1983年12月20日出生，山東莒縣人，現在居住在哈爾濱。 主要作品：《三國亂世》中飾男一號呂布，《常勝將軍》中的男一號趙子龍。 2017年11月21日，出演歌手關喆的單曲MV《更好的我們》上線；同年，她還主演了特殊教育公益微電影《青春手拉手》，飾演中學生楊雨婕。 2018年7月7日，參演由陳慧翎執導的家庭情感劇《你的孩子不是你的孩子》系列之《孔雀》播出，飾演劉巧藝的同學施宇婕。 2017年，主演公益微電影《青春手拉手》，從而進入演藝圈。 2019年3月24日，參演的社會寫實劇《我們與惡的距離》首播；同年，出演懸疑驚悚片《返校》。
- 因爲圖片上每個點都可能運動，所以每個像素點都有對應的光流值，所以論文中一直稱之爲密集光流（dense optical flow）。
- 在兩個動作識別數據集上使用多任務學習（multi-task learning），同時訓練一個backbone，可以增加訓練數據量，提高模型性能。
- 背景介紹 在現有的的行爲分類數據集（UCF-101 and HMDB-51）中，視頻數據的缺乏使得確定一個好的視頻結構很困難，大部分方法在小規模數據集上取得差不多的效果。
- Kinetics 400 數據集的遷移效果非常好，證明視頻領域，使用預訓練模型進行微調的方式效果也是非常好的。
- 雙流網絡從14年提出到現在，這種將光流的密集表示存爲圖片的預處理方式 一直沿用至今。
- 爲了保證公平，使用整個視頻來做測試，即測試的視頻時長都是10s左右。
- 李沐才剛奪下金鐘新人，本月又要挑戰金馬新人寶座，有「怪物新人」的稱號，這次她在電影《青春弒戀》中飾演女主角玉芳，與陳庭妮、林哲熹都有煽情的牀戲鏡頭，玉芳這個角色感情複雜，對李沐來說也是一大考驗。
- 他先後擔任過機器學習創業公司Marianas Labs的CTO和百度深度學習研究院的主任研發架構師。
其中，每一小節都是可以運行的 Jupyter 記事本，你可以自由修改代碼和超參數來獲取及時反饋，從而積累深度學習的實戰經驗。 具體來說，I3D使用的是Inception-V1進行3D擴張，模型結構如下圖所示，整體改動還是很小的。 李沐 上圖是單向/雙向光流、加權平均/SVM分類、是否多任務的消融試驗（時空流網絡融合時，雙向光流是不利的）。 10 crop：取出來的每一幀都做10 crop（224×224）。 簡單說就是每一幀都裁剪4個邊和一箇中心，然後翻轉圖像之後再類似的crop五張圖，最終每一幀得到10張圖。 最終空間流網絡的結果就是250 crop（224×224）經過CNN後得到的結果的平均。
李沐: 音樂錄影帶
在懸疑犯罪劇《誰是被害者》中，李沐飾演張孝全的叛逆女兒，儘管身形纖細清瘦，但卻散發頗大的氣場，配上精緻五官跟空靈氣質，其亮眼的表現受到了觀衆的喜愛（《GQ》雜誌評）。 2020年，李沐將獲得的金鐘獎獎金三分之一，捐給野生保育協會做公益。 李沐2025 李沐 他曾和陳天奇在GitHub上創建DMLC組織，就是這個社區開發出了大名鼎鼎的深度學習框架——MXNet。 在這期間，他創建了一套分佈式機器學習廣告系統，具體來看就是使用機器學習來預測一個廣告是不是會被用戶點擊。 即使是中文課程也想配上字幕，爲了讓不方便開聲音的粉絲靜音也能學習，換了能自動識別字幕的剪輯軟件，但發現並不好用。
