1、禁止使用一个裸指针创建多个智能指针
先看下如下的代码，会有什么样的问题呢？没错，ptr_1和ptr_2均使用裸指针(raw pointer)，指向同一块内存，但它们彼此不相知。
当ptr_2作用域结束时，它会delete关联的裸指针(raw pointer)，然后ptr_1的指针就会悬空，成为一个非法值。
同理，当ptr_1作用域结束时，它会delete关联的裸指针(raw pointer)，然后ptr_2的指针就会悬空，成为一个非法值。
2. 禁止从栈对象创建shared_ptr
看下面一段代码：
shared_ptr要求与它关联的内存来自[……]
Read MoreISSUE
从数据集(Dataset)中构造神经网络输入时，遇到同一维度的的Feature元素个数不同的问题，比如:
$$
\text{features} = [[1, 2, 3], [4, 5], [1, 4, 6, 7]]
$$
这种变长的Feature数据在Tensorflow中是不被支持的，当尝试将变长的list转换为Tensor时:
会有如下的报错:
解决的方法就是把各个维度补齐，根据不同的目的补齐的方法不同，常见的就是补零或者重复最后一个元素。
补零(Padding With Zeros)
输出:
重复最后的元素(Re[……]
Read MoreArgoverse数据集是由Argo AI、卡内基梅隆大学、佐治亚理工学院发布的用于支持自动驾驶汽车3D Tracking和Motion Forecasting研究的数据集。数据集包括两个部分：Argoverse 3D Tracking与Argoverse Motion Forecasting。
Argoverse数据集包含LiDAR数据、$360^{\circ}$ RGB视频数据、前向双目数据、6 DOF的定位数据以及高精地图的数据，所有的数据都跟高精地图数据进行过配准。
Argoverse是第一个包含高精地图的数据集，它包含了290KM的带有几何形状和语义信息的高精地图数据[……]
Read More在机器翻译(Neural Machine Translation)中，Seq2Seq模型将源序列映射到目标序列，其中Encoder部分将源序列编码为Context Vector传递给Decoder，Decoder将Context Vector解码为目标语言的序列。
在输入序列很长的情况，在预测目标序列的时候，Attention机制可以使得Model能够将注意力集中在关键的相关词上，从而提升机器翻译模型的效果。
Bahdanau Attention
Bahdanau Attention的公式如下:
$$
\operatorname{score}\left(\bol[……]
在实际应用中需要对路径或者曲线进行重采样，重采样的过程就是”曲线拟合->重采样曲线点”的过程。
1.待解决问题
如下一系列点组成的曲线，我们需要对曲线进行拟合重采样。
2. 拟合重采样过程遇到的问题
下面的方法都不Work!!
2.1 Cubic Interpolation
2.2 Cubic Spline Interpolation
Always Fail (ValueError: Error on input data)
原因: 函数要求x严格从小到大有序。
2.3 Parametric Spline Inte[……]
Read MoreSocial LSTM论文中有一张展示行人运动轨迹概率分布的效果图，今天抽空研究下如何用Python可视化二维高斯分布(Gauss Distribution)。
可视化二维高斯分布(Gauss Distribution)本质上是以2D方式展示3D数据(第三维是概率密度)，Python中四个matplotlib函数(plt.contour()、plt.contourf()、plt.imshow()、plt.pcolormesh())可以帮助我们完成这一目标。
1. 简单的示例
先引入必要的python依赖文件。
1.1 目标函数
目标函数将平面坐标(x,y)[……]
Read More最近在研究论文-Social LSTM: Human Trajectory Prediction in Crowded Spaces, 先从最基本的RNN模型入手看看效果。
本文代码已经上传到Github:
https://github.com/YoungTimes/GNN/blob/master/Social-LSTM/train.py
行人轨迹数据集
数据集来源自[1]，每个数据目录包含一个pixel_pos.csv文件，它的文件格式如下:
pixel_pose.csv包含4行，它的列数是所有行人轨迹点的数量。
第一行是所有的Frame Number；
第二[……]
Read More最近重装系统的频率明显升高…
开机关机之后，Ubuntu系统的界面变的异常卡顿，根据上次的经验，应该是显卡驱动又出问题了…
输入:
nvidia-smi
输出:
NVIDIA-SMI has failed because it couldn’t communicate with the NVIDIA driver. Make sure that the latest NVIDIA driver is installed and running.
多次重装Nvidia驱动->重启，依然无法解决。这次不想再重装系统，在网上找到如下解决方案:
1.[……]
Read More问题：短期记忆
反向传播(Back Propagation)是一种与最优化方法(比如梯度下降方法)结合、用来训练人工神经网络的常见方法。该方法对网络中所有权重计算损失函数的梯度，然后将梯度反馈给最优化方法，用来更新网络权重以最小化损失函数。
在神经网络中一个典型的问题就是梯度消失(Gradient Vanishing)的问题，其原因在于是随着神经网络层数的加深，梯度逐渐减小甚至接近0，当梯度变的非常小的时候，就不能为学习提供足够的信息。
Recurrent Neural Networks(递归神经网络，RNN)也存在梯度消失的问题，当输入的序列足够长时，RNN前期的层通常[……]
Read More本文完整代码和数据已经上传到Github.
https://github.com/YoungTimes/GNN/tree/master/GAT
1. GCN的另一个缺陷
GraphSAGE通过采样邻居的策略解决了GCN只能采用Full Patch训练的问题。在GAT中指出了GCN的另外两个缺点：
1) 无法为不同的Neighbor节点指定不同的权重，也就说GCN对于同阶邻域上的不同邻居分配的权重是完全相同的，这限制了GCN模型对于空间信息相关系的捕捉能力；
2) GCN聚合临近节点特征的方式与图(Graph)的结构密切相关，这限制了训练所得模型在其它图(Graph)结构上[……]
Read More