<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Dod_Jdi的博客]]></title><description><![CDATA[Don't delay,just do it!]]></description><link>https://blog.youkuaiyun.com/Dod_Jdi</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Dod_Jdi]]></copyright><item><title><![CDATA[AI论文参考]]></title><link>https://blog.youkuaiyun.com/Dod_Jdi/article/details/88136796</link><guid>https://blog.youkuaiyun.com/Dod_Jdi/article/details/88136796</guid><author>Dod_Jdi</author><pubDate>Mon, 04 Mar 2019 20:29:28 +0800</pubDate><description><![CDATA[描述了12个NLP文本分类或者相关NLP模型的结构，解释及实现等。链接：优快云飞翔的大马哈鱼 包括：

快速文本（fastText）
文本卷积神经网络（Text CNN）
文本循环神经网络（Text RNN）
双向长短期记忆网络文本关系（BiLstm Text Relation）
两个卷积神经网络文本关系（two CNN Text Relation）
双长短期记忆文本关系双循环神经网络（BiLs...]]></description><category></category></item><item><title><![CDATA[Layer父子界面交互， require.js的配置和引入layer.js]]></title><link>https://blog.youkuaiyun.com/Dod_Jdi/article/details/85163215</link><guid>https://blog.youkuaiyun.com/Dod_Jdi/article/details/85163215</guid><author>Dod_Jdi</author><pubDate>Fri, 21 Dec 2018 15:41:40 +0800</pubDate><description><![CDATA[Layer弹窗感觉还是挺好用的，就是父子界面间的交互不是很清楚。看了不少文档自己又试了挺久，算是找到了一个比较好的方法，记录一下吧。
基本原理： 获取弹出层实体，通过向方法传递参数的形式去弱化父子关系。
基本使用：
弹出页面层-相当于在当前页面中弹出一个div
layer.open({
  type: 1,
  title: false,
  content: '自定义HTML内容'	// str...]]></description><category></category></item><item><title><![CDATA[Anaconda的简单使用]]></title><link>https://blog.youkuaiyun.com/Dod_Jdi/article/details/83578037</link><guid>https://blog.youkuaiyun.com/Dod_Jdi/article/details/83578037</guid><author>Dod_Jdi</author><pubDate>Wed, 31 Oct 2018 10:52:45 +0800</pubDate><description><![CDATA[前面一直都是直接安装python，然后pip管理包，然而感觉版本管理和包安装有时候不是很方便，同学推荐用Anaconda，用了一下感觉真的方便多了，可以用pip的同时使用conda安装，还有可视化的界面。

安装
到官网下载安装，添加安装目录和其下的Scripts到path环境中。
安装后打开工具prompt输入conda --version显示版本号说明安装成功啦
添加代理（可选）：

TUNA...]]></description><category></category></item><item><title><![CDATA[集成学习 ensemble learning]]></title><link>https://blog.youkuaiyun.com/Dod_Jdi/article/details/81502373</link><guid>https://blog.youkuaiyun.com/Dod_Jdi/article/details/81502373</guid><author>Dod_Jdi</author><pubDate>Wed, 08 Aug 2018 09:35:32 +0800</pubDate><description><![CDATA[ 集成学习（ensemble learning）：

集成学习通过构建并结合多个学习器来完成学习任务。

如神经网络集成中使用的都是神经网络，这类叫做同质集成，子学习器叫做“基学习器”； 
不同的叫异质集成，学习器叫“个体学习器”或者组件学习器。

集成学习通过将多个学习器进行结合，以取得更好的学习能力或者泛化性能。通过投票法产生最后结果，同时个体学习器之间要尽量“好而不同”。

两类集成学习： ...]]></description><category></category></item><item><title><![CDATA[背包问题]]></title><link>https://blog.youkuaiyun.com/Dod_Jdi/article/details/81354058</link><guid>https://blog.youkuaiyun.com/Dod_Jdi/article/details/81354058</guid><author>Dod_Jdi</author><pubDate>Thu, 02 Aug 2018 10:27:56 +0800</pubDate><description><![CDATA[在有容量限制的情况下装下最大价值的物品：

// 设置n个物体重量和对应的价值
int w[] = {0, 1, 2, 5, 4, 3};
int v[] = {0, 1, 2, 3, 4, 5};
// 背包容量
int m = 10;

