“外积”和“外积”-Outer Product和Exterior Product

这是两个经常会搞混的概念,主要是因为Outer Product和Exterior Product翻译成中文都是“外积”。 甚至连Wikipedia的页面上也把两个搞错了(我已经修改过来了)。 Outer Product是线性代数中的外积(WikiPedia: Outer Product)。也就是张量积 : 而Exterior Product是解析几何中的外积(WikiPedia: Exterior Algebra),又叫叉乘(WikiPedia: Cross Product)。即两个向量的法向量: 这个翻译错误已经出现很久了。。甚至在好多教科书里都有。

Keras中关于Recurrent Network的Padding与Masking

在使用RNN based model处理序列的应用中,如果使用并行运算batch sample,我们几乎一定会遇到变长序列的问题。 通常解决变长的方法主要是将过长的序列截断,将过短序列用0补齐到一个固定长度(例如max_length)。 最后由n个sample组成的dataset能形成一个shape == (n, max_length)的矩阵。然后可以将这个矩阵传递到后续的模型中使用。 然而我们可以很明显,如果用0或者其他整数补齐,势必会影响到模型自身(莫名其妙被输入很多个0,显然是有问题的)。有什么方法能够做到“能够使用一个二维矩阵作为输入数据集,从而达到并行化的同时,还能让RNN模型自行决定真正输入其中的序列的长度”。 和其他很多框架一样,Kears提供了Masking的方法。这个方法要配合Embedding层使用。我们先来看一下Embedding的文档: Embedding Arguments input_dim:

[读论文]Visual Translation Embedding Network for Visual Relation Detection

Metadata 文章标题: Visual Translation Embedding Network for Visual Relation Detection 作者: Hanwang Zhang, Zawlin Kyaw, Shih-Fu Chang, Tat-Seng Chua 文章发表: CVPR 2017 下载地址: CVPR 2017, arXiv 2017.02 Intro 这篇文章的主要目标是从图片中抽取一些实体之间的相互关系。例如下面这张图: 这篇文章提出了一个叫做VTransE (Visual