zdaiot

链表

148. 排序链表

因为需要$O(nlogn)$ 时间复杂度，从而想到二分法，进一步只有归并排序满足该需求，而快速排序平均时间复杂度为$O(nlogn)$ 。对数组做归并排序的空间复杂度为$O(n)$，分别由新开辟数组$O(n)$和递归函数调用$O(logn)$组成，而根据链表特性：

• 数组额外空间：链表可以通过修改引用来更改节点顺序，无需像数组一样开辟额外空间；
• 递归额外空间：递归调用函数将带来$O(logn)$的空间复杂度，因此若希望达到$O(1)$空间复杂度，则不能使用递归。

链表借助双指针，找到中间节点slow：

基本信息

• 标题：Few-Shot Learning with Global Class Representations
• 年份：2019
• 期刊：ICCV
• 标签：global class representations, few-shot learning
• 数据：miniImageNet，Omniglot

创新点

1. 通过在训练阶段引入新类的数据，同时对基类和新类学习全局类别表征，并利用样本生成策略解决类别不均衡问题，有效防止模型在基类数据中出现过拟合的现象，从而提高了模型泛化到新类的能力。
2. 方法可以很容易的扩展到广义小样本学习（相比标准小样本学习，广义小样本学习中测试样本不仅包含新类，还包含了基类）。
3. 所提的方法在标准小样本学习与广义小样本学习的benchmark上均取得了很好的效果。并且在广义小样本学习上，性能的提升更大。

创新点来源

最近快要面试了，再刷一遍剑指Offer，看大家分享刷LeetCode和剑指Offer的时候都是有模板的，如果按照随机顺序刷，很容易忘记而且不容易总结刷题思路。所以常常把一类题放到一块一起刷。

《剑指Offer》有如下优点：

• 很可能在面试中出现原题（至少在微软面试经常能遇到原题）
• 题量少，但是涵盖的内容较全，性价比较高
• 能培养一个良好的刷题习惯

缺点是：

• 题目较少，刷着容易过拟合
• 动态规划的题比较少，因此需要在力扣上专项训练。

最近在刷leetcode的时候，经常要用到标准库，这里总结一下标准库的常见用法，用于查询使用。

queue

queue模板类的定义在<queue>头文件中。只能在容器的末尾添加新元素，只能从头部移除元素。

与stack模板类很相似，queue模板类也需要两个模板参数，一个是元素类型，一个容器类型，元素类型是必要的，容器类型是可选的，默认为deque类型。

定义queue对象的示例代码如下：

基本概念

mAP: mean Average Precision，即各类别AP的平均值

AP: PR曲线下面积，后文会详细讲解

PR曲线: Precision-Recall曲线

Precision: TP / (TP + FP)

本篇文章主要参考了TensorRT(5)-INT8校准原理，并添加了一些自己的见解。

Low Precision Inference

现有的深度学习框架，如Pytorch、Tensorflow在训练一个深度神经网络时，往往都会使用 float 32（Full Precise ，简称FP32）的数据精度来表示，权值、偏置、激活值等。若一个网络很深的话，比如像VGG，ResNet这种，网络参数是极其多的，计算量就更多了（比如VGG 19.6 billion FLOPS, ResNet-152 11.3 billion FLOPS）。如果多的计算量，如果都采用FP32进行推理，对于嵌入式设备来说计算量是不能接受的。解决此问题主要有两种方案：

1. 模型压缩、剪枝。在这里不做讨论。
2. 在部署推理时（inference）使用低精度数据，比如INT8。当然训练的时候仍然采取FP32的精度。

下面从经验上分析低精度推理的可行性。

创新点

1. 对于WIDER FACE数据集，手动标记五个landmark坐标，这种额外监督信息对于hard face detection的性能提升有巨大的作用。
2. 在已有的监督分支下，并行的新增了一个额外的自监督mesh decoder分支，用于预测pixel-wise 3D shape人脸信息。
3. 基于单阶段目标检测框架，提出了一种新的人脸检测方法RetinaFace，该方法采用多任务学习策略来同时预测face score、face box、five landmarks以及每个人脸像素的三维位置和对应关系
4. 在WIDER FACE hard测试集中，RetinaFace的AP比现有的最好方法提升了1.1%，达到了91.4%。
5. 通过使用轻量级的backbone，对于VGA分辨率的图片，RetinaFace能够在单CPU下实现real-time的速度。

基础知识

face localisation定义

狭义上的face localisation的定义是传统意义上的face detection。广义上的face localisation包括了face detection、face alignment、pixel-wise face parsing、3D dense correspondence regression。

对于C/C++程序，编译主要分为三个步骤：

1. 源文件进行预处理，这个过程主要是处理一些#号定义的命令或语句（如宏、#include、预编译指令#ifdef等），生成*.i文件
2. 进行编译，这个过程主要是进行词法分析、语法分析和语义分析等，生成*.s的汇编文件；
3. 进行汇编，这个过程比较简单，就是将对应的汇编指令翻译成机器指令，生成可重定位的二进制目标文件。

通常情况下，对函数库的链接是放在编译时期（compile time）完成的。所有相关的对象文件 （object file）与牵涉到的函数库（library）被链接合成一个可执行文件 （executable file）。 静态链接和动态链接两者最大的区别就在于链接的时机不一样，静态链接是在形成可执行程序前，而动态链接的进行则是在程序执行时。下面来详细介绍这两种链接方式。

静态链接

为什么要进行静态链接

DALI库是一个用于数据预处理以及数据读取的第三方加速库。最近因为调用这个库的时候会出问题，所以重新编译了一下，这里记录下编译的过程。

首先，DALI库的官方地址，官方文档地址，因为我这里使用的是旧版本的DALI库——0.11版本，其编译文档可以在这里找到，一般来说，直接按照流程编译是没有问题的，但是对于没有Root权限情况下的编译，就有点麻烦了。下面介绍一下：

首先，下面的编译条件要满足，尤其是对于GCC版本，我编译的使用使用了GCC4.9.2。

值得注意的是，对于上面的编译条件，有一个通常不满足，那就是FFmpeg库，按照官方文档里面的指示，可以从这里下载FFmpeg安装包，我这里将安装包放到了/data2/zhaodali/software下，然后执行下面操作：

本篇文章主要参考了TensorRT(1)-介绍-使用-安装，并加上了一些自己的理解。

简介

TensorRT是一个高性能的深度学习推理（Inference）优化器，可以为深度学习应用提供低延迟、高吞吐率的部署推理。TensorRT 之前称为GIE。

由上图可以很清楚的看出，训练（training）和 推理（inference）的区别：