结果导论：如果在取 [a1,a2...ak][a1,a2...ak][a_1, a_2...a_k] 时价值最大，那么在限制重量为 m−w[ak]m−w[ak...]]></description><category></category></item><item><title><![CDATA[笔试]]></title><link>https://blog.youkuaiyun.com/Dod_Jdi/article/details/81156820</link><guid>https://blog.youkuaiyun.com/Dod_Jdi/article/details/81156820</guid><author>Dod_Jdi</author><pubDate>Sun, 22 Jul 2018 17:51:54 +0800</pubDate><description><![CDATA[一、交叉熵损失函数

首先sigmoid函数 y^=g(z)=11+e−zy^=g(z)=11+e−z \hat y = g(z) = \frac{1}{1+e^{-z}}  给出的是分类为1的概率，分类为0的概率为1−y^1−y^1-\hat y，即： 
P(y=1|x)=y^P(y=0|x)=1−y^P(y=1|x)=y^P(y=0|x)=1−y^  P(y=1|x) = \hat y \\ ...]]></description><category></category></item><item><title><![CDATA[贝叶斯（Bayes）分类器]]></title><link>https://blog.youkuaiyun.com/Dod_Jdi/article/details/81143106</link><guid>https://blog.youkuaiyun.com/Dod_Jdi/article/details/81143106</guid><author>Dod_Jdi</author><pubDate>Sat, 21 Jul 2018 11:53:27 +0800</pubDate><description><![CDATA[1、基本概念

条件概率： A条件下B发生的概率为 P(B|A)=P(A,B)P(A)P(B|A)=P(A,B)P(A) P(B|A) = \frac{P(A,B)}{P(A)}  
并且 P(A|B)=P(A,B)P(B)=P(B|A)∗p(A)P(B)P(A|B)=P(A,B)P(B)=P(B|A)∗p(A)P(B) P(A|B) = \frac{P(A,B)}{P(B)}  = \frac{...]]></description><category></category></item><item><title><![CDATA[支持向量机Support Vector Machine]]></title><link>https://blog.youkuaiyun.com/Dod_Jdi/article/details/81084732</link><guid>https://blog.youkuaiyun.com/Dod_Jdi/article/details/81084732</guid><author>Dod_Jdi</author><pubDate>Tue, 17 Jul 2018 17:07:43 +0800</pubDate><description><![CDATA[在样本空间中，划分超平面的方程描述如下： 
wTx+b=0wTx+b=0  w^Tx + b = 0    其中w为法向量，决定了超平面的方向，b为位移项，决定了超平面与原点的距离。

很明显，不同的超平面方向和位移项对分类鲁棒性不同，一般而言其间距(margin)越宽泛化能力也更好。 
 
对于正确分类的样本，总有： 
{wTxi+b&amp;amp;amp;amp;amp;amp;amp;gt;0,wTxi+b&amp;amp;amp;amp;amp;amp;amp;lt;0,yi=+1;yi=−1{w]]></description><category></category></item><item><title><![CDATA[python 独立版本管理]]></title><link>https://blog.youkuaiyun.com/Dod_Jdi/article/details/80862493</link><guid>https://blog.youkuaiyun.com/Dod_Jdi/article/details/80862493</guid><author>Dod_Jdi</author><pubDate>Fri, 29 Jun 2018 22:26:07 +0800</pubDate><description><![CDATA[从python3开始添加了一个很好的东西：venv， 即虚拟环境管理 
有一个类似的东西叫做 virtualenv， 推荐个教程： virtualenv 教程

通过venv你可以为自己甚至工程设立一个单独的python环境。

系统可以安装多个python版本，但是版本切换比较麻烦，而且对于每个版本安装卸载库什么的可能会互相影响。系统安装完python会，使用venv会拷贝建立一个虚拟单独纯净的...]]></description><category></category></item><item><title><![CDATA[Retrofit2在Android的使用]]></title><link>https://blog.youkuaiyun.com/Dod_Jdi/article/details/80580178</link><guid>https://blog.youkuaiyun.com/Dod_Jdi/article/details/80580178</guid><author>Dod_Jdi</author><pubDate>Tue, 05 Jun 2018 13:43:16 +0800</pubDate><description><![CDATA[是的，最近又在写Android，不要问我为什么，心累。