作者認爲，目前CNN網絡無法將視頻處理的很好，是因爲卷積神經網絡很擅長處理靜態的外觀信息（ appearance information，比如物體形狀大小顏色、場景信息等等），而非運動信息（motion information） 。 既然如此，就乾脆用另一個網絡（光流網絡）抽取好運動信息的特徵，CNN只需要學習輸入的光流和最後的動作信息之間的映射就行（或者說是光流輸入到時間流網絡的分類之間的映射），這種映射是深度神經網絡最擅長的。 也就是說CNN本身不需要學習運動信息，也不需要進行時序建模，這些都交給光流做了，所以模型非常的簡單。 兩個網絡互不干擾，很好訓練也很好優化，最終模型的性能也非常高（見實驗部分）。 Spatio Stream Convet：空間流卷積網絡，輸入是單個幀畫面（靜態圖片），主要學習場景信息。 因爲是處理靜態圖片，所以可以使用預訓練的模型來做，更容易優化。
李沐: 李沐拔智齒GG 腫臉拍片為新戲催票
第三遍，也是最後一遍精讀，要弄懂論文中每一句話在說什麼，李沐推薦讀的時候“腦補”一下如果是自己在做這個工作可以怎麼做。 李沐2025 這一遍只需要花十幾分鍾，目的是瞭解這篇論文大概講了什麼、質量如何，以便快速判斷這篇論文是否適合自己。
這篇文章根據Kinetics人類行爲動作來重新評估這些先進的結構。 Kinetics有兩個數量級的數據，400類人類行爲，每一類有超過400剪輯，並且這些都是從現實的，有挑戰性的YouTube視頻中收集的。 I3D最大的亮點就是Inflating操作，不僅不用再從頭設計一個3D網絡，直接使用成熟的2D網絡進行擴充就行，而且看還可以使用2D網絡的預訓練參數，簡化了訓練過程，使用更少的訓練時間達到了更好的訓練效果。 如果你想從頭設計一個3D網絡，那麼可以使用Kinetics 400 數據集進行預訓練，是一個不錯的選擇（不需要依賴於ImageNet預訓練的模型參數）。 可以說I3D之前的3D視頻處理網絡都不流行，被光流網絡和傳統手工特徵碾壓。
李沐: 李沐社會活動
基本現在視頻分類的工作是一定要在Kinetics上跑一個結果。 Youtube 8M：2016年由google提出，共有800萬視頻。 但是數據集實在是太大了，一般人即使下載了也根本玩不動，所以比賽時都是直接提供抽取好的特徵。 雙流網絡也可以看做是多模態網絡，RGB圖片和光流可以看做是不同的模態，有點類似CLIP（兩個網絡輸入分別是圖片和文本）。
李沐: 李沐參演電影
戲裡李沐與男女都有感情戲，戲外李沐已和男友穩定交往快2年，她透露感情中最重要的是理解與包容，希望自己能夠愛情事業兩得意。 比如輸入是64幀，輸出也是64幀，這個對應的實際只有2秒左右，已經很短了。 3D Conv：將視頻幀（分割好的一個個的視頻段，每段含有K張圖片）直接輸入3D 李沐2025 的CNN網絡進行時空學習。 論文題目中的Quo Vadis來自1951年的電影《A still from ‘Quo Vadis’ 》，英語譯爲Where is this going? 比如不能確定下面兩個演員是將要親吻還是已經親吻過了；無論是否親吻了，下一步動作如何發展也是未知的。
李沐: 《誰是被害者》最強女兒「李沐」作品盤點！《你的孩子》、《返校》不可忽視的仙氣配角
此時卷積核必須是3維的（比如每個卷積核都是3×3×3，加入了時間維度），網絡不光學習空間信息，還需要學習時序信息（運動信息）。 最後3D Conv輸出的特徵也是接一個全連接層得到分類結果。 因爲多了一個維度，模型的參數量很大，不太好訓練，而且效果也不好。 引入光流的方式是額外引入一個時間流網絡，巧妙的利用光流提供的物體運動信息，而不用神經網絡自己去隱式地學習運動特徵，大大提高了模型的性能。 整個雙流網絡從結構上來說都非常簡單，就是沿用AlexNet網絡並做了小小的改動，最後的操作也是一個簡單、常規的late fusion融合。 之前的深度學習處理視頻的方法沒有利用物體的運動信息，導致其效果還不如傳統的手工設計的特徵效果好，這也是本文的研究動機。
