Technology Comes First

This is the reading notes for Server-Driven Video Streaming for Deep Learning Inference. Iterative Workflow Stream A: Camera →\to→ uniform low quality video →\to→ server →\to→ inference & propose feedback regions →\to→ send feedback regions to camera Stream B: Camera →\to→ re-encode feedback regions in high quality →\to→ server →\to→ inference Note: By deriving feedback directly from the server-side DNN, it sends high-quality content only in the minimal set of relevant regions neces ...

2020.3∼2020.62020.3 \sim 2020.62020.3∼2020.6 上了《BS体系软件设计》这门课，最终决定用 Django + Vue 的架构完成课程设计。 不要说 Vue 了，js 和 css 我都一知半解，于是决定开坑速成。 vue 的基本函数 v-bind 属性绑定：<a v-bind:href="url"> ... </a> 也可以动态地绑定一个类 v-bind:class="{‘textColor‘:isColor} 因为很常用，可以完全省略这个词。 v-if 条件语句：v-if="seen" 后面可以接 v-else，v-else-if v-on 事件绑定：<button v-on:click="myclick">click me</button> 可以绑定多个：<v-on="{mouseenter:onenter,mouseleave:leave}" ...

这一系列文章记录了我遇到过的一些 趣题。 文章内容 简介 奇思妙想 数学和计算机领域，通过小小思考后能豁然开朗的趣题。 概率和期望 数学和计算机领域，与概率和期望相关的趣题。 算法题精选-1 OI/ICPC 向的算法题，去其琐碎、留其精髓，望博君一笑。 算法题精选-2 OI/ICPC 向的算法题，相比上一期题意更简洁，出处往往不可考 简单游走问题 题意：初始时你在数轴的位置 000 处，每单位时间能向左/右走一格。问第一次走到 111 的期望步数。 解法一：设 fif_ifi​ 表示正好向右走了 iii 步的期望。得 fi=12(fi−1+fi+1)+1f_i=\frac{1}{2}(f_{i-1}+f_{i+1})+1fi​=21​(fi−1​+fi+1​)+1 且 f0=0f_0=0f0​=0，联立化简后得 fi=2fi−1−fi−2−2(i≥2)f_i = 2f_{i-1}-f_{i-2}-2(i \geq 2)fi​=2fi−1​−fi−2​−2(i≥2)。继续化简得 fi=(3i−4)f1−(i−1)if_i=(3i-4)f_1-(i-1)i ...

这一系列文章记录了我遇到过的一些 趣题。 文章内容 简介 奇思妙想 数学和计算机领域，通过小小思考后能豁然开朗的趣题。 概率和期望 数学和计算机领域，与概率和期望相关的趣题。 算法题精选-1 OI/ICPC 向的算法题，去其琐碎、留其精髓，望博君一笑。 算法题精选-2 OI/ICPC 向的算法题，相比上一期题意更简洁，出处往往不可考 正方形里塞k个尽量大的相同形状 题意：给出正整数 kkk，要在一个正方形里塞 kkk 个相同的正方形/圆，问最多能塞多大的尺寸。 题解：这类问题被称为 Packing problems。很多 kkk 都还是开放问题，特别当 kkk 大的时候。Erich Friedman 整理了一个 Packing 合集，包括 正方形里塞圆 和 正方形里塞正方形。 非ww串的文法表达 题意：假设字符集是 {0,1}\{0,1\}{0,1}，用上下文无关语法表达出所有这样的字符串 SSS：S=xy,∣x∣=∣y∣,x≠yS=xy,|x|=|y|,x \ne yS=xy,∣x∣=∣y∣,x=y。 性质：假设字符串长度为 2n2n2n，则至少存 ...

[2021.08.01 更新：Adaboosting] 2020.4∼2020.62020.4 \sim 2020.62020.4∼2020.6 上了蔡登教授《数据挖掘导论》这门课，讲得硬核而严谨。 课程内容涉及机器学习入门的 topic，包括以下内容： 贝叶斯模型和线性分类器 非线性方法，包括 Kernel 和 神经网络 KNN，决策树和随机森林 聚类和降维 主题模型和矩阵分解 于是撰写此文，试图把一些 solid 的知识点总结下来。 Bayesian Decision Theory 在 Supervised Learning 里，通过对 Samples {(x1,ω1),…,(xn,ωn}\{(x_1,\omega_1),\dots,(x_n,\omega_n\}{(x1​,ω1​),…,(xn​,ωn​} 的训练，我们要做到对于每一个给出的 Sample xxx，预测它的标签 ω\omegaω。 由条件概率的知识，我们可以得到左下图的贝叶斯公式： 如果套用 Bayesian Decision Theory 的知识，我们要用贝叶斯公式来预测 P(ω∣x)P(\omega|x ...