Retrofit2 可以极大的简便网络交互，从此不用自己去管理线程，建立handler之类的。

 
Retrofit2  的使用主要包括三个部分：


定义网络交互接口
定义解析返回结果类
在上面两个的基础上进行使用




我前面看了一些资料，但是感觉不够直观（目的和过程不够清晰，其他都挺好的，官方链接：https://github.c...]]></description><category></category></item><item><title><![CDATA[tensorflow 使用笔记]]></title><link>https://blog.youkuaiyun.com/Dod_Jdi/article/details/79907732</link><guid>https://blog.youkuaiyun.com/Dod_Jdi/article/details/79907732</guid><author>Dod_Jdi</author><pubDate>Thu, 12 Apr 2018 09:27:33 +0800</pubDate><description><![CDATA[解决window下 tensorboard不是内部或外部命令的问题

将 C:\Users\用户名\AppData\Local\Programs\Python\Python35\Scripts 下的 tensorboard.exe 拷贝到 C:\Users\用户名\AppData\Local\Programs\Python\Python35\Scripts 下就好了。

其他类似的问题基本都可以这...]]></description><category></category></item><item><title><![CDATA[Python 代码笔记]]></title><link>https://blog.youkuaiyun.com/Dod_Jdi/article/details/79810893</link><guid>https://blog.youkuaiyun.com/Dod_Jdi/article/details/79810893</guid><author>Dod_Jdi</author><pubDate>Tue, 03 Apr 2018 23:21:07 +0800</pubDate><description><![CDATA[1、内置函数 lambda

用法一：类函数



格式如下，[]表示可选
[生成器 =] lambda 参数x : 函数体  [实参]
f = (lambda x: x=i)
print(f(1))     # 输出1，这时候类似函数调用

用法二：迭代



print map(lambda x: x.startswith('s'), cities['City name']) # 实参部分是一...]]></description><category></category></item><item><title><![CDATA[DeepLearning.ai code笔记5：序列模型]]></title><link>https://blog.youkuaiyun.com/Dod_Jdi/article/details/79810703</link><guid>https://blog.youkuaiyun.com/Dod_Jdi/article/details/79810703</guid><author>Dod_Jdi</author><pubDate>Tue, 03 Apr 2018 23:02:24 +0800</pubDate><description><![CDATA[注意力机制模型

模型： 分为 Encoder层，Attention层 和 Decoder层。

将 Encoder层 的每个时间片的激活值  s&amp;amp;lt;t&amp;amp;gt;s&amp;amp;lt;t&amp;amp;gt;s^{} 拷贝 Tx 次然后和全部激活值 a (Tx个时间片) 串联作为Attention 层的输入，经过Attention层的计算输出 nynyn_y 个阿尔法 α，使用不同激活值 a 作为不同阿尔法 α 对每个单...]]></description><category></category></item><item><title><![CDATA[DeepLearning.ai code笔记4：卷积神经网络]]></title><link>https://blog.youkuaiyun.com/Dod_Jdi/article/details/79806492</link><guid>https://blog.youkuaiyun.com/Dod_Jdi/article/details/79806492</guid><author>Dod_Jdi</author><pubDate>Tue, 03 Apr 2018 17:25:36 +0800</pubDate><description><![CDATA[1、卷积基本结构

Stride 步长： 滤波器在原始图片上每次水平或垂直移动的距离。

卷积大小的计算，滤波器大小为 f ，步长为 s , 填充为 p, 输入图片为 n×nn×n n \times n ，则卷积得到的特征图大小为, 下标 f 表示向下取整： 

[n+2p−fs]f×[n+2p−fs]f[n+2p−fs]f×[n+2p−fs]f [ \frac{n+2p-f}{s} ] _f \...]]></description><category></category></item><item><title><![CDATA[DeepLearning.ai code笔记2：超参数调试、正则化以及优化]]></title><link>https://blog.youkuaiyun.com/Dod_Jdi/article/details/79805530</link><guid>https://blog.youkuaiyun.com/Dod_Jdi/article/details/79805530</guid><author>Dod_Jdi</author><pubDate>Tue, 03 Apr 2018 16:39:10 +0800</pubDate><description><![CDATA[1、L2正则化

