细语呢喃

继vectornet之后，Waymo 行为预测的paper：《TNT: Target-driveN Trajectory Prediction》

Overview

这是一篇来自Uber行为预测的文章。

和VectorNet类似，没有用语义地图来对网络进行encode，而是提出了LaneGCN，它使用多个邻接矩阵扩展图的卷积操作，并沿车道进行尺度扩张。为了能够获取复杂车辆和地图的交互，提出了融合网络fusion network进行建模，它包括actor-to-lane, lane-to-lane, lane-to-actor 和 actor-to-actor。

这篇paper提出的方法在Argoverse数据集上取得了SOTA的效果。

Waymo 行为预测的paper：《VectorNet: Encoding HD Maps and Agent Dynamics From Vectorized Representation》

今天去看了《数码宝贝-最后的进化》，写一下感想

注意：本文有剧透。

剑指 Offer的题解，更新中

阮一峰说，喜欢写Blog的人，会经历三个阶段：

第一阶段，刚接触Blog，觉得很新鲜，试着选择一个免费空间来写。

第二阶段，发现免费空间限制太多，就自己购买域名和空间，搭建独立博客。

第三阶段，觉得独立博客的管理太麻烦，最好在保留控制权的前提下，让别人来管，自己只负责写文章。

我现在大概就是处在第三的阶段，一开始我用CSDN写，后来感觉有时候还经常挂掉，页面也不好看，就改成了wordpress；工作后，写blog的时间更少了，而wordpress不支持markdown, 每次我都要用pandoc将markdown转成html，然后在复制进去，维护困难，时间一久就没写blog的兴趣了；而且国外的服务器访问也比较慢（还要花钱），于是近期就转成了hexo，感觉挺好，因此记录下wordpress转成hexo的过程。

BERT英文全称是：Bidirectional Encoder Representations from Transformers，即双向Transformer的encoder。

BERT提出的时候刷新了11项NLP任务的记录，可以说开创了一个新的时代。

在transformer提出前，比如做机器翻译，常用的是seq2seq的模型。这类模型以RNN作为基本的结构，每一个时刻的输入依赖于上一个时刻的输出，难以并行化计算（当然也可以用CNN来做，如textCNN，CNN可以比较好的做到并行）；此外，RNN容易忘记较早看到的信息，尽管有LSTM、GRU使用门的机制来缓解这个问题，但对于特别长的句子，仍旧是有问题的。Transformer的提出正是解决了上述两个问题。

本文主要介绍大名鼎鼎的“word2vec”。word2vec顾名思义，就是将词表示为一个向量，表示出的向量可以运用在各种各样的任务上。可以说，在BERT等模型诞生前，这个词向量的表示方法是最为流行的方法之一。

本文主要包括：

• Onehot vs 分布式表示
• CBOW和skip gram
• Huffman改进
• 负采样
  阅读全文 »

本文是leetcode博弈论的题解