<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[没错我是程序猿]]></title><description><![CDATA[在程序的坑里起起落落]]></description><link>https://blog.youkuaiyun.com/Coding_Ann</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Coding_Ann]]></copyright><item><title><![CDATA[Leetcode-162-寻找峰值]]></title><link>https://blog.youkuaiyun.com/Coding_Ann/article/details/135243266</link><guid>https://blog.youkuaiyun.com/Coding_Ann/article/details/135243266</guid><author>Coding_Ann</author><pubDate>Wed, 27 Dec 2023 13:24:25 +0800</pubDate><description><![CDATA[因为nums[n]=-inf，所以 nums[n-1] > nums[n]，即R0=nums[n-2]可以假设：L表示[:L)内的元素均在峰值左侧，即nums[L-1]一定小于nums[L]，R表示(R:]内的元素均在峰值右侧，即nums[R+1]>nums[R+2]由于nums里没有重复元素，所以一定存在峰值。]]></description><category></category></item><item><title><![CDATA[力扣刷题-122买卖股票的最佳时机]]></title><link>https://blog.youkuaiyun.com/Coding_Ann/article/details/134718646</link><guid>https://blog.youkuaiyun.com/Coding_Ann/article/details/134718646</guid><author>Coding_Ann</author><pubDate>Thu, 30 Nov 2023 18:22:46 +0800</pubDate><description><![CDATA[题目要求如上，这里可以有两种解题思路，一种是利用动态规划去求解，一种是用贪心去求解。首先看下动态规划的方法。]]></description><category></category></item><item><title><![CDATA[pytorch学习：nn.ReflectionPad2d()]]></title><link>https://blog.youkuaiyun.com/Coding_Ann/article/details/114102610</link><guid>https://blog.youkuaiyun.com/Coding_Ann/article/details/114102610</guid><author>Coding_Ann</author><pubDate>Thu, 25 Feb 2021 19:44:14 +0800</pubDate><description><![CDATA[nn.ReflectionPad2d()
功能：对数据进行padding
公式：
H(out) = H(in) + paddingTop + paddingBottom
W(out) = W(in) + paddingLeft + paddingRight
案例：
import torch
import torch.nn as nn
x = torch.randin((2,3,3,3))
pad = nn.ReflectionPad2d((2,2,1,1)) # left,right,top,bottom
]]></description><category></category></item><item><title><![CDATA[latex简单教学记录]]></title><link>https://blog.youkuaiyun.com/Coding_Ann/article/details/114003568</link><guid>https://blog.youkuaiyun.com/Coding_Ann/article/details/114003568</guid><author>Coding_Ann</author><pubDate>Tue, 23 Feb 2021 21:35:32 +0800</pubDate><description><![CDATA[我是在B站上看到这个教程的感觉很适合入门，链接如下：https://www.bilibili.com/video/BV11h41127FD?from=search&amp;seid=13285923317446143491

我根据视频里的内容进行了一些记录主要包括：

添加图
	创建列表
	加入公式
	创建表格

% 所有命令以\开头
% documentclass指定文档类型，[UTF8]是指定文档的编码类型，{}内是参数。
% article:普通文章。其他还有book, report，beamer（]]></description><category></category></item><item><title><![CDATA[自学廖雪峰Git教程总结]]></title><link>https://blog.youkuaiyun.com/Coding_Ann/article/details/112858721</link><guid>https://blog.youkuaiyun.com/Coding_Ann/article/details/112858721</guid><author>Coding_Ann</author><pubDate>Wed, 20 Jan 2021 10:17:30 +0800</pubDate><description><![CDATA[下面是自学廖雪峰GIT教程的自己总结表，原来在印象笔记里总结但不知道怎么导出所以只能以图片的方式保存了。原来以为学习完会非常耗时没想到几个小时其实就基本都看完了，自己尝试了一下发现远程处理github库会很方便。

廖雪峰git学习地址：https://www.liaoxuefeng.com/wiki/896043488029600














...]]></description><category></category></item><item><title><![CDATA[高斯混合模型以及EM算法]]></title><link>https://blog.youkuaiyun.com/Coding_Ann/article/details/109628383</link><guid>https://blog.youkuaiyun.com/Coding_Ann/article/details/109628383</guid><author>Coding_Ann</author><pubDate>Wed, 11 Nov 2020 18:47:05 +0800</pubDate><description><![CDATA[高斯混合模型
由于大部分的数据都可以假设其分布属于由M个高斯分布组成的高斯混合模型构成，因此该模型在很多应用上都有涉及，比如说我最近在攻克的手写字体生成问题上就采用了GMM来模拟汉字序列分布。发现自己经常学习完后没几天就忘记了，为了防止自己忘记特意记录一下。
另外补充了似然和概率的区别，之前面试字节的时候就被问到了这个问题（尴尬）。在最下面补充了一个GMM的应用。


