameter_Selective_Sharing_and_Nested_Skip_CVPR_2019_paper.pdf Georgiadis_Accelerating_Convolutional_Neural_Networks_via_Activation_Map_Compression_CVPR_2019_paper.pdf He_F

小风就是学不会日文_(:з」∠)_绝望，最近清闲到炸，大概要过两个月才会上岗，到时候更加不好出国了唉。没事就不联系朋友的毛病还是没改，担心不知道说啥，（我到底在说啥啊）

凸优化 image process RV slam/ git gitlab 计算机架构 os makecmake caffe aws 强化学习/ c c++ c# u3d / 有时间可以看的 先确保下载下来

。。。。

ネットワーク圧縮アルゴリズム比較実験: 1. 使うデータセット、cifar10 2. 使うbaseline-network : **各アルゴリズムのsourcecodeで使用されたnetwork:** |アルゴリズム|convnet|lenent|mobilenet|resnet|vgg|densenet|googlenet|alexnet |他のnetwork実装可能||-----|---|----|----|---|------|----|----|---|----||*batchnorm-pruning: | ○| ○ | ○|○|○|×| × | × | 可能 ||CEGS | ○ |　× | × | × | × | × | × | × |datasetも変更||graphtheory| × | × |× | ○ | ○ | ○ |× | ○ | 変更可能 ||* N2N | × | ○ | × | ○ | ○ | ○ | ○

file check list: * compressioninsight 　/ モデルの内部状態(saprisity)などを確認する方法* distiller_jupyter_helpers //各種基本の関数の定義* experimental //get some stastic data of neural network* model summary , 提供した機能は* 指定されたtypeのlayerの情報を確認する:eg:conv3×3* weights footprints情報(?)を確認する* MACS情報を確認する* layerごとのL1-normを確認する* performance overview :* compute macs* confirm how compute is distributed* how many conv kernel sizes are used* how the MACs are distributed between layers and kerne

in usage1. 如何做敏感度分析 （可以考虑试一下有没有用）2. 如何做摘要 （ 结果统计里给出不同种类的信息 比如macs）3. 收集活性化统计数据 统计relu函数的活性化程度有时间的话可以测试一下 compression models 各种神经网络压缩理论的介绍，虽然大部分应该都知道，可以再看一遍防止有遗漏 algorithm部分 pruning里的 结构化网络裁剪里 几个基础的算法 有时间也可以尝试一下 jupyter notebook（主要）tutorials （裁剪chennel 和filters部分） 今天完成

DL诚然这一块需要的数学知识非常的杂多 但是全部都补过来估计会占用太多的时间 考虑到两条路的重合的部分重心还是应该放在程序相关上（c++ c# c u3d之类的引擎 软件工学 计算机系统） 当然必要的部分还是需要补的不然日常业务都会有一些影响 以及以后万一就走工程师这条路的话也是需要相当的数学基础的 因此策略上数学主干线剩余的两块 （统计和非线性最优化）补完就好 剩余的下一年如果看论文什么的遇到什么新的知识适当的查一下就好，没

#定义神经网络的时候还有什么其他需要注意的？ #损失函数在什么位置定义？ 是怎样计算的？ #优化器在什么位置定义， 其中各个相关参数在什么地方定义 #创建计算图 session 之后，图里要做哪些操作？ #初始化，根据loss反向传播优化参数 #如何控制一次又一次的训练流程（怎样停止训练）（参照cifar的代码和之前斯坦福的简单版代码）#等间隔自动测试的代码该设置在什么位置？ 同上#相关信息的输出代码设置在什么位置 同上#训练结束后如何保存模型

1. python　　数据类型转换：列表和字典的基础知识 ：画图：文件读写：切片：静态方法：命令行添加参数：　　　 2. numpy切片：高维度张量操作： 维度变换 改变维度大小张量的矩阵式编程“： 避免循环的使用， broadcast 数据类型变换： 随机生成: 分布： 3. c++类的定义： 模板的定义： 其他一些概念（枚举，正则... ）指针，内存管理相关 容器相关 输入输出相关 4. pytorch 神经网络模块（各个属性，各个方法） 学习流程控制模块： hook 、 数据输入模块

？？？

QnQ但是又怕打扰到你

求红包

圣诞快乐。。。

嗯？

orz

n1....などのは终点じゃない

…考前各种突发时间 前一晚几乎只睡3小时也是各种烦

在我发现我其实还是喜欢三次元的女孩的时候，自己连一个吸引人的体型都没有，除了学习之外的特长也没有。即使12年前的我，都比现在的我好看。

啊啊啊啊

虽然这种东西意义似乎… N2还有19天的复习时间，托福还有74天…就当是督促自己完成计划好了

…中午12点在复旦坐到晚上10：30 手机几乎没耗电…但是却感觉没干什么…只刷完了两TPO的阅读和听力…本来以为有点起色的…感觉又没啥进步

考得怎么样？

我特么真傻爆了。。。简直图样！

京大でもいい....一生悬命顽张って欲しい！

忙着备考GT么

毕竟从08年就认识了。。。那个时候萌萝莉还是个小小的小姑娘（而且还不是玩galgame的宅女）。。。

就算达成现在设想的目标也只会使未来几年更累的话…以后的生活还真的不敢想象啊

下学期选了三门课，一个研讨会。。。如果能顺利达成目标的话，那就万幸了。。。别的不奢求什么了。。。 现在想想，可能美国的氛围综合来说还是好过国内，至少人都有点自知之明（混蛋不混蛋另说），不像国内的大多数，傻的冒泡了还不自觉。 只不过是因为我目前所在的环境不是很好吧。。。还是对这里没好感。。。

尼玛我当初为什么要出国，累成狗不说，还是个受歧视的少数民族。假如能回到去年这个时候，我一定选择考研，安安稳稳的过我的小日子。

就这样

QnQ好恨好恨，想杀人怎么办