Problems 上文讲到的WiscKey提出的Key Value Seperation的思路在许多现代DB中都得到了比较好的应用，TiDB， PebblesDB等等。WiscKey仍然存在一些问题，比如虽然消除了compaction时的写放大，但引入了：
Problem 续前文提出的问题，传统的HHD和SSD具有非常大的物理区别，HDD需要磁头的多次运动才能完成随机I/O操作，而SSD拥有较好的并行性，同时有擦写寿命问题。WiscKey就是针对SSD场景的一个优化方法。
Problem 写密集负载的键值存储已经成为一个非常重要与实际的需求，传统的硬盘组织文件数据结构B+ Tree在这个场景下存在很多问题。其中对性能最大的影响就是因为新数据插入树后，节点进行分裂，逻辑上连续的数据在物理块区上不连续，从而造成了大量的随机I/O操作，又由于硬盘的物理特性（尤其是HDD的磁头运动，需要寻柱面、寻磁道等耗时的物理运动操作），随机I/O的速度差距相对顺序慢很多（over 100x on HDD）。
KD-Tree KD-Tree is a classic method to index high-dimetional data (below 30, or the number of data is bigger than $2^k$).
介绍 在上篇的两个顶会的虚拟试衣的文章都是来自于大山中学的工作，在这个系列后，他们又做了一个可变pose任务的，结合了对抗训练的工作，暂时按下不表。回顾一下，VITON和CP-VTON两个模型都在变形衣服的Stage 1上花了比较多的功夫。一个用了Non-param TPS，一个用GMM网络来做变换，同时都需要对图像进行human parse和pose estimate步骤，开销较大。尤其是CP-VTON，在笔者的实验中，由于LIP数据集本身不够干净，GMM的训练效果就不是很理想，对于遮挡等情况非常不鲁棒。
介绍 本文主要讲在2D虚拟试衣这个任务上两个效果比较好的工作。主要是两篇文章，一篇是VITON: An Image-based Virtual Try-on Network发于CVPR 2018，另一篇是Toward Characteristic-Preserving Image-based Virtual Try-On Networks发于ECCV 2018。
Intro 这篇文章主要讲的是如何用GAN来做图片的组合生成。本文主要介绍的是ST-GAN: Spatial Transformer Generative Adversarial Networks。
Intro For preparing for the next coming exam, Machine Learning in 2019 Spring, I wrote this article down to mark and share some insights about basic mahcine learning methods, including KNN, Perceptron, Naive Bayes(MLE, MAP), Logistic Regression, Linear Regression, SVM.
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。