Something interesting about NLP when I tried to know it.
「每当我开除一个语言学家，语音识别系统就更准确了」
Every time I fire a linguist, the performance of the speech recognizer goes up.—— IBM 的语音识别专家 Frederick Jelinek
深度聚类-Deep-for-Clustering
传统的聚类方法有很多了，K-means、HAC、DBSCAN、Mean-shift等等，目前深度学习已经在分类上取得很大的成就，但是在聚类方面的效果仍是差强人意，而“聚类，才是人类真正认知世界的方式”，所以还需要继续突破，看了一些经典文章，做好记录
NLP基础知知识-努力扫盲入门的我
也许今后有机会在NLP深入探索了，说实在的，对NLP唯一的接触还是大三做hadoop/spark的时候为了结合爬虫和词云，了解一些中文分词，像是结巴分词印象就还蛮深刻的。反正，先尝试了解了解吧，干就完了！
习惯了CV的东西，一下转到看NLP，不知道是不是心理因素，还是真的思路和focus的东西不一样，感觉好容易忘哦，还是写下blog简单记录下一些小知识点，免得看了就忘的蠢事
卷积网络可视化-可解释
目前，AI已经在很多领域的各类任务中取得了优异的成绩，但是仍在很多地方受人诟病，其中最常最提及的就是其可解释性差，靠数据、模型、概率等方式训练出来的AI明显很难满足人们心中对AI的理想化，这样的方式并不elegant，与此同时，在一些特殊领域，如医学领域这类对结果极其严格的领域，其解释性更是限制了其应用（当然也限制了一些无意义的SOTA提升和灌水，所以可解释性，还是很有意义和前景的
最近看了一些关于卷积神经网络可视化的内容，觉得挺有趣的，暂做简短笔记
Few-shot Learning and Meta-Learning
未来的方向？我觉得超酷，那就尝试着去学习学习吧！
（当然有些遗憾，写了很多感慨，但是干货主要还是他人的blog哈哈，先学习吧，希望今后自己能够follow到前沿领域，然后写出有价值的东西分享给大家 :）
深度学习-图像降噪-NL-Means和BM3D
NL-Means和BM3D，是两种非常经典且一直被作为对比的传统图像降噪算法，还是蛮有意思的，看到网上好多都转载了这篇文章，确实写得很好，但是有的blog转载的不全，原文是作者的github blog，连上比较麻烦，并且以防之后没了，还是把这个好文存一下
图像降噪
老实讲，最近的心态不是特别好，有些焦虑和浮躁吧，但是怎么说呢，归根到底还是要慢慢努力，变强才是硬道理，机会你抓不住自然就会错过，但是只要我们一直努力，总还是能到下一个机会的。种一棵树，最好的是十年前，其次就是现在了，努力吧！
以上都是个人的废话，还是好好讲降噪的事情吧，因为在做电镜图像的内容，而电镜图像最突出的问题就在于：为了避免高能电子束对样品的辐照损伤，只能采用低剂量的电子束进行拍摄，而由此导致了极低的信噪比，而这极低的信噪比和目标的极高分辨率之间就是第一个矛盾，为此，可以通过大量的投影的进行复原，也就是单颗粒技术的核心思想。而如果我们能够进行高效的降噪，那么一切是不是就简单了很多呢？所以降噪还是蛮值得去探索的，这篇就是记录一些降噪有意思的内容和方向，因为是记录的个人思考过程，写的不是很专业，但是思路来源都记载了，推荐阅读原文。
Windows下查看cuda与cuDNN的版本n-Tensorflow与Pytorch
配置环境，害，咋说呢，一生之敌，却又不得不卑微地屈服
其实pytorch和TensorFlow现在的配置都很简单了，包括用Anaconda，真的非常方便，想起当时大三的时候配的那个Hadoop和Spark那才是真正的崩溃。。。不过也许只是当时自己特别憨憨吧，经过研一研二配置嵌入式之后，感觉自己的耐心好多了，而且最重要的是，心态放平了，不再那么如履薄冰了，其实没啥大不了的，大不了重装系统嘛（妈的别装了。但确实是的，配环境，认真看教程，不要看一步做一步，最好了解上下文，然后觉得靠谱了去试，错了也不打紧，有问题就去解决问题好了。
写这个简单的blog只是记录下常用的查看指令，免得每次都是要百度。。
Batch Normalization
太常见了，但是一直以为就是类似normalize，仔细查了下，感觉还是蛮有意思的，看了一些材料，做一个记录，感谢愿意分享的大佬们
Batch Normalization是神经网络训练中非常有用的神器，不仅能够减少对调参的依赖，加速训练，同时有很多改进如LN、WN等，很有意思，详情如下