<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Azuresmh的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Azuresmh</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Azuresmh]]></copyright><item><title><![CDATA[【无标题】]]></title><link>https://blog.youkuaiyun.com/Azuresmh/article/details/129072856</link><guid>https://blog.youkuaiyun.com/Azuresmh/article/details/129072856</guid><author>Azuresmh</author><pubDate>Thu, 16 Feb 2023 22:44:32 +0800</pubDate><description><![CDATA[深度学习]]></description><category></category></item><item><title><![CDATA[RESNET50]]></title><link>https://blog.youkuaiyun.com/Azuresmh/article/details/115840517</link><guid>https://blog.youkuaiyun.com/Azuresmh/article/details/115840517</guid><author>Azuresmh</author><pubDate>Sun, 18 Apr 2021 21:40:56 +0800</pubDate><description><![CDATA[resnet的存在的原因很简单的来讲就是为了解决网络层数加深准确率反而下降（下降的原因是梯度爆炸（梯度爆炸就是初始某些权重的大小不一 太小的权重会由于激活函数压缩变小相当于乘以了很多个很小的数而导致后面的层数中有的很大 有的很小）

在上图的残差网络结构图中，通过“shortcut connections(捷径连接)”的方式，直接把输入x传到输出作为初始结果，输出结果为H(x)=F(x)+x，当F(x)=0时，那么H(x)=x，也就是上面所提到的恒等映射。于是，ResNet相当于将学习目标改变了，不再是学习]]></description><category></category></item><item><title><![CDATA[机器学习-支持向量机]]></title><link>https://blog.youkuaiyun.com/Azuresmh/article/details/108905328</link><guid>https://blog.youkuaiyun.com/Azuresmh/article/details/108905328</guid><author>Azuresmh</author><pubDate>Fri, 02 Oct 2020 22:01:02 +0800</pubDate><description><![CDATA[SVM就是试图把棍放在最佳位置，好让在棍的两边有尽可能大的间隙。这个间隙就是球到棍的距离。

这里我们看到两种不同颜色的小球
我们找到一个棍子放在其中，把他们分割开来，但是仅仅是这么简单嘛，不不，我们还要考虑怎么放这根棍子，能够分开这两种小球的棍子在中间有无数种方法哪种最好呢？


保证决策面方向不变且不会出现错分样本的情况下移动决策面，会在原来的决策面两侧找到两个极限位置（越过该位置就会产生错分现象），如虚线所示。虚线的位置由决策面的方向和距离原决策面最近的几个样本的位置决定。而这两条平行虚线正中间的分.]]></description><category></category></item><item><title><![CDATA[机器学习-分类器-Adaboost]]></title><link>https://blog.youkuaiyun.com/Azuresmh/article/details/108902720</link><guid>https://blog.youkuaiyun.com/Azuresmh/article/details/108902720</guid><author>Azuresmh</author><pubDate>Fri, 02 Oct 2020 16:25:35 +0800</pubDate><description><![CDATA[前面的文章已经介绍了五种不同的分类器，它们各有优缺点。我们可以很自然地将不同的分类器组合起来，而这种组合结果则被成为集成方法(ensemble method)或者元算法(meta-algorithm)。使用集成方法时会有多种形式：可以是不同算法的集成，也可以是同一种算法在不同设置下的集成，还可以是数据集不同部分分配给不同分类器之后的集成。

1 Bagging
自举汇聚法（bootstrap aggregating），也称为bagging方法。Bagging对训练数据采用自举采样（boostrap sam.]]></description><category></category></item><item><title><![CDATA[机器学习-Logistic回归基础篇之梯度上升算法]]></title><link>https://blog.youkuaiyun.com/Azuresmh/article/details/108883402</link><guid>https://blog.youkuaiyun.com/Azuresmh/article/details/108883402</guid><author>Azuresmh</author><pubDate>Wed, 30 Sep 2020 12:43:56 +0800</pubDate><description><![CDATA[二 Logistic回归与梯度上升算法
Logistic回归是众多分类算法中的一员。通常，Logistic回归用于二分类问题，例如预测明天是否会下雨。当然它也可以用于多分类问题，不过为了简单起见，本文暂先讨论二分类问题。首先，让我们来了解一下，什么是Logistic回归。
1 Logistic回归
假设现在有一些数据点，我们利用一条直线对这些点进行拟合(该线称为最佳拟合直线)，这个拟合过程就称作为回归，如下图所示：