不使用正则化的公式： 
J=−1m∑i=1m(y(i)log(a[L](i))+(1−y(i))log(1−a[L](i)))(1)(1)J=−1m∑i=1m(y(i)log⁡(a[L](i))+(1−y(i))log⁡(1−a[L](i)))J = -\frac{1}{m} \sum\limits_{i = 1}^{m} \large{(}\small y^{(i)}\log\...]]></description><category></category></item><item><title><![CDATA[DeepLearning.ai code笔记1：神经网络与深度学习]]></title><link>https://blog.youkuaiyun.com/Dod_Jdi/article/details/79796669</link><guid>https://blog.youkuaiyun.com/Dod_Jdi/article/details/79796669</guid><author>Dod_Jdi</author><pubDate>Mon, 02 Apr 2018 22:52:09 +0800</pubDate><description><![CDATA[说明一下，这和系列是对编程作业的作一些我认为比较重要的摘抄、翻译和解释，主要是为了记录不同的模型的主要思想或者流程，以及一些coding中常见的错误，作为查漏补缺之用。

作业链接：https://github.com/Wasim37/deeplearning-assignment。感谢大佬们在GitHub上的贡献。

1、随机数的生成

np.random.randn() 和 np.random...]]></description><category></category></item><item><title><![CDATA[吴恩达深度学习笔记六：序列模型]]></title><link>https://blog.youkuaiyun.com/Dod_Jdi/article/details/79706061</link><guid>https://blog.youkuaiyun.com/Dod_Jdi/article/details/79706061</guid><author>Dod_Jdi</author><pubDate>Mon, 26 Mar 2018 23:09:57 +0800</pubDate><description><![CDATA[周末出去耍了一下，回来又玩了两天游戏，耽误了好多时间啊，关键是连输20多局。哎，以后还是少玩游戏，多去做些有趣的事情吧，免得费时费力还不开心。

1、 循环神经网络（RNN：Recurrent Neural Network）

序列模型（sequence model）：处理语言和音视频等前后相互关联的数据。和CNN卷积模型处理相对独立的输入和输出不同，序列模型处理的是具有较强相关性的连续序列。序列...]]></description><category></category></item><item><title><![CDATA[吴恩达深度学习笔记五：卷积神经网络 人脸识别和风格迁移部分]]></title><link>https://blog.youkuaiyun.com/Dod_Jdi/article/details/79673440</link><guid>https://blog.youkuaiyun.com/Dod_Jdi/article/details/79673440</guid><author>Dod_Jdi</author><pubDate>Fri, 23 Mar 2018 22:26:50 +0800</pubDate><description><![CDATA[1、人脸识别

人脸验证（Face Verification）：输入图片和模板图片是否为同一人，一对一问题。 
人脸识别（Face Recognition）：输入图片，检测是否为多个模板图片中的一个，一对多问题。

一般来说，人脸验证由于范围较小难度较小，而人脸识别需要进行一对多的比对难度较大准确率也较低。

One-Shot Learning： 由于人脸数据库的容量 K 并不固定，如果使用以前的...]]></description><category></category></item><item><title><![CDATA[吴恩达深度学习笔记四：卷积神经网络 基础和目标检测部分]]></title><link>https://blog.youkuaiyun.com/Dod_Jdi/article/details/79621088</link><guid>https://blog.youkuaiyun.com/Dod_Jdi/article/details/79621088</guid><author>Dod_Jdi</author><pubDate>Tue, 20 Mar 2018 09:45:51 +0800</pubDate><description><![CDATA[1、卷积神经网络（CNN：Convolutional neural network）：

卷积运算：矩阵对应位元素相乘然后相加，主要作用是特征提取和减少参数。深度学习中使用的是“互相关”卷积，即不进行偏转的卷积。

滤波器（fliter）:也叫“核（kernel）”，使用具有不同参数的滤波器可以检测图片中 垂直、水平边缘等 特征。



两个重要的特征，可以有效解决计算机视觉等存在的参数过多速度慢...]]></description><category></category></item><item><title><![CDATA[吴恩达深度学习笔记三：结构化机器学习项目]]></title><link>https://blog.youkuaiyun.com/Dod_Jdi/article/details/79587499</link><guid>https://blog.youkuaiyun.com/Dod_Jdi/article/details/79587499</guid><author>Dod_Jdi</author><pubDate>Fri, 16 Mar 2018 22:02:13 +0800</pubDate><description><![CDATA[1、正交化

正交化：每次调整对某一性能进行针对性调试和优化，更快地发现影响效应，从而进行综合性的优化。

一个好的模型最好能够同时在训练集，验证集，测试集和实际应用中表现良好，如果：




  情况
  解决办法



  在训练集上表现不好
  尝试更大的神经网络或者使用更好的优化算法（如Adam）


  在验证集上表现不好
  尝试获取更多的训练数据或者加入正则化


  在测试集上表现...]]></description><category></category></item></channel></rss>