• 数论
  • ‘-常量’

我们之前在《琴弦上的数学危机》中讲过，公元前5世纪的毕达哥拉斯学派很有可能在研究五边形的内接五角星时发现了无法公约的数，也就是发现了无理数。而且这个无理数在今天已经非常为人熟知了，它就是黄金分割。

黄金分割最简单的表述，就是将已知线段分割成长短两段，使得原线段与长线段的长度的比值，等于长线段与短线段的长度的比值，有了今天的代数工具，这个结果实在容易计算。

但由于古希腊的数学与几何相当割裂，黄金分割不能计算，被称为“中末比”收录在《几何原本》里。而到文艺复兴，达芬奇有个好朋友，数学家卢卡·帕西奥利（Luca Pacioli，1445 -1517）修士，在整理《几何原本》的时候被带有黄金分割的几何结构深深吸引了，将它誉为“神圣比例”（De divina proportione）。

扩展阅读

• 黄金分割的妙处 - 混乱博物馆 讲的很好，都听不懂
  ��的很好，都听不懂

初等微积分，高等微积分，考虑的是函数。
要对函数性质分类，引进实数轴上点积。

初等微积分已经学习到，连续性是很重要的性质。

• 局部限制操作：微分。微分不具有稳定性
• global操作：积分。 积分具有稳定性(函数稍微变一下，积分变化不大)

为什么物理一开始偏向与微分的思想？

微分比积分难？为什么

既然微分难，那么倾向于把微分用积分来表示。

如何微分用积分来代表？如何联系？

Integration by parts

跟傅里叶级数什么关系？

唯一性(uniquess):

黎曼积分，什么鬼？

Lebegus积分什么鬼

有比较好的limit性质

积分、微分 都用对函数分类的？

热力学 boltzman

热力学第一定律：能量不变、
第二定律：熵增

boltman确信原子是存在的，化学还有很多虽然用原子的概念，但是他们认为原子只是个概念，是个设计，是个device，是人想象的而已。

其他人不信，他自杀。

布朗运行

物理学中很多函数是漂亮的，好看的。

最大的发现是布朗运动，自然现象的函数不一定是好的，也有杂乱无章的。

分析布朗运动，用

我的疑问：是不是宏观上漂亮，微观上都很猥琐、混乱？

20世纪最重要的数学 probability theory

比如通信的传递

基础

实数

一个实数的集合，如果有上界，就会有最小的上界。
如果有下界，就会有最大的下界。

蒙圈

Bolzano weiestrass 什么鬼？

卧槽，这俩我都不知道哎

线性代数

扩展阅读

• 讲的很好，大师

挺有意思

https://github.com/bubkoo/logo.svg

背景

有些markdown支持流程图、时序图，比如马克飞象。

实际上，这部分的渲染并非markdown引擎(后端渲染)做的，而是采用的第三方前端渲染引擎。其原理类似公式渲染引擎mathjax。

因此，这种流程图和时序图很容易嵌入到hexo博客中，而且已经有了相关的插件。

流程图

• 渲染引擎：flowchart.js
• 相关的hexo插件: hexo-filter-flowchart

时序图:

提示：想了解更多，请查看流程图语法以及时序图语法。

Alice->Bob: Hello Bob, how are you? Note right of Bob: Bob thinks Bob-->Alice: I am good thanks!{"scale":1,"line-width":2,"line-length":50,"text-margin":10,"font-size":12,"theme":"simple"}浏览器->Cloudflare: 加密数据 Cloudflare-->web服务器: 明文{"scale":1,"line-width":2,"line-length":50,"text-margin":10,"font-size":12,"theme":"simple"}st=>start: Start e=>end op=>operation: My Operation cond=>condition: Yes or No? st->op->cond cond(yes)->e cond(no)->op{"scale":1,"line-width":2,"line-length":50,"text-margin":10,"font-size":12,"theme":"simple"}

https://github.com/bubkoo/hexo-filter-sequence

挺好

• web
• blog-framework
• nodejs-hexo
• plugin
• ‘1’

• 匈奴
• 倭寇
• 汉人 - 发源于西汉吧？

目前大部分的object detection的模型都基于anchor，尤其是one-stage的detector。使用anchor有以下缺点：

1. 通常需要大量的anchor，因为需要判断anchor是否与GT有较大的overlap，所以需要大量的anchor来保证覆盖所有的GT。大量的anchor其实只有少部分和GT相重叠，正样本和负样本的不平衡会影响训练！
   anchor的使用引入了大量的参数和设计（先验），包括anchor的数量，大小，比例等（虽然这样可以生成较多的multi-scale和multi-ratio的region proposals）。当面临multi-scale architecture的时候会变得非常复杂，因为需要设计每个scale的anchor
   作者提出了一种全新的将anchor扔掉的detector，将object的检测简化为两个关键点（bounding box的两个端点,corner）的检测。

扩展阅读

• https://zhuanlan.zhihu.com/p/41759548

背景 & 简介

定义

1
2

实现

扩展阅读

• PyObject 2.7