Academic Knowledge Base
使用 Typst 写作的个人学术知识库。
Notes
- Convolutional Neural Networks
卷积神经网络的基础结构 - 扫描笔记
手写笔记扫描版 PDF 预览与下载 - 0. 本章核心目标：从线性分类器走向视觉神经网络
线性分类器只能学习线性决策边界，无法处理 XOR 等非线性模式；MLP 通过隐藏层和非线性激活函数提升表达能力，但对图像直接全连接会导致参数量巨大；CNN 进一步利用图像的局部性、平移共享和空间结构，大幅减少参数并学习局部视觉特征。** - Vision Transformer
Vision Transformer 将图像切分为 patch，并把 patch 当作 token 输入 Transformer。 - Week 04: Features & Matching 学习笔记
本章的核心目标不是单纯“检测边缘”或“找角点”，而是建立一条完整的传统视觉匹配流水线：从图像中的局部变化出发，提取可重复、可区分的局部锚点，再用描述子进行跨图像匹配，最后用几何一致性过滤错误匹配。课件前半部分从 Sobel、Canny、Co - Week 10 学习笔记：Generative Models, 3D Reconstruction and Frontiers
// @order: 999 - Week 5: Machine Learning Basis 复习笔记
// @order: 999 - Week 7：Optimization of CNNs 学习笔记
// @order: 999 - Week 8：Recurrent Neural Networks and Transformer
// @order: 999 - Week 9：Detection & Segmentation 核心脉络
本章要解决的核心目标是：让视觉模型从 image-level recognition 走向 spatial understanding。也就是说，不只是回答“图里有什么”，而是回答“在哪里”“每个像素是什么”“每个实例是谁”“模型为什么这么 - Attention Mechanism
Transformer 中注意力机制的基础笔记 - 扫描笔记
手写笔记扫描版 PDF 预览与下载 - Lecture 10: Diffusion Models 逻辑主线
本章的核心目标是回答一个问题： - Lecture 11 Deep Reinforcement Learning 学习笔记
// @order: 999 - Lecture 12 / Lecture 11: Generative Adversarial Network, GAN
// @order: 999 - Lecture 3 总体进化树
x → h = f(x; θ) → P(y | h) - Lecture 4 学习笔记：Convolutional Neural Networks, CNN
// @order: 999 - Lecture 5 学习笔记：Recurrent Neural Networks
// @order: 999 - Lecture 7 总体主线：从序列建模到通用表示学习
本章的核心目标不是单纯介绍 Transformer，而是讲清楚一个更大的技术演进： - Lecture 8: Large Language Models 学习笔记
// @order: 999 - Lecture 9 Variational Autoencoder and Diffusion Models
Autoencoder 用确定性压缩学习表示 → VAE 把 latent space 概率化，使 decoder 可以采样生成 → VQ-VAE 把 latent 离散化 → DDPM 不再直接学习一个低维 latent，而是学习“逐步加 - 表示学习
表示学习关注如何把原始对象 $x$ 映射到适合下游任务的向量空间 $z = f_theta(x)$。 - Linear Algebra
机器学习常用线性代数概念 - 扫描笔记
手写笔记扫描版 PDF 预览与下载 - Transformer 注意力
自注意力把序列中每个 token 的表示更新为其他 token 表示的加权和。 - Transformer Attention
这是一个示例概念卡片，用来展示裸 `[[Transformer Attention]]` 链接的默认落点。 - 扫描笔记
手写笔记扫描版 PDF 预览与下载 - Social Information Network
这个目录用于整理社会信息网络相关课程笔记、概念卡片和手写扫描资料。