Technology Comes First

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。 这篇文章是系列之三，还有两个系列分别是： 线性规划理论 线性规划应用 稳定婚姻问题（stable marriage problem） 问题描述 有 NNN 位男生和 NNN 位女生，每个男生都对 NNN 个女生的喜欢程度做了排序，每个女生都对 NNN 个男生的喜欢程度做了排序，现在需要确定一个稳定的约会状态（匹配）。 若存在两对匹配 A=(u,v)A=(u,v)A=(u,v)，B=(p,q)B=(p,q)B=(p,q) ，满足男生 uuu 比起女生 vvv 更喜欢女生 qqq，且女生 qqq 比起男生 ppp 更喜欢男生 uuu，那么我们称这组方案是不稳定的。 Gale–Shapley 算法 首先选择一个单身男生，他会按照他的喜欢程度对一个还没有表白过的女生表白。 如果女生此时处于单身状态，则他们 ...

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。 这篇文章是系列之二，还有两个系列分别是： 线性规划理论 近似算法选讲 原始对偶方法 基本思想： 灵活运用了互补松弛条件 (y∗TA−cT)x∗=0(y^{\ast {\rm T}}A-c^{\rm T})x^\ast=0(y∗TA−cT)x∗=0 且 y∗T(Ax∗−b)=0y^{\ast {\rm T}}(Ax^\ast-b) = 0y∗T(Ax∗−b)=0. 给出一组对偶的解，强行去满足互补松弛条件。每次观察 xxx 是否满足原问题的约束，若不满足就不断地修正 yyy。 原始对偶算法 流程 我们先列出原问题（P）的对偶问题（DP），并找到 yyy 的一组可行解。 如果 c≥0c \ge 0c≥0，直接取 y=0y=\pmb{0}y=00 即可。 否则我们给原问题增加一个变量与一条约 ...

在此记录一下我在 2020.3∼2020.62020.3 \sim 2020.62020.3∼2020.6 在浙江大学上的《编译原理》这门课的知识点。 整一个编译的流程包括如下两个阶段： front end: scanner →\to→ parser →\to→ semantic analyzer →\to→ source code optimizer back end: code generator →\to→ target code optimizer 编译原理就是围绕这两个阶段展开的知识点。 词法分析 lexical analysis Regular Expression Rules R* zero or more strings from L®: R(R*) R+ one or more strings from L®: R(R*) R? optional R: (R|ε) [abce] one of the listed characters: (a|b|c|e) [a-z] one character from this range: (a|b|c|d|e|… ...

在此记录一下我在 2020.3∼2020.62020.3 \sim 2020.62020.3∼2020.6 在浙江大学上的《计算机网络》这门课的知识点。 计算机网络概述 A protocol is an agreement between the communicating parties on how communication is to proceed. A protocol is a set of rules governing the format and meaning of the packets, or messages that are exchanged by the peer entities within a layer. A service is a set of primitives (operations) that a layer provides to the layer above it. Service interface defines which primitive operations and services the lowe ...

记录了 幼儿园 和 小学 的记忆片段。 第一段幼儿园：新建庄幼儿园 我在生活上单纯傻笨。有一次去亲戚家吃饭，四爷爷突然疑惑地对我说：“咦，你的碗怎么漏了？”于是我翻过碗查看，饭全都洒在桌上了。雨天我也不会躲水坑，我妈就干脆给我买了双靴子，让我尽情地在水中踏步（直到现在我都一直很喜欢靴子）。 刚上幼儿园的时候年纪小。大家都欺负我、排挤我，总是抓我脸，可我不敢和老师说。我没有朋友，只喜欢一个人静静地在幼儿园的“毛毛虫”（里面可以钻人）里玩。不过我那会儿真是慷慨大方。 外婆常常笑着和我提起，以前接送我上学时会路过一个叫做 “城市花园” 的别墅群。我会指着别墅对她说“长大后也给你买一幢”。现在看来有心无力啊（哭哭）。 我妈经常给我买玩具，巅峰时候整整装了一麻袋。如果有小朋友来我家玩并且看上了我的玩具，我就会送给他们。最终送的送、丢的丢，整个麻袋都没了。 去别人家玩的时候我却不会拿任何东西。有一次去同村的一个男孩子家里玩，我对一辆拇指大的小车爱不释手，那户人家就送给我了——这件事让我高兴了好几天。 隔壁的一个亲戚（比我大三岁）送了我很多神奇宝贝卡片，我一直很感激他。后来妈妈才告诉我，他来我家 ...