基于RNN和GMM的汉字生成
汉字生成其实可以分为两种思路去解决，一种是将汉字视为图片通过CNN进行处理；另一种是将汉字视为点集序列通过RN]]></description><category></category></item><item><title><![CDATA[MultiscaleDiscriminator的一点理解]]></title><link>https://blog.youkuaiyun.com/Coding_Ann/article/details/104995550</link><guid>https://blog.youkuaiyun.com/Coding_Ann/article/details/104995550</guid><author>Coding_Ann</author><pubDate>Fri, 20 Mar 2020 18:02:57 +0800</pubDate><description><![CDATA[其实从名字就能大概猜出来应该是对输入的img做了多层特征的判别，也就是说传统的discriminator是对一张image做判别，但是Multiscale是多个传统discriminator的叠加。比如Multiscale中的第一个D是用来判别输入img的真假，第二个D是判别输入img经过下采样后的真假，以此类推。。。
没有看论文直接看了代码，如果理解有问题希望多多指教。
下面是代码时间
impo...]]></description><category></category></item><item><title><![CDATA[python-opencv-人脸对齐和反对齐]]></title><link>https://blog.youkuaiyun.com/Coding_Ann/article/details/104693126</link><guid>https://blog.youkuaiyun.com/Coding_Ann/article/details/104693126</guid><author>Coding_Ann</author><pubDate>Fri, 06 Mar 2020 12:19:11 +0800</pubDate><description><![CDATA[背景描述
我需要将视频中的图像拆帧后对齐到标准人脸上，进行一些算法加工后在反对齐回原始视频里。对齐人脸主要依赖于仿射变换，即根据lmks中的5个关键点（眼睛眉毛）找出仿射变换矩阵，再将原img中的所有像素点变换到标准人脸上，反对齐其实就是把对齐后人脸变换到原img的位置，再做一次仿射变换就可以了。另外以防我以后忘记，记录下变换像素的计算公式：设仿射矩阵为M
x = M[0,0]*pixel[0] ...]]></description><category></category></item><item><title><![CDATA[pytorch从预训练模型提取图像特征计算featureless]]></title><link>https://blog.youkuaiyun.com/Coding_Ann/article/details/104671647</link><guid>https://blog.youkuaiyun.com/Coding_Ann/article/details/104671647</guid><author>Coding_Ann</author><pubDate>Thu, 05 Mar 2020 12:21:53 +0800</pubDate><description><![CDATA[1.背景描述
想借助一个预训练好的网络（非集成好的）计算feature-loss，预训练网络地址：表情识别net
2具体实操
2.1 加载模型
作者已经给出了预训练好的模型参数和模型代码，首先我们要把模型load进来：
    from Expression.VGG import VGG
    model = VGG('VGG19')
    #check_pth 从网站上download下来P...]]></description><category></category></item><item><title><![CDATA[Selection GAN：基于级联语义引导下的多通道注意力选择图像翻译]]></title><link>https://blog.youkuaiyun.com/Coding_Ann/article/details/99959086</link><guid>https://blog.youkuaiyun.com/Coding_Ann/article/details/99959086</guid><author>Coding_Ann</author><pubDate>Wed, 21 Aug 2019 14:18:05 +0800</pubDate><description><![CDATA[一．研究背景
目前图像翻译问题的解决方案一般是基于Encoder-Decoder结构，即将原域图像编码后再解码到目标域中，然而这种方案在原域与目标域图像具有显著不同结构或重叠区域极少的情况下时翻译效果会大打折扣。作者发现之前利用语义图指导图像翻译的模型对于图像细节的翻译效果不佳，作者认为这是由于语义图一般是由深度预训练模型产生，并不能保证像素级的准确性。基于此作者提出了级联语义引导下的基于多通道注...]]></description><category></category></item><item><title><![CDATA[CVPR2019|Rob-GAN:结合对抗攻击者的GAN]]></title><link>https://blog.youkuaiyun.com/Coding_Ann/article/details/98108798</link><guid>https://blog.youkuaiyun.com/Coding_Ann/article/details/98108798</guid><author>Coding_Ann</author><pubDate>Thu, 01 Aug 2019 21:39:21 +0800</pubDate><description><![CDATA[一．研究动机
