<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Curry_xin的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Curry_xin</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Curry_xin]]></copyright><item><title><![CDATA[Github的使用]]></title><link>https://blog.youkuaiyun.com/Curry_xin/article/details/110474721</link><guid>https://blog.youkuaiyun.com/Curry_xin/article/details/110474721</guid><author>Curry_xin</author><pubDate>Wed, 02 Dec 2020 11:10:55 +0800</pubDate><description><![CDATA[在github上上传项目代码

在github官网上新建自己的仓库，需要写好标题和说明文件，然后复制自己的仓库地址
在要上传到的本地project中右键， Git bash here，接着输入

git clone url    #克隆仓库到本地

接着在文件夹里会出现一个仓库名称的文件夹
cd name

将要上传的文件复制到name文件夹下（注意文件大小不超过100M）
git add .    #添加
git commit -m "提交信息"  #提交的一些说明性东西
如果刚开始使用会让提示绑定用户名]]></description><category></category></item><item><title><![CDATA[ubuntu和windows配置服务器并进行远程连接]]></title><link>https://blog.youkuaiyun.com/Curry_xin/article/details/108608542</link><guid>https://blog.youkuaiyun.com/Curry_xin/article/details/108608542</guid><author>Curry_xin</author><pubDate>Thu, 26 Nov 2020 18:59:10 +0800</pubDate><description><![CDATA[Ubuntu系统
1、备份
在服务器上整个装系统之前，需要做好一个工作，也就是相关重要数据的备份，这里主要是将固态中的数据备份到机械硬盘或移动硬盘里，可能在备份的过程中会遇到无法写入的问题，是因为文件夹的属性可能只读等原因，所以这里可能会用到改变所有者权限的命令：
sudo chmod -R 777 文件名

文件或目录的权限分为三种：只读（r）、只写（w）、可执行（x）。用户也分为三种：所有者、组、其他用户。
上述命令中的777分别指的是这三种用户，每一位里的7是指二进制的111，也就是赋予了所有用户可读]]></description><category></category></item><item><title><![CDATA[conda常用命令总结]]></title><link>https://blog.youkuaiyun.com/Curry_xin/article/details/110191862</link><guid>https://blog.youkuaiyun.com/Curry_xin/article/details/110191862</guid><author>Curry_xin</author><pubDate>Thu, 26 Nov 2020 15:47:55 +0800</pubDate><description><![CDATA[conda常用命令
conda create -n name python=x.x     #创建环境
conda activate name #进入环境
conda deactivate #退出环境
conda env list   #环境信息
conda list    #包信息
conda search 包名  #查看可用版本的包
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
c]]></description><category></category></item><item><title><![CDATA[【转载】Encoder-decoder模型]]></title><link>https://blog.youkuaiyun.com/Curry_xin/article/details/109904296</link><guid>https://blog.youkuaiyun.com/Curry_xin/article/details/109904296</guid><author>Curry_xin</author><pubDate>Sat, 21 Nov 2020 18:19:57 +0800</pubDate><description><![CDATA[Encoder-Decoder（编码-解码）是深度学习中非常常见的一个模型框架，比如无监督算法的auto-encoding就是用编码-解码的结构设计并训练的；比如这两年比较热的image caption的应用，就是CNN-RNN的编码-解码框架；再比如神经网络机器翻译NMT模型，往往就是LSTM-LSTM的编码-解码框架。因此，准确的说，Encoder-Decoder并不是一个具体的模型，而是一类框架。Encoder和Decoder部分可以是任意的文字，语音，图像，视频数据，模型可以采用CNN，RNN，Bi]]></description><category></category></item><item><title><![CDATA[【转载】一文搞懂注意力机制]]></title><link>https://blog.youkuaiyun.com/Curry_xin/article/details/109903722</link><guid>https://blog.youkuaiyun.com/Curry_xin/article/details/109903722</guid><author>Curry_xin</author><pubDate>Sat, 21 Nov 2020 18:01:51 +0800</pubDate><description><![CDATA[作者 | 张俊林  
  责编 | 何永灿 
    