打算在近期看完 “解简单几何题” 相关的论文工作并做个总结。 Diagram Understanding in Geometry Questions AAAI 2014 论文地址 本文提出了一个叫做 G-ALIGNER 的 Image Parse 的工具，并证明了它使用的估价函数是次模函数。 估价函数介绍 设 T={T1,T2,…,Tm}T=\{T_1,T_2,\dots,T_m\}T={T1​,T2​,…,Tm​} 表示题目文本中提到的元素集合，LLL 是图片中初步提取后的所有 primitives 集合。本论文默认 LLL 已经得到，现在要找一个最优的子集 L^\hat{L}L^ 以准确地表达图片信息。 引入一个 W∈{0,1}∣L∣×∣T∣W \in \{0,1\}^{|L| \times |T|}W∈{0,1}∣L∣×∣T∣ 表示该图上的 primitive 是否与指定文本元素对应。 L^=L×(W×1∣T∣×1)\hat{L}=L \times (W \times 1_{|T| \times 1})L^=L×(W×1∣T∣×1​)，可以将求一个最优子集 L^\hat{L ...

这是 Professor Bo Li 推荐我的一篇 paper，有关 Adversarial Attacks 的内容。 Arxiv 传送门 什么是 Sensing-Reasoning pipelines 对于 Sensing 层面，我们用若干种不同的模型去感知，得到很多组 010101 的随机变量。 对于 Reasoning 层面，我们把之前的若干个结果汇总，利用领域知识（domain knowledge）和概率模型去矫正和逼近真实答案。常见的概率模型有： 基于无向图的 Markov logic networks（MLN） 基于有向图的 Bayesian networks （其实就是条件概率构建在图上） 论文里介绍了一个有趣的例子：假设我们想判断一张图 XXX 的信息。 我们在 Sensing 层面设了 Dog Sensor，Cat Sensor 和 Animial Sensor 三个神经网络模型去感知，从而能得到三个概率 p1,p2,p3p_1, p_2, p_3p1​,p2​,p3​，pip_ipi​ 表示该图 是 物体 iii 的概率。 由知识和经验，我们知道猫和 ...

2019.9∼2020.12019.9 \sim 2020.12019.9∼2020.1 上了永平奖获得者翁恺老师《程序设计方法学》这门课。这是一门很有趣的课，介绍了程序设计语言的历史和发展脉络。可惜这是一节早课，我经常在意识模糊中听课（甚至是没有成功起床）。 这门课有一半的时间是同学展示。我倒是更希望翁老师能多留出时间自己讲。 最终的期末考试内容为：BNF，数据类型和运算符，程序控制结构，流计算，递归，并行计算，函数的调用和返回，Actor，异步执行。我对他们做了一个简单的整理。 三种编程语言 imperative language 命令式程序设计语言 Variables, assignment statements, and iteration Include languages that support object-oriented programming, scripting languages, visual languages Ex.: C, Java, Perl, JavaScript, Visual BASIC .NET Functional Languag ...

2019.9∼2020.12019.9 \sim 2020.12019.9∼2020.1 上了宋明黎教授《计算机视觉》这门课。课程内容丰富，五个实验则偏基础。 美中不足的是最终的考评形式——像文科一样的纸笔考试。为了巩固知识点并提高背诵效率，决定开始整理此文。整理到一半时，发现 这个网站 已经做了我想做的事了，遂我不再重复造轮子。 引言 Gestalt Laws（格式塔法则）：出发点是形。 Law of Proximity: 接近的物体容易被感知成同一组。 Law of Similarity: 将相似的物体感知成同一组的部分。 Law of Good Continuation: 沿着元素暗示的弧方向走。 Law of Closure: 人们会把不完整的个体看成是一个整体的形状。 Law of goodform : 希望图片由几个规则图形组成。 Law of Figure/Ground: 区别前景和背景。 什么是计算机视觉？ 根据场景的图像实现场景中对象信息的恢复和利用。 五大研究内容 输入设备 底层视觉（图像处理） 中层视觉（恢复场景，2.5 维） 高层视觉（三维重建 ...

During 2019.9∼2020.12019.9 \sim 2020.12019.9∼2020.1，I was involved in the Mix-Reality class guided by Hujun Bao. The topic in this class is similar with computer vision. I’m really regretful because I didn’t listen to Mr. Bao’s class carefully, even though he explained the knowledge points carefully. Mr. Bao sent me a book written by himself. I must read it when I’m free. Singular Value decomposition(SVD) a factorization of a normal matrix, extended from eigendecomposition. An×m=Un×nΣn×mVm×mTA ...