<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[FlyingPie的专栏]]></title><description><![CDATA[Two blogs a week to eat the flying pie.]]></description><link>https://blog.youkuaiyun.com/BobAuditore</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; BobAuditore]]></copyright><item><title><![CDATA[【飞桨PaddlePaddle论文复现课程】【GAN】论文解读之StarGAN v2]]></title><link>https://blog.youkuaiyun.com/BobAuditore/article/details/107906622</link><guid>https://blog.youkuaiyun.com/BobAuditore/article/details/107906622</guid><author>BobAuditore</author><pubDate>Tue, 11 Aug 2020 11:13:30 +0800</pubDate><description><![CDATA[一、前言

论文复现课程链接：https://aistudio.baidu.com/aistudio/education/group/info/1340

这篇博客主要是对飞桨PaddlePaddle论文复现课程中GAN论文的解析.



二、论文解读

论文的任务是多域图像转换（Multiple Domain Image-to-Image translation）

涉及到2个关键概念：

Domain：一组可以分为视觉上独特类别的图像

Style：每个图像都有唯一的外观

论文动机：





...]]></description><category></category></item><item><title><![CDATA[[飞桨PaddlePaddle论文复现课程][视频分类]论文解读之Representation Flow for Action Recognition]]></title><link>https://blog.youkuaiyun.com/BobAuditore/article/details/107837267</link><guid>https://blog.youkuaiyun.com/BobAuditore/article/details/107837267</guid><author>BobAuditore</author><pubDate>Thu, 06 Aug 2020 14:52:35 +0800</pubDate><description><![CDATA[一、前言

论文复现课程链接：https://aistudio.baidu.com/aistudio/education/group/info/1340

这篇博客主要是对飞桨PaddlePaddle论文复现课程中视频分类论文的解析.

课程中有关视频分类的论文主要有4篇, 本博客对其中的第4篇进行解读:

1.ECO: Efficient Convolutional Network for Online Video Understanding

网址：https://github.com/mzolfa..]]></description><category></category></item><item><title><![CDATA[感知机中的关键问题：点到平面的距离，和梯度更新的符号]]></title><link>https://blog.youkuaiyun.com/BobAuditore/article/details/107110603</link><guid>https://blog.youkuaiyun.com/BobAuditore/article/details/107110603</guid><author>BobAuditore</author><pubDate>Fri, 03 Jul 2020 17:50:41 +0800</pubDate><description><![CDATA[感知机的原理、以及学习方法，还是比较简单的，参考：

https://www.pkudodo.com/2018/11/18/1-4/





但其中有2点关键，不是特别好理解：

1、关于点到平面的距离：



参考：https://www.jianshu.com/p/56ec72484bbe





2、梯度更新的符号：

参考：https://zhuanlan.zhihu.com/p/36503663

f(theta) - f(theta_0) = (theta - theta_0) * 梯度

]]></description><category></category></item><item><title><![CDATA[【/强化学习7日打卡营-世界冠军带你从零实践/课程摘要和调参心得-No.5】连续动作空间上求解RL]]></title><link>https://blog.youkuaiyun.com/BobAuditore/article/details/106983541</link><guid>https://blog.youkuaiyun.com/BobAuditore/article/details/106983541</guid><author>BobAuditore</author><pubDate>Sat, 27 Jun 2020 16:05:23 +0800</pubDate><description><![CDATA[一、学习内容

5.连续动作空间上求解RL

5.1连续动作空间

离散和连续动作跟环境有关：



可分别采用随机性策略和确定性策略：



实践中可分别用sample函数和tanh函数:



DDPG(Deep Deterministic Policy Gradient)的来源：



DDPG可看做DQN的扩展版本，添加了策略网络，使用了RL中的Actor-Critic架构





DQN有2条经验的：target网络，以及经验回放

DDPG里面也用了相同的方式来稳定训练，算法如下：



5.]]></description><category></category></item><item><title><![CDATA[【/强化学习7日打卡营-世界冠军带你从零实践/课程摘要和调参心得-No.4】基于策略梯度求解RL]]></title><link>https://blog.youkuaiyun.com/BobAuditore/article/details/106982570</link><guid>https://blog.youkuaiyun.com/BobAuditore/article/details/106982570</guid><author>BobAuditore</author><pubDate>Sat, 27 Jun 2020 15:17:10 +0800</pubDate><description><![CDATA[一、学习内容

