chore: 尝试切换到 ali oss

4.人工智能/4.6.8.4MoCo.md

@@ -24,7 +24,7 @@ NCE 把<strong>所有负样本都视作一样的</strong>，但实际上负样
 
 右边就是 memory bank 啦
 
-![](static/boxcnKMjslIshEA5SFqc8rbmqoe.png)
+![](https://hdu-cs-wiki.oss-cn-hangzhou.aliyuncs.com/boxcnKMjslIshEA5SFqc8rbmqoe.png)
 
 # MoCo 做出的改进
 
@@ -38,7 +38,7 @@ NCE 把<strong>所有负样本都视作一样的</strong>，但实际上负样
 
 动量编码器是独立于原编码器的一个编码器，它的参数是根据原编码器动量更新的，k 和 q 就是指代全部参数了
 
-![](static/boxcnFLSP9PtQRkgYgcMwM4idog.png)
+![](https://hdu-cs-wiki.oss-cn-hangzhou.aliyuncs.com/boxcnFLSP9PtQRkgYgcMwM4idog.png)
 
 这样的话就是解码器在缓慢更新，比对特征使用动量更新要更有连续性。
 
@@ -48,7 +48,7 @@ NCE 把<strong>所有负样本都视作一样的</strong>，但实际上负样
 
 [（什么？你看到这了还不会交叉熵？戳这里）](https://zhuanlan.zhihu.com/p/149186719)
 
-![](static/boxcnnWI38bkSzeCe5TtVTBCrNh.png)
+![](https://hdu-cs-wiki.oss-cn-hangzhou.aliyuncs.com/boxcnnWI38bkSzeCe5TtVTBCrNh.png)
 
 q·k 其实就是各个特征（因为那时候用的都是 transformer 了，这里就是 trnasformer 里的 k 和 q）
 
@@ -56,9 +56,9 @@ q·k 其实就是各个特征（因为那时候用的都是 transformer 了，
 
 T 越大，损失函数就越对所有负样本<strong>一视同仁</strong>，退化为二分类的 NCEloss；T 越小，损失函数就<strong>越关注一些难分类的特征</strong>，但有时候会出现两张其实都是猫猫的图片，你硬要让模型说猫猫跟猫猫不一样，这也不太好，这个参数要根据数据集情况适中调整。
 
-![](static/boxcnhuabU9XzXmVQfu0ruENs83.png)
+![](https://hdu-cs-wiki.oss-cn-hangzhou.aliyuncs.com/boxcnhuabU9XzXmVQfu0ruENs83.png)
 
-![](static/boxcnsGpqCNePn2G34GnJqPieBf.png)
+![](https://hdu-cs-wiki.oss-cn-hangzhou.aliyuncs.com/boxcnsGpqCNePn2G34GnJqPieBf.png)
 
 上面那张是 T 较大的情况，下面是 T 较小的情况（x 轴是各个类别，y 轴是分类得分）