Logistic回归一种二分类算法，它利用的是Sigmoid函数阈值在[0,1]这个特性。]]></description><category></category></item><item><title><![CDATA[机器学习-朴素贝叶斯]]></title><link>https://blog.youkuaiyun.com/Azuresmh/article/details/108882600</link><guid>https://blog.youkuaiyun.com/Azuresmh/article/details/108882600</guid><author>Azuresmh</author><pubDate>Wed, 30 Sep 2020 11:33:29 +0800</pubDate><description><![CDATA[朴素贝叶斯算法是有监督的学习算法，解决的是分类问题，如客户是否流失、是否值得投资、信用等级评定等多分类问题。该算法的优点在于简单易懂、学习效率高、在某些领域的分类问题中能够与决策树、神经网络相媲美。但由于该算法以自变量之间的独立（条件特征独立）性和连续变量的正态性假设为前提，就会导致算法精度在某种程度上受影响。
贝叶斯
1.贝叶斯决策理论
假设现在我们有一个数据集，它由两类数据组成，数据分布如下图所示：

我们现在用p1(x,y)表示数据点(x,y)属于类别1(图中红色圆点表示的类别)的概率，用p2(x,y]]></description><category></category></item><item><title><![CDATA[电脑参数选择]]></title><link>https://blog.youkuaiyun.com/Azuresmh/article/details/108863399</link><guid>https://blog.youkuaiyun.com/Azuresmh/article/details/108863399</guid><author>Azuresmh</author><pubDate>Tue, 29 Sep 2020 10:25:10 +0800</pubDate><description><![CDATA[（2019年12月13日更新）从回答这个问题到现在已经过去了两年半，时过境迁，这个回答的一些内容已经不适合现在的情况（其实主要是AMD的复兴），所以我做了一些更新，以免旧内容误导现在来看的朋友。有很多朋友私信我求推荐笔记本，我都没有回复，一是因为我对现在市面上最新的笔记本了解地不是很深，随便推荐的话怕误导大家；二是因为任何一台笔记本，都有其优缺点和不同的特性，别人推荐的只是符合他喜好的或者他觉得不错的，并不一定适合你。注意事项：1、 本指南仅面向笔记本小白用户，旨在帮助大家快速看懂笔记本电脑的配置和参数，以]]></description><category></category></item><item><title><![CDATA[深度学习入门-神经网络]]></title><link>https://blog.youkuaiyun.com/Azuresmh/article/details/108844801</link><guid>https://blog.youkuaiyun.com/Azuresmh/article/details/108844801</guid><author>Azuresmh</author><pubDate>Mon, 28 Sep 2020 22:41:46 +0800</pubDate><description><![CDATA[上一章我们学习了感知机，但却也不能忽略一个问题，那就是当感知机对于参数的权重调整仍然需要人工进行，那可太麻烦了，如何解决呢，这一张的神经网络就可以解决这个问题。
3.1从感知机到神经网络
最左边一列称为输入层，最右边一列称为输出层，中间一层称为中间层，有时也称为隐藏层。
这里为了方便python编程我们将输入层到输出层依次命名为第0层，第1层，第2层。

激活函数登场

就类比于我们之前所讲到的这样，我们也将他命名为h(x)

这种将输入的信号的总和转换为输出信号，这种函数我们一般称为激活函数，根据0为边界]]></description><category></category></item><item><title><![CDATA[深度学习入门-感知机]]></title><link>https://blog.youkuaiyun.com/Azuresmh/article/details/108837458</link><guid>https://blog.youkuaiyun.com/Azuresmh/article/details/108837458</guid><author>Azuresmh</author><pubDate>Sun, 27 Sep 2020 22:50:58 +0800</pubDate><description><![CDATA[*感知机是一个比较古老的算法 那么我们为什么要学它呢，主要是因为感知机也是神经网络（深度学习）的起源的算法，接下来我们将简单介绍感知机，并用感知机解决一些简单的问题。
2.1感知机是什么？
感知机就相当于一个神经元，接受一个或多个信号时，输出一个信号，0/1。输入的每个信号乘以固定的权重，当他们的总和超过某个界限时，才会输出1，我们也称他为“神经元激活”。

