我们开发了微信跳一跳Auto-Jump算法，重新定义了玩跳一跳的正确姿势，我们的算法不仅远远超越了人类的水平，在速度和准确度上也远远超越了目前已知的所有算法，可以说是跳一跳界的state-of-the-art.

这里整理出一份清单来梳理所有的神经网络架构。其中大部分是人工神经网络，也有一些完全不同的怪物。尽管所有这些架构都各不相同、功能独特，当我在画它们的节点图时……其中潜在的关系开始逐渐清晰起来。

1.蒙特卡洛方法 2.差分时序法 3.泛化策略迭代

本文有三部分： Part I: Introduction of Convergence Rate (informal) Part II: Sublinear Convergence & Linear Convergence & Quadratic Convergence Part III: Example Convergence Rate of GD under Convex, Strong Convex, Non-Convex

SGD 是如何在用较低的 Computational Complexity （一般可以大概理解成，达成目标需要计算 Gradient 的次数）的同时还能保证比较好的训练效果。

单应性知识

「张氏标定法」是张正友博士在1999年发表在国际顶级会议ICCV上的论文《Flexible Camera Calibration By Viewing a Plane From Unknown Orientations》中，提出的一种利用平面棋盘格进行相机标定的实用方法。该方法介于摄影标定法和自标定法之间，既克服了摄影标定法需要的高精度三维标定物的缺点，又解决了自标定法鲁棒性差的难题。标定过程仅需使用一个打印出来的棋盘格，并从不同方向拍摄几组图片即可，任何人都可以自己制作标定图案，不仅实用灵活方便，而且精度很高，鲁棒性好。

RCNN算法分为4个步骤 1.候选区域生成： 一张图像生成1K~2K个候选区域 （采用Selective Search 方法） 2.特征提取： 对每个候选区域，使用深度卷积网络提取特征 （CNN） 3.类别判断： 特征送入每一类的SVM 分类器，判别是否属于该类 4.位置精修： 使用回归器精细修正候选框位置

图模型：图模型是由图结构构成的，其中节点表示随机变量，边表示变量之间的依赖关系。 贝叶斯网络：是有向图模型，每个节点都有一个相关的条件概率分布。 马尔可夫网络：是无向图模型，每个团都有一个相关的势函数。 条件独立：根据图中节点的连接方式，我们可以写出这种形式的条件独立陈述：「给定 Z，则 X 与 Y 相互独立」。 参数估计：根据给定的一些数据和图结构来填充 CPD 表或计算势函数。 推理：给定一个图模型，我们希望解答有关未被观察的变量的问题，这些问题通常属于以下问题范围：边际推理、后验推理和 MAP 推理。 在一般图模型上的推理的计算非常困难。我们可以将推理算法分成两大类——精准推理和近似推理。无环图中的变量消除和置信度传播是精准推理算法的例子。近似推理算法对大规模图而言是必需的，而且通常属于基于采样的方法或变分法。

HMM、MEMM、CRF