1. 阅读"Variational Continual Learning"论文及代码
关于Continual Learning(CL)的认识：这是一个贝叶斯推断过程，这里是gpt给出的贝叶斯推断概念和例子：
即先确定一个先验分布，需要求的未知参数是θ（当然也可以添加其他类似α，β）的超参数之类的）。接下来我们进行实验获得数据，或者搜集先前数据，根据这些数据可以计算出似然函数。最后，基于先验分布和似然函数，我们可以获得后验分布，这个后验分布要比先验分布更加精确。之后我们将得到的后验分布作为下一阶段的先验分布，如此循环往复，θ便会收敛到真实的值。
其中涉及了几个概念：
①贝塔分布
②似然函数：
似然性代表某个参数为特定值的可能性，wikipedia给出了一个非常清晰的例子：
后面还引入了KL散度，是用来判断两个概率函数的近似程度的，KL散度越小，代表两个概率函数越接近。
最后是算法的全过程：
