本文翻译自： 《Scopes and when to use them》， 如有侵权请联系删除，仅限于学术交流，请勿商用。如有谬误，请联系指出。

本文翻译自： 《Understanding static and dynamic shapes》， 如有侵权请联系删除，仅限于学术交流，请勿商用。如有谬误，请联系指出。

语义标签指的是通过特殊方式使得样本的标签具有一定的语义信息，从而实现更好的泛化，是解开放集问题（open set）和zero-shot问题中的常见思路。如有谬误请联系指出，本文遵守CC 4.0 BY-SA版权协议，转载请联系作者并注明出处，谢谢。

这个系列主要是对深度学习中常见的各种层的反向求导细节进行学习和介绍，并且辅以代码予以理解，本章介绍的是池化层，包括有max_pooling和avg_pooling，考虑到其stride的变化，其反向求导的细节也颇具有价值进行深究。如有谬误请联系指出，谢谢。

这个系列主要是对深度学习中常见的各种层的反向求导细节进行学习和介绍，并且辅以代码予以理解，本章介绍的是卷积层，考虑到不同通道之间的转换并且不同的stride，padding等，卷积层的反向求导研究起来也是颇有意思的。如有谬误请联系指出，谢谢。

我们经常会谈到“业务”一词，作为在互联网圈混的我们，也经常会听到“技术赋能业务”这一概念。笔者作为刚毕业时间不满一年的职场新人，在学校（包括在实习的时候，见[1]）时期接触最多的是技术相关的内容，对“业务”这一概念其实没有太多的认识，对于技术如何给业务“赋能”更是完全没有头绪。笔者从实习开始到工作到现在也接近一年多时间了，在此尝试去理解什么是业务，以及技术如何支持业务，赋能业务。

笔者最近在做和motion capture动作捕捉相关的项目，学习了一些关于人体3D mesh模型的知识，其中以SMPL模型最为常见，笔者特在此进行笔记，希望对大家有帮助，如有谬误，请在评论区或者联系笔者指出，转载请注明出处，谢谢。

近期在看Shift-GCN的论文[1]，该网络是基于Shift卷积算子[2]在图结构数据上的延伸。在阅读源代码[3]的时候发现了其对于Non-Local Spatial Shift Graph Convolution有意思的实现方法，在这里简要记录一下。

本文翻译自《Up-sampling with Transposed Convolution》，这篇文章对转置卷积和反卷积有着很好的解释，这里将其翻译为中文，以飨国人。

笔者在前文 [1] 中曾经介绍过一种大规模图文匹配模型BriVL，该模型基于海量数据进行对比学习预训练，从而可以实现很强的多模态建模能力。WenLan 2.0是该工作的后续探索，本文尝试简单对其进行笔记。