序 最近在准备算法岗的面试, 就到处翻翻各种ML, DL相关的笔面试题, 看到这个深度学习一百问, 权作复习和分享使用了, 但是因为原作的知识点过于简单冗余, 就把其他准备的ML相关的知识整合写作一百个tips了。DL在前，ML在后
序 GAN是当下效果较为突出的一种生成模型，但历史工作表明GAN在训练过程中很不稳定，同时对于超参和架构的设置十分敏感，导致实际使用GAN生成的样本难以保证能稳定输出高质量的样本，同时生成样本有比较严重的模式崩塌(mode collapse)的问题。本文主要阐述一系列尝试通过引入集成学习的工作，通过某种特定的策略来综合多个模型来稳定GAN的训练过程。
序 本文主要对ECCV 2018上的GAN文章Abstract的内容进行一次汇总，一般不对方法论进行具体阐述，仅为一目录使用。[Abstract翻译(雾)]
序 这次要阐述的工作是来自于CVPR2018中李飞飞组关于预测行人运动轨迹的工作，通过结合GAN和Sequence Prediction来帮助提高预测效果。由于受限于笔者阅读面窄，对这方面的早期工作不甚了解，就全盘接受本文对早期工作介绍的观点了。
序 GAN作为火热的生成模型方法之一，在大量产出的相关论文工作中却很少能看到令人信服的道理来说明谁比谁优越，反而大部分都是用几张不知道哪里采样来的图片来硬点自己就是有过人之处，也不知道model的hyperparameter挑了多久，找了多久的图片……GAN的目标是为了能够生成high quality的样本，同时不失diversity。前面的文章其实提到了，这两个目标就像查全率查准率一样难以同时兼顾，同时造成了难以制定一个好的标准来说明某一特定GAN model的performance。
序 生成式对抗网络（Generative Adversarial Networks），这是一个多网络对抗的生成模型，它几乎能在所有深度学习需要生成的场景中得到使用（尤其是图形、语音等复杂分布的生成的任务中表现很好）。
高德的SDK相对百度来说，接口更多，国内使用的范围也更大。但个人感觉其开发文档很多地方说的不够详细，甚至是错误的，不方便大家进行开发，只能靠社区来自救。
onHiddenChanged这个方法可以用来在切换Fragment的时候，进行一些即时的操作（如改变后要刷新、保存等）。拿共享Fragment的数据来说，轻量级的东西可以通过局部变量来设置getter and setter，然后在另一个fragment中通过manager获取另一个fragment的实例（都被add进去了），但比较繁琐的数据可能需要保存到文本或者懒加载的时候，这个方法就派上用场了。
在Android4.0系统中，创建菜单Menu，通过setIcon方法给菜单添加图标是无效的，图标没有显出来，2.3系统中是可以显示出来的。这个问题的根本原因在于4.0系统中，涉及到菜单的源码类 MenuBuilder做了改变，该类的部分源码如下：