可以啊，视频编解码协议不像其他技术更新那么快，现在常用的协议 h264 都 n 年前的了，但是领域也比较窄，招视频编解码的来来去去就那么几家，你说的结合深度学习的研究，应该是帧间预测，帧内预测吧，最后视频还是要编码之后传输。

最简单的 color histogram

正在英国读一年制的硕士，说下我的看法。

和北美比，确实比较水身边有部分同学只是为了水个硕士学历，回国后在大城市落户，或是考公，考教师，所以更看重排名。对于想留下来工作的，除了 G5 ，基本就差不了多少了。个人建议，选择学校专业时，多去了解下项目，身边很多印度同学因为项目带有 placement year 而放弃排名更高的学校。

留下来确实挺难的，毕竟一年时间，根本没能陪能培养出深厚的感情（说走就走，没什么太留恋的）。二来，岗位相比北美少了不少，而且从你入学开始就要开始规划后面的实习。

你截图的两所学校感觉差别不大，但 QMUL 计算机稍强一点（ csranking ）。国内更看重排名，而且 leeds 也更知名点，抛开排名看，还有很多因素需要考虑，我觉得最重要的还是硕士项目本身，有的项目说真的很水，需要自己去查项目具体包含什么课程，还有是否有 placement year （英国），个人认为有 placement year 的项目含金量更大一点，这也是我自己当初选择学校所没有考虑的，好好利用 placement year 找一份好工作。其他因素就还有学费，地理位置等。

个人总结下，两所学校排名差不多，如果一毕业就回国，就选择 Leeds 吧，如果是打算留下来工作几年，那就看具体的硕士项目了。

原来是大佬，膜拜

一边裁员一边还招人，咋说？

Google Colab 或者 Kaggle 上先练练，真的不够用的时候再买或者开他们的会员

银行柜员也得找关系吧？

@DendimoN 投一下，试试

不在快，在于坚持

重新复习了上学期讲的 PCA ，说下我的理解。

为什么方差越大的主成分给的权重就越大？
多维数据求的是协方差矩阵，协方差矩阵分解，如使用奇异值分解，会得到特征向量和特征值，每个特征向量对应由特征值。空间坐标系中，特征向量所表示的是各个成分的方向，特征值表在各方向上的大小。这个时候，某个方向上的协方差越大，其特征值就越大，对应“方差越大的主成分给的权重就越大”，我是这么觉得。这就好比初中物理的受力分解，可以随机找点数据测试下。

比如随便一个三维数据，x 分布[0,1]，y 分布[0,5]，z=0 ，分解后会发现 y 的特征值最大，z 的最小为 0 ，后面降维时 z 可以去掉，基本不会影响主成分。

体现在空间坐标系（ feature space ）就是不同类别的点相对分散

学习图像处理时接触了点 PCA ，我觉得在建立联系正确的情况下，无论代表什么意义，只要适合当前所要解决的问题都是可行的。关键是这个 PCA 能不能代表这一类数据，我理解主成分分析就是为了找 discrimination ，至于上述两种方法可以都用下结果做对比，看下 error 。哪个 error 小，说明就更适合当前问题。

从来就没关注过，看看那些在各个媒体平台的账号，如果关注数没几个，然后一大堆粉丝，还经常发文，心里也就有数了

取关

@bilberry
https://s2.loli.net/2022/02/16/VeRLPrldCovtyGH.png
学校全都是这种传感器，都没有开关的

**Pyroelectric 热释电传感器**了解下

还有各种蹭热点的文章，这也导致很多编辑器为了鼓励用户创作，推出实时热点

互联网世界版图，CSDN 还是占很大流量的