4.基于策略梯度求解RL

4.1随机策略与策略梯度

先来复习一下之前讲的value-based和policy-based的RL方法：





Policy-based的方法可直接输出动作的概率，比较适用于随机性策略



具体来说就是在网络里面使用常见的softmax函数



为了方便大家理解，这里举个Pong游戏的例子：



策略是一个episode完了才能评估的，目的是为了让总的Reward尽可能大：



策略的状态转移轨迹可以用以下流程来表示：



轨迹发生的概率和策略的]]></description><category></category></item><item><title><![CDATA[【/强化学习7日打卡营-世界冠军带你从零实践/课程摘要和调参心得-No.3】基于神经网络方法求解RL]]></title><link>https://blog.youkuaiyun.com/BobAuditore/article/details/106974745</link><guid>https://blog.youkuaiyun.com/BobAuditore/article/details/106974745</guid><author>BobAuditore</author><pubDate>Fri, 26 Jun 2020 21:32:00 +0800</pubDate><description><![CDATA[一、学习内容

3.基于神经网络方法求解RL

3.1函数逼近与神经网络

当状态空间非常庞大的时候，用Q表格来对Q-value进行评估，内存方面非常不现实。



因此可以加个w参数，改用值函数拟合的方法：



一个简单的例子如图所示，神经网络输出动作，定义损失函数，进行优化：



Q-learning的流程：



用神经网络：



3.2DQN算法解析



DQN的2大创新点在于：经验回放，和固定Q目标。分别是为了解决样本关联性和训练非平稳性问题。

经验回放，举个形象例子，前台小兵采样预测，]]></description><category></category></item><item><title><![CDATA[【/强化学习7日打卡营-世界冠军带你从零实践/课程摘要和调参心得-No.2】基于表格型方法求解RL]]></title><link>https://blog.youkuaiyun.com/BobAuditore/article/details/106974046</link><guid>https://blog.youkuaiyun.com/BobAuditore/article/details/106974046</guid><author>BobAuditore</author><pubDate>Fri, 26 Jun 2020 20:38:04 +0800</pubDate><description><![CDATA[一、课程内容

2.基于表格型方法求解RL

2.1 MDP、Q表格

强化学习的基本思路来源于马尔科夫决策过程Markov Decision Process（MDP）：



在设计强化学习方法中，model-free和model-based的区别主要在于是否对policy和reward有预先建模：



根据不同场景，reward函数可能会有所不同：

比如救护车场景，是有尽头的，每闯一个红灯，时间上收益差不多，那么reward可以加起来：



比如股票场景，是没有尽头的，越远的收益越没有价值，那么就]]></description><category></category></item><item><title><![CDATA[【/强化学习7日打卡营-世界冠军带你从零实践/课程摘要和调参心得-No.1】强化学习初印象]]></title><link>https://blog.youkuaiyun.com/BobAuditore/article/details/106973814</link><guid>https://blog.youkuaiyun.com/BobAuditore/article/details/106973814</guid><author>BobAuditore</author><pubDate>Fri, 26 Jun 2020 20:01:03 +0800</pubDate><description><![CDATA[最近参加了百度paddlepaddle第一期的强化学习课程，是百度工程师李科浇老师讲解的，特在此分享一下内容和心得。

课程分为7节，内容比较基础，但是讲解的很细致、深刻，主要介绍了值函数、策略梯度的强化学习。



下面就分别介绍一下课程内容、和大作业“四轴飞行器”项目的调参心得。

会分为好几期，目前先讲第一课的内容。

一、课程内容

1.强化学习初印象：

课程大纲如下：



强化学习分为2部分和3要素：



应用领域有个性推荐、股票交易、交通灯、对话系统等。



强化学习可基本分为2种类型，]]></description><category></category></item><item><title><![CDATA[Linux 开机自动mount硬盘]]></title><link>https://blog.youkuaiyun.com/BobAuditore/article/details/102647012</link><guid>https://blog.youkuaiyun.com/BobAuditore/article/details/102647012</guid><author>BobAuditore</author><pubDate>Sun, 20 Oct 2019 11:19:43 +0800</pubDate><description><![CDATA[sudo fdisk -l            # 查看可挂载的磁盘
df -h                  # 查看已经挂载的磁盘
sudo mkfs.ext4 /dev/sdb2      # 初始化磁盘
sudo mount /dev/sdb2 /media     # mount 磁盘到/media，需/medi...]]></description><category></category></item><item><title><![CDATA[关于tensorflow分类模型程序的训练架构的一点思考]]></title><link>https://blog.youkuaiyun.com/BobAuditore/article/details/82788487</link><guid>https://blog.youkuaiyun.com/BobAuditore/article/details/82788487</guid><author>BobAuditore</author><pubDate>Thu, 20 Sep 2018 15:45:40 +0800</pubDate><description><![CDATA[过去的一点不成熟的想法，记下来供以后参考。