2020.3∼2020.62020.3 \sim 2020.62020.3∼2020.6 上了赵洲教授《机器学习》这门课，大作业是选择一个深度学习的排行榜去刷 rank。 本文介绍 Text-to-SQL 领域的 CoSQL 数据集，并应用一些相关的深度学习方法测试准确率。 什么是 CoSQL CoSQL 全称 Conversational text-to-SQL，是耶鲁大学在 EMNLP2019 提出的 NLP 领域的数据集。 官方网站 。与经典的 text-to-SQL 任务（如 Spider）相比，CoSQL 的难度增加了不少： 为了模拟现实场景，用户的询问可能有多轮，要求系统有整合信息的能力。 系统生成 SQL 语句并得到查询结果后，要用自然语言反馈给用户。 用户与系统的多轮对话之间，可能需要 clarify ambiguous questions（如下图 Q3Q3Q3 和 R3R3R3）。 CoSQL 包含到 3k+ 组对话（216421642164 Train，292292292 Dev，551551551 Test），共计 10k+ 标注过的 SQL 询问 ...

在此分享一下我在 2020.4∼2020.62020.4 \sim 2020.62020.4∼2020.6 在浙江大学上的《算法设计与分析》这门课的内容。 这门课介绍了很多有趣的算法，我会挑一些新奇有趣的、以前没见过的 topic 分享。 可以把这篇文章和 趣题摘记 系列结合起来看。 Undecidable Problems 罗素悖论（Russell’s Paradox）是一个很著名的悖论：设集合 SSS 是由一切不属于自身的集合所组成（即 S={x∣x∉x}S=\{x|x \notin x\}S={x∣x∈/x}），那 SSS 属于 SSS 吗？ 我们通常用理发师悖论（The Barber paradox）去解释罗素悖论。假设城里只有一个理发师，且任何一个不能自己理发的人会由理发师帮他理发。定义 S(x)S(x)S(x) 为所有被 xxx 理发的人的集合，则 S(barber)={x∣x∉S(x)}S(barber)=\{x|x \notin S(x)\}S(barber)={x∣x∈/S(x)} 。但是 barber∈S(barber)barber \in S(barber)ba ...

2020.3∼2020.62020.3 \sim 2020.62020.3∼2020.6 上了《BS体系软件设计》这门课，但我对 web 一无所知。最终决定用 Django + Vue 的架构完成课程设计，所以这篇文章是对 Django 做一个初步的学习和总结。 命令行操作 12345django-admin startproject mysite # 创建叫做 mysite 的 projectpython manage.py startapp learn # 创建叫做 learn 的应用python manage.py makemigrations # 生成迁移文件python manage.py migrate # 将结构变化应用到数据库python manage.py runserver <ip:port> # 运行 urls.py 里指定的网页 简单的网页请求处理 views.py & urls. ...

记录了 初中 的记忆片段。由于初中有写日记的习惯，这篇文章总能慢慢地更新。 缘定绍初 我的初中原名是绍兴一中初中部，最初由绍兴市北海中学、府山中学合并而成。后来为了落实九年制义务教育，强调初高中的分离，就改名为 绍兴市第一初级中学教育集团龙山校区。教育集团还有一个镜湖校区。 绍初位于越城区市中心，城市广场的对面，紧挨着原市府大楼，周围建筑密集，门口的车道常年堵车。附近有一条护城河，观赏性还是很强的——可惜那会儿满脑子都是赶路和学习。 如果按照小升初考试的常规途径，我当时只能去上虞市内（当时上虞市还没有改成区）的初中。上虞市里最厉害的中学是春晖中学，有俗语 北有南开，南有春晖，是一个十分不错的选择（升入大学的时候我特意问了一个来自南开中学的同学，他坦言并没有听说过这个俗语哈哈哈）。 不过我最终是通过了绍初龙山的借读生考试，以 借读生 的身份进入绍初龙山。小学到初中为什么跨区读书呢？这中间还有段机缘巧合。小学五六年级信息学比较强势（其实那会儿就是学学选择、循环、分支结构，算法设计主要依靠数学功底），我不希望这个特长从此失去了。春晖虽是上虞人的不二选择，但是春晖有关信息学竞赛的培训寥寥无 ...

我在大三春夏学期上了张国川老师的《应用运筹学基础》这门课。 张国川老师坚持板书讲解，课上干货满满，是不可多得的好老师。 我本来是在 TSR 学长的博客 的基础上补充知识点的。张老师在期末时把“上课笔记整理”也作为了考核方式之一，于是我把 TSR 学长的部分内容也结合进来了。 这篇文章是系列之一，还有两个系列分别是： 线性规划应用 近似算法选讲 凸集、凸函数、凸优化 凸集：任取 x,y∈Sx, y \in Sx,y∈S 和 ∀θ∈[0,1]\forall \theta \in [0,1]∀θ∈[0,1] 满足 θx+(1−θ)y∈S\theta x + (1-\theta)y \in Sθx+(1−θ)y∈S，称集合 SSS 凸集（Convex Set）。 凸集的交仍然是凸集。 如果没有 ∀θ∈[0,1]\forall \theta \in [0,1]∀θ∈[0,1] 的条件，称集合 SSS 仿射集（Affine set）。 凸函数：对于定义在凸集 SSS 上的函数 f(x)f(x)f(x)，若对于 ∀θ∈[0,1]\forall \theta \in [0,1]∀θ ...