2021-01-08 21:13:23

new/master-cv-tf-2x/1.md

@@ -198,7 +198,7 @@ plt.imshow(blurimg, cmap='gray')
 
 这使图像模糊，并且通过施加其端值不改变正负号并且值没有明显不同的像素来执行。
 
-图像过滤通常是通过在图像上滑动框式过滤器来完成的。 框式过滤器由![](img/11102a8a-ac60-4891-a6c5-7a65b8be0d2b.png)内核除以（`n * m`）表示，其中`n`是行数，`m`是行数。 列。 对于`3 x 3`内核，其外观如下：
+图像过滤通常是通过在图像上滑动框式过滤器来完成的。 框式过滤器由`n x m`内核除以（`n * m`）表示，其中`n`是行数，`m`是行数。 列。 对于`3 x 3`内核，其外观如下：
 
 ![](img/0c05bd39-f5fe-4732-a9cb-a1069c5ba3bc.png)
 
@@ -234,7 +234,7 @@ plt.imshow(blurimg, cmap='gray')
 
 ![](img/1f94c969-7cfa-47c5-ad36-b647823119f5.png)是分布的标准偏差，`k`是仁大小。
 
-对于`1`的标准偏差（![](img/1f94c969-7cfa-47c5-ad36-b647823119f5.png)）和`3 x 3`内核（`k` = `3`），高斯内核看起来如下：
+对于`1`的标准偏差（`σ`）和`3 x 3`内核（`k = 3`），高斯内核看起来如下：
 
 ![](img/163fa9bd-123f-4a74-bc86-b4aab3df4ac9.png)
 

new/master-cv-tf-2x/2.md

@@ -22,7 +22,7 @@ LBP 模式生成的主要步骤如下：
 1.  将 RGB 图像`A`转换为灰度图像`G`。
 2.  对于图像`G`中每个具有强度`I[c](x, y)`的像素，选择`P`相邻点（`p[0], p[1], ...,  p[P-1]`），其半径`[I[0], I[1], ..., I[P-1]`具有相应的强度。`R`。 半径以像素为单位定义为两个像素之间的差。 像素和相邻点代表图像`G`的滑动窗口`W`。对于半径`R = 1`，`P`变为 8，如下所示。
 
-滑动窗口`W[0]`用![](img/da8626a4-00d9-4c10-8f2c-bc2209a48071.png)表示为数组。 在这里，点 0 到`P-1`代表围绕中心像素`c`的`P`个点的强度：
+滑动窗口`W[0]`用`W[0] = [I[c], I[0], I[1], I[P-1]]`表示为数组。 在这里，点 0 到`P-1`代表围绕中心像素`c`的`P`个点的强度：
 
 ![](img/3c396842-2d8a-4e8d-a972-a44ad6f954ae.png)
 
@@ -108,7 +108,7 @@ intersection = np.true_divide(np.sum(minima),np.sum(train_hist))
 
 ![](img/030dc965-f4e1-4340-9941-aa55417eef52.png)
 
-*   给定![](img/79d6a348-1318-4d33-acaa-1a7b185719ee.png)和![](img/43db7d87-5862-4a14-bc63-6da464c3589d.png)，此处![](img/7ee049d5-a1cd-43b9-ad01-9b0cac524a36.png)是分布的平均值（第一矩），![](img/d7367661-5eb7-435e-a253-f3dd4aacae81.png)（第二矩）是分布的标准偏差，而`ρ[QQ]`为两个分布![](img/c13f9176-f24f-45fb-bd03-540b2b037683.png)和![](img/05a61ab6-3829-4d26-944a-13e5303f8d58.png)的分位数彼此之间的相关性。
+*   给定`W_test = N(μ_test, σ_test)`和`W_train = N(μ_train, σ_train)`，此处`μ`是分布的平均值（第一矩），`o`（第二矩）是分布的标准偏差，而`ρ[QQ]`为两个分布`W_test`和`W_train`的分位数彼此之间的相关性。
 
 ![](img/a8f2cc2a-5808-42d4-a6fb-34a34ecb4f21.png)
 

new/master-cv-tf-2x/5.md

@@ -488,9 +488,9 @@ GAN 的一些实际用例如下：
 
 以下方程式描述了图形的关键参数：
 
-*   ![](img/e1ad9293-3541-47f9-b719-104e426e2c49.png)
-*   ![](img/a0dfdc47-9fdc-4c5e-b7f4-03f58d4f9c1e.png)
-*   ![](img/fef4d23c-d11f-457b-8672-8508807cbc9a.png)
+*   `H = (N, E)`
+*   `N = {n[1], n[2], n[3], ...}`
+*   `E ⊆ N x N`
 
 将图转换为由节点，边和节点之间的关系组成的向量的过程称为图嵌入。 嵌入向量可以由以下等式表示：
 
@@ -525,7 +525,7 @@ GAN 的一些实际用例如下：
 
 *   `g[θ]`为过滤器参数，也可以视为卷积权重
 *   `x`为输入信号
-*   `U`为标准化图拉普拉斯![](img/747421bf-3b58-478d-aae6-1ac114dcfa84.png)的特征向量矩阵
+*   `U`为标准化图拉普拉斯`L = I[N] - D^(-1/2) A D^(-1/2) = U Λ U^T`的特征向量矩阵
 
 Kipf 和 Welling（在其文章《使用图卷积网络进行半监督分类》中）进一步简化了此方法，以解决诸如以下这样的过拟合问题：
 
@@ -535,7 +535,7 @@ Kipf 和 Welling（在其文章《使用图卷积网络进行半监督分类》
 
 ![](img/ebf8c173-2d34-40e8-a64d-cd314435d1fd.png)
 
-在此，![](img/98d82347-26a0-4b88-a4d7-df8a449666a4.png)代表激活功能。
+在此，`σ`代表激活功能。
 
 下图说明了 GNN 的架构：
 
@@ -563,11 +563,11 @@ GNN 层汇总了来自其邻居的特征信息，并应用 ReLU 激活，合并
 
 以下列表描述了上述方程式的关键特征：
 
-*   ![](img/ba081d08-b2e6-44f6-85dc-e6de2c6b59c7.png)是旧值
-*   ![](img/7ca176a2-3a18-4863-a287-0d7de4774617.png)是学习率
-*   ![](img/54c800e6-3596-471a-8551-423b9ed77641.png)是在立即奖励和预期延迟奖励之间进行折衷的折扣因子，α是学习率
-*   ![](img/eaf0a9b1-52bd-4265-a9fb-9050cbe1695c.png)是奖励
-*   max ![](img/6c4f9451-4fcf-4ff3-ac93-f200fe4f9d8e.png)是学习值
+*   `Q(s[t], a[t])`是旧值
+*   `α`是学习率
+*   `γ`在立即奖励和预期延迟奖励之间进行折衷的折扣因子，α是学习率
+*   `r[t]`是奖励
+*   最大的`Q(s[t+1], a)`是学习值
 
 由于`Q`学习包括对估计的动作值的最大化步长，因此它倾向于高估值。