李沐: 《誰是被害者》張孝全神演技被讚像「史萊姆」 李沐站懸崖邊對峙爆哭
要想突破必須有新的網絡結構，指標之一就是要能很好地處理視頻數據。 雙流網絡除了引入光流這一點，也展示了一種可能性：當神經網絡即使如何魔改也無法解決某個問題的時候（比如改模型結構或者目標函數），不如給模型提供一些先驗信息，模型學不到就幫它學，往往能大幅簡化這個任務。 所以一個網絡無法解決問題，就可以嘗試加入另一個網絡，使用別的的數據、別的模型。 這種多流網絡的思想（網絡互補），在別的領域也被廣爲應用，效果也很好。 這一點也從側面驗證了數據的重要性，真實場景中收集更多更好的數據，對模型效果的提升更爲巨大，也能更好解決模型泛化、偏見等等一系列問題。 消除 camera motion（相機自帶的移動而非物體的移動）。
李沐: 李沐個人作品
，「日常小事，都是動聽的故事」一句，讓影片的結尾在感人的氛圍下收尾，是爆米花小姐非常喜歡的一部作品。 測試時，Kinetics 400 數據集每個視頻都是10s左右。 爲了保證公平，使用整個視頻來做測試，即測試的視頻時長都是10s左右。 不用再費盡心思的設計一個針對視頻理解的網絡了，否則從頭設計3D網絡，還得考慮各種網絡結構，方方面面。
李沐: 汪小菲反擊大S竟洩2大問題！ 圈內人一看狠招「直接要把男的搞死」
李沐從小就是個學習認真的好孩子，小時候的夢想是當服裝設計師，但到了大學念服裝設計系，和同學相比突然沒了自信，於是在大一時休了學；隨後，她申請了英國的藝術學校，並且繼續工作。 偶然的機會在社交平臺上遇到她的經紀人，本想着好玩去演戲試試，沒想到成爲了正職演員[15-16]。 尤其是論文精講這個系列，錄一篇文章的時間大概是5個小時，沐神一般都是每天深夜找半個小時或1個小時做一點，差不多10天才能出一期。 爲此他特意剁手買了兩個300多美元的專業麥克風，錄試音視頻讓粉絲來選哪個效果最好。 李沐 李沐曬了家裏後院種的玫瑰，被粉絲建議收集成數據集，再就地辦個玫瑰圖像分類比賽，模型可以叫RoseNet。
1月註冊賬號，3月正式開課，8月底《動手深度學習v2》更新完結，沒歇幾天又開了新課《斯坦福21秋季：實用機器學習中文版》。 最新的《實用機器學習》關注的是機器學習在工業場景的應用，也爲作業提供了Jupyter筆記本和數據集供大家上手操作。 李沐在B站上傳的第1門課就叫《動手學深度學習v2》，也是他的書《動手學深度學習》的配套課程，這本書已被全球100多所大學選爲教材。 如果到這裏你還沒學會，那還可以去看李沐老師實際動手演示用這個方法讀AlexNet、RestNet的視頻。 另外如果感覺一篇論文值得仔細讀但太難了，李沐分享的技巧是先去讀它引用的之前的研究，再回頭讀這一篇門檻會低一些。
李沐: 分類專欄
再將這些特徵全部輸入LSTM網絡，進行各個時間戳上圖片特徵的融合，得到整個視頻的融合特徵。 李沐2025 李沐 最後將LSTM最終時刻的特徵接一個FC層得到分類結果。 視頻處理是未來突破的方向：目前計算機視覺領域，很多研究熱衷於在ImageNet等幾個榜單刷分，往往訓練了很大的模型，使用很多的策略，也只能提高一點點，類似深度學習出現以前，CV領域中機器學習的現狀，已經達到了一個瓶頸期。