参考tf-slim并简化，可以大致把tensorflow分类模型的python程序，划分为如下的目录结构：

 

训练程序目录结构：
tfrecord_generate.py tfrecord生成
用于把数据集生成tfrecord格式的二进制文件
完成

data_input.py 控制数据输入
在里面指定输入数据集的名称以及对应data、label...]]></description><category></category></item><item><title><![CDATA[windows上的cuda8和cuda9切换，win10 + vs2015]]></title><link>https://blog.youkuaiyun.com/BobAuditore/article/details/82778603</link><guid>https://blog.youkuaiyun.com/BobAuditore/article/details/82778603</guid><author>BobAuditore</author><pubDate>Wed, 19 Sep 2018 21:27:57 +0800</pubDate><description><![CDATA[WIN10_CUDA8和CUDA9切换：

在开发过程中，CUDA版本经常需要切换。在linux上需要更改环境变量，其实在windows上也是一样的。

首先，CUDA8和CUDA9可以兼容安装，在使用时更改环境变量即可切换。

如何切换成CUDA8.0:

CUDA_PATH，NVCUDASAMPLES_ROOT改成CUDA8.0的路径，Path中CUDA8.0的环境变量移到CUDA9.0的上面...]]></description><category></category></item><item><title><![CDATA[Opencv中利用VideoCapture类将视频保存为图片]]></title><link>https://blog.youkuaiyun.com/BobAuditore/article/details/82153686</link><guid>https://blog.youkuaiyun.com/BobAuditore/article/details/82153686</guid><author>BobAuditore</author><pubDate>Tue, 28 Aug 2018 20:03:17 +0800</pubDate><description><![CDATA[
#include &amp;lt;iostream&amp;gt;

#include &quot;opencv2/opencv.hpp&quot;

using namespace std;
using namespace cv;

void main()
{
	VideoCapture cap(&quot;G:\\11_10_13.mp4&quot;);
	if (!cap.isOpened())
	{
		return;
	}

	long t...]]></description><category></category></item><item><title><![CDATA[Caffe多任务训练时忽略部分无用或未标注类标]]></title><link>https://blog.youkuaiyun.com/BobAuditore/article/details/79802862</link><guid>https://blog.youkuaiyun.com/BobAuditore/article/details/79802862</guid><author>BobAuditore</author><pubDate>Tue, 03 Apr 2018 14:38:52 +0800</pubDate><description><![CDATA[Ignore labels in Caffe when using Multi-Task Multi-label training现在不经常用caffe了，不过临时面临一个问题：多任务训练的时候，假设有N个任务，但部分图片类标不全，或者只对其中x（0&amp;lt;x&amp;lt;N）个任务有用，该怎么训练呢？这在tensorflow里面很好实现，合并loss的时候加上判断就行了。但为了方便快速实现，回头在原来...]]></description><category></category></item><item><title><![CDATA[Python中如何给任务添加进度条]]></title><link>https://blog.youkuaiyun.com/BobAuditore/article/details/79715680</link><guid>https://blog.youkuaiyun.com/BobAuditore/article/details/79715680</guid><author>BobAuditore</author><pubDate>Tue, 27 Mar 2018 17:04:13 +0800</pubDate><description><![CDATA[最近不务正业一下，给自己的程序加个进度条，以解决处理长时间任务时对着黑屏或者只看到print的尴尬。以文件读取为例，给出了处理文件每一行并显示进度的一个例子：import sys
import numpy as np

def progress_bar(num_cur, total):
    ratio = float(num_cur) / total
    percentage = int(...]]></description><category></category></item><item><title><![CDATA[Python中计时，看这一篇就够了]]></title><link>https://blog.youkuaiyun.com/BobAuditore/article/details/79377679</link><guid>https://blog.youkuaiyun.com/BobAuditore/article/details/79377679</guid><author>BobAuditore</author><pubDate>Mon, 26 Feb 2018 15:56:20 +0800</pubDate><description><![CDATA[计时对于了解程序的性能是很关键的部分。

本文讨论了Python 2和python 3中计时方法，并完成了一个通用的计时装饰器。



一、python2和python3的通用计时方法

由于python2和3里面的计时函数是不一样的，建议使用timeit模块中的timeit.default_timer()