自2014年Goodfellow等人提出生成式对抗网络(Generative Adversarial Networks,GAN)以来，关于GAN稳定训练的研究层出不穷，其中较为突出的是2017年提出的Wasserstein GAN[1]以及2018年提出的SN-GAN[2]。其共同动机都是通过使鉴别器满足利普希茨（Lipschitz）限制条件（也就是让鉴别器更加鲁棒），从而提高模型的...]]></description><category></category></item><item><title><![CDATA[梯度下降算法详解]]></title><link>https://blog.youkuaiyun.com/Coding_Ann/article/details/97654530</link><guid>https://blog.youkuaiyun.com/Coding_Ann/article/details/97654530</guid><author>Coding_Ann</author><pubDate>Mon, 29 Jul 2019 19:42:32 +0800</pubDate><description><![CDATA[写在前面
梯度下降算法是机器学习中最重要的“利剑”之一，可能大家已经对于其思想了熟于心了，心想梯度下降不就是先随机初始化一组参数w然后计算损失函数对参数的梯度g再按w_new = w - r*g（其中r是学习率）进行计算就行了鸭。但不知道你有没有想过如下几个问题：
1.为什么要按梯度的反方向进行计算？
2.为什么学习率不能设置太大？
如果你有这些困惑的话，相信你读完这篇文章应该会有所启发，那就现在...]]></description><category></category></item><item><title><![CDATA[由UnicodeDecodeError发现的知识盲区]]></title><link>https://blog.youkuaiyun.com/Coding_Ann/article/details/94358026</link><guid>https://blog.youkuaiyun.com/Coding_Ann/article/details/94358026</guid><author>Coding_Ann</author><pubDate>Sun, 30 Jun 2019 21:25:11 +0800</pubDate><description><![CDATA[今天要建一个.html文件，一开始也没走心，就随便点了个文件然后修改后缀为.html了，之后程序一直报错（如下），真的搞了一下午都不知道究竟是为什么，就新建了个.html的文件结果就通了？？？一脸懵逼，开始仔细研究为什么会这样，发现两个一毛一样内容的.html文件居然差了100多KB？？？这玩意不科学啊，最后终于发现，一个是从.doc修改扩展名为.html，一个是从.txt修改扩展名为.html，...]]></description><category></category></item><item><title><![CDATA[Django-入门操作详解]]></title><link>https://blog.youkuaiyun.com/Coding_Ann/article/details/94320224</link><guid>https://blog.youkuaiyun.com/Coding_Ann/article/details/94320224</guid><author>Coding_Ann</author><pubDate>Sun, 30 Jun 2019 15:12:20 +0800</pubDate><description><![CDATA[初试牛刀利用Django实现投票系统创建Python虚拟环境配置MySQL利用Django来管理模型
利用Django实现投票系统
声明：我是跟着Github项目学习的，这里的记录仅仅是帮助自己理解。
这篇文章的主要目的是利用Django连接MySQL数据库，并利用Django中自带的Web前端处理器对数据库进行简单增删改查操作，首先在进行实验之前请确保如下环境配置正确：Python3.5以上、M...]]></description><category></category></item><item><title><![CDATA[2019 CVPR|INIT：针对实例级的图像翻译]]></title><link>https://blog.youkuaiyun.com/Coding_Ann/article/details/94301033</link><guid>https://blog.youkuaiyun.com/Coding_Ann/article/details/94301033</guid><author>Coding_Ann</author><pubDate>Sun, 30 Jun 2019 11:43:57 +0800</pubDate><description><![CDATA[一．研究动机
近年来关于图像翻译的研究越来越多，其中比较经典的有监督模型包括Pix2Pix, BicycleGAN等，无监督模型包括CycleGAN, MUNIT, StarGAN, DRIT等。由于这些模型无论是针对多领域翻译还是单领域翻译都是将目标域图像的风格/属性整个迁移到源域图像上，因此虽然这些方法可以很好的解决风格统一或者内容相关的图像翻译问题，但对于有大量实例物体并且物体与背景之间的风...]]></description><category></category></item><item><title><![CDATA[BN,LN,IN,GN的有趣解释]]></title><link>https://blog.youkuaiyun.com/Coding_Ann/article/details/90607707</link><guid>https://blog.youkuaiyun.com/Coding_Ann/article/details/90607707</guid><author>Coding_Ann</author><pubDate>Mon, 27 May 2019 17:43:09 +0800</pubDate><description><![CDATA[今天在知乎上看到了一个关于四种Normalization特别有趣的讲解，具体的大家可以去读一下大神的原作，