用公式表示的话就是

不同的信号都有他对应的权重，当权重越大，对应的权重的信号的重要性就越高。
2.2简单逻辑电路
与门
当(w1 w2 seta） ]]></description><category></category></item><item><title><![CDATA[机器学习-决策树]]></title><link>https://blog.youkuaiyun.com/Azuresmh/article/details/108432446</link><guid>https://blog.youkuaiyun.com/Azuresmh/article/details/108432446</guid><author>Azuresmh</author><pubDate>Sun, 06 Sep 2020 16:02:04 +0800</pubDate><description><![CDATA[1.原理：
决策树说白了就是帮助我们去做一个决策的构建，就比如在对方没有房子的时候我们就要考虑他的上进心.没有上进心则又要考虑等等等要考虑哪些问题，这些可以我们人为构建也可以通过决策树算法构建
那么每一级都有不同的选择指标，怎么判断哪个指标的影响力更大，比如对方有房子、有车则对方的相貌emmm就不考虑了，那么怎么去判断这个指标的重要性呢，我们人当然剋有直接去判断，电脑可不行所以我们提出了
                   **信息增益的概念****


信息增益是相对于特征而言的。所以，特征A对训练数据]]></description><category></category></item><item><title><![CDATA[机器学习-k-近邻算法]]></title><link>https://blog.youkuaiyun.com/Azuresmh/article/details/108421285</link><guid>https://blog.youkuaiyun.com/Azuresmh/article/details/108421285</guid><author>Azuresmh</author><pubDate>Sat, 05 Sep 2020 16:45:28 +0800</pubDate><description><![CDATA[原理：给定一个样本集，样本集中不同标签的的集和拥有者相同的一些特征，通过对新的没有标签的数据的特征值与训练集中的不同标签的集合的特征值求距离，从而选中最近的那个。
暨赋予他同样的标签。
举个例子
比如现在有一个电影 我们需要判断他是喜剧片还是爱情片，我们就需要根据它的特征值进行比对，比如通过判断他们当中枪战的次数和大笑的两个特征值，对新有的电影对比原有训练集比对距离从而得到。

有多个特征值就用欧氏距离公式

扩展开来 字体识别的图片转化为数字也可以通过的比对这方面来判断。


...]]></description><category></category></item><item><title><![CDATA[山体滑坡预测]]></title><link>https://blog.youkuaiyun.com/Azuresmh/article/details/108318015</link><guid>https://blog.youkuaiyun.com/Azuresmh/article/details/108318015</guid><author>Azuresmh</author><pubDate>Mon, 31 Aug 2020 16:58:16 +0800</pubDate><description><![CDATA[首先我们通过加速度传感器x,y,z的加速度从而得到传感器的整体加速度

通过布置区域的多个加速度得到时间窗口内区域内的加速度，count表示这个时间窗口内的传感器上传条数。
意义：多个传感器减少误差

单纯的绝对运动量情况大小并不能准确反映滑坡情况，将滑坡区域运动情况与极限运动情况作比值，用百分数表示，来确定运动剧烈程度，通常临界状态下比值介于 0.4%~0.8%之间。
这里引入极限加速度的概念

同时由于雨水对其也会对预测结果造成影响，因为我们将雨水的情况作为系数结果加入到模型当中

n为加速度的传感器个]]></description><category></category></item><item><title><![CDATA[python第三天---画图]]></title><link>https://blog.youkuaiyun.com/Azuresmh/article/details/102633004</link><guid>https://blog.youkuaiyun.com/Azuresmh/article/details/102633004</guid><author>Azuresmh</author><pubDate>Fri, 18 Oct 2019 22:32:53 +0800</pubDate><description><![CDATA[import matplotlib.pyplot as plt
squares = [1,4,9,16,25]
plt.plot(squares)
plt.show()
#关于画图的一些设置
plt.plot(squares,linewidth=5)
#设置图标标题，并给坐标轴加上标签
plt.title(“Squre Numbers”,fontsize=24)
plt.xlabel(“Value...]]></description><category></category></item><item><title><![CDATA[python第二天-基本数据变量]]></title><link>https://blog.youkuaiyun.com/Azuresmh/article/details/101720676</link><guid>https://blog.youkuaiyun.com/Azuresmh/article/details/101720676</guid><author>Azuresmh</author><pubDate>Sun, 29 Sep 2019 22:00:13 +0800</pubDate><description><![CDATA[print('hello world!')
first_name = "ada"
last_name = "lovelace"
full_name = first_name + ""+last_name
print(full_name)
#添加制表符
print("\tpyhon")
#添加回车符
print("\npython")
print("python")
#删除空白
test_langu...]]></description><category></category></item><item><title><![CDATA[python第三天-修改添加和删除元素！]]></title><link>https://blog.youkuaiyun.com/Azuresmh/article/details/101713794</link><guid>https://blog.youkuaiyun.com/Azuresmh/article/details/101713794</guid><author>Azuresmh</author><pubDate>Sun, 29 Sep 2019 21:33:50 +0800</pubDate><description><![CDATA[bicycle = ['trek','cannondale','redline','spcialized']
print(bicycle)