由timeit.default_timer()的官方文档可知，计时时间精度和平台...]]></description><category></category></item><item><title><![CDATA[Tensorflow查看网络(inspect)、冻结变量(freeze)和迁移训练(finetune)]]></title><link>https://blog.youkuaiyun.com/BobAuditore/article/details/78981449</link><guid>https://blog.youkuaiyun.com/BobAuditore/article/details/78981449</guid><author>BobAuditore</author><pubDate>Fri, 05 Jan 2018 14:59:15 +0800</pubDate><description><![CDATA[Tensorflow查看网络、冻结变量和迁移训练

(Inspect network structure, freeze graph variables, and finetune/transfer learning in Tensorflow)

 

1.    查看网络结构和参数

 


python
/usr/local/lib/python2.7/dist-packages/tenso...]]></description><category></category></item><item><title><![CDATA[深度学习中整理图像数据常用的批处理方法]]></title><link>https://blog.youkuaiyun.com/BobAuditore/article/details/56682128</link><guid>https://blog.youkuaiyun.com/BobAuditore/article/details/56682128</guid><author>BobAuditore</author><pubDate>Thu, 23 Feb 2017 21:44:37 +0800</pubDate><description><![CDATA[一、前言对于图片识别的深度学习任务，常常需要把大量图片当做训练数据，这时候对于数据的批量处理就十分重要。本文借助如下方法实现了训练图像和测试图像的记录，方便生成lmdb等格式的文件以供训练。1.利用bat，导出图片文件目录信息到directory.set文件；2.利用c++代码把目录文件directory.set分割成训练集train.set和测试集test.set。完成这2步后，你便可以根据se...]]></description><category></category></item><item><title><![CDATA[Ubuntu下的Linux基础命令（不定期更新）]]></title><link>https://blog.youkuaiyun.com/BobAuditore/article/details/53674968</link><guid>https://blog.youkuaiyun.com/BobAuditore/article/details/53674968</guid><author>BobAuditore</author><pubDate>Thu, 15 Dec 2016 19:46:30 +0800</pubDate><description><![CDATA[接触Linux也有一段时间了，主要以Debian系的Ubuntu为主，偶尔用CentOS。
Linux记住一些常用的命令基本上就算入门了，可以应付平常的大部分情况。
这里试图总结一个常用命令的清单，便于自己和初学者查找。
不定期更新。


一、账号操作
1. 查看现有账号：cat /etc/passwd
  其中最左侧的各种就是账号名。cat是查看的意思，别的文件也可以用ca]]></description><category></category></item><item><title><![CDATA[在Ubuntu server 14.04上安装caffe+ATLAS+cuda8.0+opencv2.4.8+python2.7+hdf5]]></title><link>https://blog.youkuaiyun.com/BobAuditore/article/details/53465981</link><guid>https://blog.youkuaiyun.com/BobAuditore/article/details/53465981</guid><author>BobAuditore</author><pubDate>Mon, 05 Dec 2016 15:42:20 +0800</pubDate><description><![CDATA[最近一直在业余时间维护服务器，给多台服务器配上了caffe供训练用。
本文记录了12月1号在Ubuntu server 14.04上安装当时最新版caffe的全过程。
另外注意BLAS使用的是ATLAS，刚开始试了openblas装上引用不了，试了些文章里的方法也不行，就没详细研究。
想装openblas的这一部分可以参考别的文章，官网说openblas会比ATLAS快一些。



]]></description><category></category></item><item><title><![CDATA[N卡双显卡电脑装ubuntu15.04并配置Anaconda+Tensorflow+cuda+cuDNN的深度学习环境]]></title><link>https://blog.youkuaiyun.com/BobAuditore/article/details/51924555</link><guid>https://blog.youkuaiyun.com/BobAuditore/article/details/51924555</guid><author>BobAuditore</author><pubDate>Sat, 16 Jul 2016 15:10:45 +0800</pubDate><description><![CDATA[1.序
这篇文章的目的是Tensorflow环境配置的经验和流程总结，涉及3个部分：
1）装ubuntu并配置显卡驱动；
2）装CUDA+cuDNN库并解决cuda与显卡驱动冲突问题
3）以常用的科学计算python包Anaconda为基础，Tensorflow放于其子环境中，并配置好编程界面jupyter或spyder


2. Tensorflow简介和我的笔记本硬件配置
目前]]></description><category></category></item></channel></rss>