<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Dog_King_的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Dog_King_</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Dog_King_]]></copyright><item><title><![CDATA[深度学习之注意力机制（Attention）、自注意力机制（self-attention）、多头注意力机制(MultiHeadAttention)]]></title><link>https://blog.youkuaiyun.com/Dog_King_/article/details/138273263</link><guid>https://blog.youkuaiyun.com/Dog_King_/article/details/138273263</guid><author>Dog_King_</author><pubDate>Mon, 09 Sep 2024 09:09:27 +0800</pubDate><description><![CDATA[本篇文章讲解一下注意力机制相关的内容，这几年大火的Transformer都离不开注意力机制这个内容。那么什么是注意力机制，理解起来很容易，比如有很多个物品，我们最选择性的关心重要的特征来发现我们需要的东西。我们之前使用的CNN之类的卷积，并没有这种抓重点特征的功能。]]></description><category></category></item><item><title><![CDATA[JAVA之Arrays类定制排序、自己实现定制排序、Treeset、Treemap有序集合]]></title><link>https://blog.youkuaiyun.com/Dog_King_/article/details/141025686</link><guid>https://blog.youkuaiyun.com/Dog_King_/article/details/141025686</guid><author>Dog_King_</author><pubDate>Mon, 12 Aug 2024 21:19:51 +0800</pubDate><description><![CDATA[JAVA之Arrays类定制排序、自己实现定制排序、Treeset、Treemap有序集合Array类是JAVA内置的一个类，如其名主要是针对数组，提供了一系列的静态方法，此处我们主要记录一下关于sort函数的定制排序。]]></description><category></category></item><item><title><![CDATA[PCA(主成分分析)、AE(自编码器)、SAE(堆叠编码器)]]></title><link>https://blog.youkuaiyun.com/Dog_King_/article/details/138526434</link><guid>https://blog.youkuaiyun.com/Dog_King_/article/details/138526434</guid><author>Dog_King_</author><pubDate>Tue, 07 May 2024 13:50:43 +0800</pubDate><description><![CDATA[PCA的任务是进行降为，降为的方法是通过变换坐标系，如下图有几个数据都是二维的，我们通过移动旋转，使其都落在X轴上，那么，我们就可以通过一维坐标来表示这些数据了。当然我们处理的数据不会每次都那么巧的可以落在一个坐标轴上。从上面也可看出来，我们的目标是找一个好的坐标系，坐标系自然包括新的坐标原点，和平移坐标系后的旋转角度。我们新坐标原点的就是所有数据的中心点，也就是完成中心化，旋转角度，是为了让数据在新的坐标系下，数据之间的方差最大化。（有效的区分不同的数据，最大可能保存或提取数据的特征信息）]]></description><category></category></item><item><title><![CDATA[深度学习之RNN,LSTM,GRU,CNN-GRU,ABLSTM(pytorch实现)]]></title><link>https://blog.youkuaiyun.com/Dog_King_/article/details/138246206</link><guid>https://blog.youkuaiyun.com/Dog_King_/article/details/138246206</guid><author>Dog_King_</author><pubDate>Sat, 27 Apr 2024 19:49:45 +0800</pubDate><description><![CDATA[RNN模型最重要的贡献就是引入了隐藏层，隐状态存储的都是前一些时刻的相关特征信息，也是隐状态让模型有了记忆的能力。计算公式就类似于线性层。t时刻的H是由t-1时刻的H（也就是记忆的之前的信息），加上Xt（当前时刻的特征）GRU模型和前面的RNN模型很像，包括输入特征、隐藏态、输出。但是又有了改进，主要改进了隐藏态H的计算方法，通过门控制隐状态。这里引进了门，就是数电那种逻辑电路。这里引入了重置门和更新门，都是根据上一个时刻的隐藏态和t时刻的特征X计算得出。GRU还引入了候选隐状态。]]></description><category></category></item><item><title><![CDATA[深度学习python库之os、glob、shutil、pathlib]]></title><link>https://blog.youkuaiyun.com/Dog_King_/article/details/138220336</link><guid>https://blog.youkuaiyun.com/Dog_King_/article/details/138220336</guid><author>Dog_King_</author><pubDate>Fri, 26 Apr 2024 16:20:33 +0800</pubDate><description><![CDATA[在深度学习处理数据集的时候，我们需要处理数据集的相关目录和文件，这里需要利用python的一些模块，本篇文章就是介绍这些模块。]]