  最近两年，注意力模型（Attention Model）被广泛使用在自然语言处理、图像识别及语音识别等各种不同类型的深度学习任务中，是深度学习技术中最值得关注与深入了解的核心技术之一。 
  本文以机器翻译为例，深入浅出地介绍了深度学习中注意力机制的原理及关键计算机制，同时也抽象出其本质思想，并介绍了注意力模型在图像及语音等领域的典型应用场景。 
  注意力模型最近几年在深度学习各个领域被广泛使用，无论是图像处理、语音识别还是自然语言处理...]]></description><category></category></item><item><title><![CDATA[汉诺塔Python]]></title><link>https://blog.youkuaiyun.com/Curry_xin/article/details/107870256</link><guid>https://blog.youkuaiyun.com/Curry_xin/article/details/107870256</guid><author>Curry_xin</author><pubDate>Fri, 07 Aug 2020 21:08:38 +0800</pubDate><description><![CDATA[刚开始看python实现汉诺塔，自己想了很久才想明白，在这里记录一下，希望以后忘记能够立马记起。
n=1时，可以直接a-&gt;c
n=2时，可以借助b然后将a-&gt;c
n=3时，可以将最上面的那两个作为一个整体先移动到b，然后把最下面的移动到c，再把上面两个移动到c，那上面两个具体怎么移动呢，不就是n=2的时候那样子移动吗？只不过这时候上面两个的目标就是b，所以需要借助c移动到b，再移动完最下面的那时候，目标就又变为了从b移动到c，而需要借助的是a。
再往上就同理，始终将最底下的上面作为一个整体，这n]]></description><category></category></item><item><title><![CDATA[pytorch总体框架]]></title><link>https://blog.youkuaiyun.com/Curry_xin/article/details/107691162</link><guid>https://blog.youkuaiyun.com/Curry_xin/article/details/107691162</guid><author>Curry_xin</author><pubDate>Thu, 30 Jul 2020 15:23:43 +0800</pubDate><description><![CDATA[转载于此博客https://blog.youkuaiyun.com/ibelieve8013/article/details/84206410


]]></description><category></category></item><item><title><![CDATA[机器学习算法汇总与个人理解]]></title><link>https://blog.youkuaiyun.com/Curry_xin/article/details/107517055</link><guid>https://blog.youkuaiyun.com/Curry_xin/article/details/107517055</guid><author>Curry_xin</author><pubDate>Thu, 23 Jul 2020 09:09:26 +0800</pubDate><description><![CDATA[一直断断续续的学习机器学习的算法，现在希望将已经学习到的机器学习的算法做一个总结，将来有需要的时候可以直接回来查看。
一、K最近邻（kNN）
KNN一般被认为是最简单的机器学习算法，它是指如果一个样本在特征空间中的k个最相似（即特征空间中最邻近）的样本中的大多数属于某一个类别，则该样本也属于这个类别。

比如上图中这幅图，如果k=3，则绿色的圆圈属于三角类，因为三角的个数(2)大于方块的个数(1)，如果k=5，则绿色的圆圈属于方块。
该算法在分类时有个主要的不足是，当样本不平衡时，如一个类的样本容量很大，而]]></description><category></category></item><item><title><![CDATA[Tensor多维数组和axis的理解]]></title><link>https://blog.youkuaiyun.com/Curry_xin/article/details/107490905</link><guid>https://blog.youkuaiyun.com/Curry_xin/article/details/107490905</guid><author>Curry_xin</author><pubDate>Tue, 21 Jul 2020 16:43:14 +0800</pubDate><description><![CDATA[Tensor多维数组和axis的理解Tensor多维数组和axis的理解多维数组理解axis功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入
Tensor多维数组和axis的理解
今天在编写程序的时候一直对于axis=0或等于1搞不]]></description><category></category></item><item><title><![CDATA[在linux和windows下anaconda+pycharm+tensorflow+cuda的配置]]></title><link>https://blog.youkuaiyun.com/Curry_xin/article/details/107470087</link><guid>https://blog.youkuaiyun.com/Curry_xin/article/details/107470087</guid><author>Curry_xin</author><pubDate>Mon, 20 Jul 2020 22:35:15 +0800</pubDate><description><![CDATA[在linux和windows下anaconda+pycharm+tensorflow+cuda的配置
在linux和windows下anaconda+pycharm+tensorflow+cuda的配置
第一次在csdn上写博客，纯粹是为了想自己以后可以来看看之前踩得坑，也方便以后遇到同样的问题的时候能够有经验解决
Window10
首先是在Linux下，刚开始之所以会遇到这个问题是在跑Github上的一个代码，是需要用到tensorflow框架，之后配好环境后代码是能够跑通的，但是计算速度非常慢，使用nv]]></description><category></category></item></channel></rss>