输出结果
[‘trek’, ‘cannondale’, ‘redline’, ‘spcialized’]
这显然不是我们想要输出的
print(bicycle[0])

结果
trek
这里有一点就是python的索引是从0开始不是不从1开始
通过索引最后一...]]></description><category></category></item><item><title><![CDATA[python第一天-创建项目并完成hello world！]]></title><link>https://blog.youkuaiyun.com/Azuresmh/article/details/101038376</link><guid>https://blog.youkuaiyun.com/Azuresmh/article/details/101038376</guid><author>Azuresmh</author><pubDate>Thu, 19 Sep 2019 22:14:32 +0800</pubDate><description><![CDATA[首先你必须下载python 和pycharm
这个需要你自己去下载 安装包有个安装管家的微信公众号 好像是有安装包和安装的步骤详解可以自己参照
这里提示下就是假如打开没有左侧的导航图可以通过这样得到



...]]></description><category></category></item><item><title><![CDATA[遗传算法实际应用]]></title><link>https://blog.youkuaiyun.com/Azuresmh/article/details/94998207</link><guid>https://blog.youkuaiyun.com/Azuresmh/article/details/94998207</guid><author>Azuresmh</author><pubDate>Thu, 19 Sep 2019 22:06:38 +0800</pubDate><description><![CDATA[根据demo简单编写一个求解某个函数的最大值的程序，从而理解下算法，会对每个步骤简单分析下。
主程序
clear all
clc 
popsize=20; 							%群体大小  
chromlength=10; 						%字符串长度（个体长度） 
pc=0.8;   							%交叉概率
pm=0.006;                                 %变异概率
...]]></description><category></category></item><item><title><![CDATA[粒子群算法-讲解+实例]]></title><link>https://blog.youkuaiyun.com/Azuresmh/article/details/95523344</link><guid>https://blog.youkuaiyun.com/Azuresmh/article/details/95523344</guid><author>Azuresmh</author><pubDate>Thu, 19 Sep 2019 22:06:19 +0800</pubDate><description><![CDATA[今天给大家讲解的时粒子群算法，首先先牢记以下的基本公式：

1.简单的来讲，粒子群算法是这个样子，当你在一个全解的范围内，想要去找最优解，可以先派出像四面八方而去的小兵去搜索，他们向四面八方去探索时在坚守自己本身的航线的同时，会通过自身之前所找到的一些局部最优解轨迹和全局最优解即其他所有小兵找到的最优解的最最优解来修正自身轨迹，最终所有小兵都会聚集在全局最优解周围。
–因此我们就可以看到在这个式子...]]></description><category></category></item><item><title><![CDATA[记录几个常用的快捷键 感觉还挺有用的]]></title><link>https://blog.youkuaiyun.com/Azuresmh/article/details/101037848</link><guid>https://blog.youkuaiyun.com/Azuresmh/article/details/101037848</guid><author>Azuresmh</author><pubDate>Thu, 19 Sep 2019 22:02:36 +0800</pubDate><description><![CDATA[1.电脑锁屏
windows + L 这样离开电脑的时候可以直接锁屏
2.记录图生成
按下windows键+R，输入psr.exe回车，然后点击“开始记录”就可以了。
3.按下Windows键和D键，桌面出现
4.按住“Ctrl+P”键，帮你打印文档。
粘贴：Ctrl + V
撤销：Ctrl + Z
关闭当前窗口：Ctrl + W
切换窗口：Ctrl + Tab
显示/隐藏所有窗口：Win键 + ...]]></description><category></category></item><item><title><![CDATA[递归]]></title><link>https://blog.youkuaiyun.com/Azuresmh/article/details/99697478</link><guid>https://blog.youkuaiyun.com/Azuresmh/article/details/99697478</guid><author>Azuresmh</author><pubDate>Sat, 17 Aug 2019 20:26:05 +0800</pubDate><description><![CDATA[#include
using namespace std;
void show(int a[],int i)
{
if(i==0)
{ cout&lt;&lt;a[i]&lt;&lt;" ";
	return;
}
//cout&lt;&lt;a[i]&lt;&lt;" ";    ///1
show(a,i-1);
cout&lt;&lt;endl;
//cout&lt;&lt;a[i]&lt;...]]></description><category></category></item></channel></rss>