关于四种Normalization的有趣且深刻的解释

下面是转载该作者写的小故事（转载地址如上），分享给大家！

为了能够更直观地理解四种Normalization的异同，大家可以体会下面的故事以做类比：

很久很久以前，在遥远的L国内有一个神奇的理发馆，理发馆里面有很多勤劳的理发师，来...]]></description><category></category></item><item><title><![CDATA[Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks论文笔记]]></title><link>https://blog.youkuaiyun.com/Coding_Ann/article/details/90601353</link><guid>https://blog.youkuaiyun.com/Coding_Ann/article/details/90601353</guid><author>Coding_Ann</author><pubDate>Mon, 27 May 2019 12:48:36 +0800</pubDate><description><![CDATA[首先说一下：CycleGAN,DualGAN,DiscoGAN这三篇论文也太像了叭！！！只不过是生成器和鉴别器的架构有点不同而已，网络模型可以说是一毛一样了。。。难道这么相似都可以发论文吗？？？突然对我要发的论文有点信心了，嘿嘿嘿嘿。

一．问题提出

图像翻译问题是将一个物体的图像表征转换为该物体的另一种图像表征问题，例如草图到真实图的转化、白天到黑夜的转换以及图像风格渲染等。以往的图像翻译模型...]]></description><category></category></item><item><title><![CDATA[利用深层LSTM实现sin函数预测]]></title><link>https://blog.youkuaiyun.com/Coding_Ann/article/details/89879373</link><guid>https://blog.youkuaiyun.com/Coding_Ann/article/details/89879373</guid><author>Coding_Ann</author><pubDate>Mon, 06 May 2019 12:16:24 +0800</pubDate><description><![CDATA[先来简短的说一波概念问题~

RNN的主要思想以及问题：

每次的输入需要依赖上层节点的状态，如果网络结构非常深的话则初始状态就可能会被遗忘，但是在应用中会发现对于当前状态的输出有时需要依赖初始状态，这么说可能不太明白，比如我要预测“随着时间的流逝北京慢慢进入的夏天，....，北京城内种植了大量的柳树、杨树，这导致天空中到处都飘舞着___”，我需要根据夏天这个关键字以及柳树等来预测这里应该出现的是...]]></description><category></category></item><item><title><![CDATA[《机器学习实战》-Chapter5-Logistic回归]]></title><link>https://blog.youkuaiyun.com/Coding_Ann/article/details/88578979</link><guid>https://blog.youkuaiyun.com/Coding_Ann/article/details/88578979</guid><author>Coding_Ann</author><pubDate>Fri, 15 Mar 2019 17:22:39 +0800</pubDate><description><![CDATA[Logistic回归是非常经典的分类算法，它可以对非线性可分的数据集进行分类（当然有误分类的情况），因为这本书主要针对初学者所以只考虑的二分类问题。这章的代码没有需要改动的，python2.X和python3.X均能跑。

最开始的训练使用的是梯度上升算法来求解出拟合曲线的参数最优值，此时的计算均是矩阵运算。效果很不错：



但是梯度上升算法对于数据量小的情况还比较适用，差别没那么明显，但是一旦...]]></description><category></category></item><item><title><![CDATA[spark在windows10下的安装教程]]></title><link>https://blog.youkuaiyun.com/Coding_Ann/article/details/88424746</link><guid>https://blog.youkuaiyun.com/Coding_Ann/article/details/88424746</guid><author>Coding_Ann</author><pubDate>Tue, 12 Mar 2019 17:19:01 +0800</pubDate><description><![CDATA[Spark环境搭建

安装步骤分为java, hadoop, scala和 spark四步，其中java和hadoop在上一个环境配置中已经安装完毕，Win10下的Hadoop安装及简单操作，因此只需要安装 scala和 spark。以下是对我整个安装过程的记录。

首先登陆http://spark.apache.org/downloads.html下载符合本机Hadoop和JDK版本的Spark...]]></description><category></category></item></channel></rss>