></description><category></category></item><item><title><![CDATA[Pytorch之Dataset和Dataloader(加载数据)]]></title><link>https://blog.youkuaiyun.com/Dog_King_/article/details/136887263</link><guid>https://blog.youkuaiyun.com/Dog_King_/article/details/136887263</guid><author>Dog_King_</author><pubDate>Mon, 25 Mar 2024 21:00:46 +0800</pubDate><description><![CDATA[首先深度学习需要数据集，而数据集的处理离不开Dataset类和DataLoader类。一个文件夹对应一个类，data根据类被分成不同的文件夹一个图片文件对应名称为标签，两个文件夹，一个文件夹存图片，另一个存标签。有的标签过于复杂，适合单独存放，而不放入名字里。]]></description><category></category></item><item><title><![CDATA[Pytorch 之 tensorboard]]></title><link>https://blog.youkuaiyun.com/Dog_King_/article/details/136902581</link><guid>https://blog.youkuaiyun.com/Dog_King_/article/details/136902581</guid><author>Dog_King_</author><pubDate>Mon, 25 Mar 2024 20:23:54 +0800</pubDate><description><![CDATA[Tensorboard为是Google TensorFlow的可视化工具，可以用于记录训练数据、评估数据、网络结构、图像等，并且可以在web上展示，对于观察神经网络的过程非常有帮助。PyTorch也推出了自己的可视化工具，叫做torch.utils.tensorboard。提示：以下是本篇文章正文内容，下面案例可供参考例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。]]></description><category></category></item><item><title><![CDATA[Pytorch之transforms]]></title><link>https://blog.youkuaiyun.com/Dog_King_/article/details/137016592</link><guid>https://blog.youkuaiyun.com/Dog_King_/article/details/137016592</guid><author>Dog_King_</author><pubDate>Mon, 25 Mar 2024 19:10:41 +0800</pubDate><description><![CDATA[Tensor（张量）是多维数组的抽象表示，可以表示各种数据类型，如标量（0维张量）、向量（1维张量）、矩阵（2维张量）以及更高维度的数组。在深度学习中，神经网络的参数和输入数据都可以表示为张量，通过张量操作可以高效地进行大规模数据的运算和处理。可以理解成一个工具箱，里面定义的各种类和方法，可以处理图片，对图片进行加工，得到我们想要的结果。因此，引入tensor类型的变量可以更好地满足深度学习模型对数据表示和运算的需求，提高模型的效率和灵活性。如果输入的参数是一个整数x，将图片短边缩放至x，长宽比保持不变。]]></description><category></category></item><item><title><![CDATA[Acwing第二课之前缀和与差分]]></title><link>https://blog.youkuaiyun.com/Dog_King_/article/details/136211564</link><guid>https://blog.youkuaiyun.com/Dog_King_/article/details/136211564</guid><author>Dog_King_</author><pubDate>Wed, 21 Feb 2024 17:22:52 +0800</pubDate><description><![CDATA[何为前缀？已知一个一维数组a[n] , 那么对应数组s[n],s[ i ] = a [1]+a[2] +…+a[ i ]。那么s即为a的前缀和数组。差分则反之，a[ i ] = s[ i ] - s [ i-1], a为s的差分数组。提示：以下是本篇文章正文内容，下面案例可供参考。]]></description><category></category></item><item><title><![CDATA[Acwing第三课之双指针]]></title><link>https://blog.youkuaiyun.com/Dog_King_/article/details/136190933</link><guid>https://blog.youkuaiyun.com/Dog_King_/article/details/136190933</guid><author>Dog_King_</author><pubDate>Tue, 20 Feb 2024 20:59:48 +0800</pubDate><description><![CDATA[双指针算法，顾名思义，即使用两个指针的算法，如之前所学的快排、归并都是利用了双指针，双指针可以在一个序列中使用，也可以在两个序列中使用，可以把朴素算法O(n^2)的时间复杂度读降低为O(n)。
比如使用两个指针 i 和 j时，对 i 进行循环，保证 j 不会回头，只朝着一个方向移动。i 和 j 可以朝同一个方向扫描，也可以反方向扫描。有时候两个指针也可以用不同的速度前进，比如双指针判断链表成环，一个指针速度为1，另一个指针速度为2。
朴素算法思路模板
双指针算法思路模板
1.最长连续不重复子序列问题

分析]]></description><category></category></item><item><title><![CDATA[Acwing基础算法课第一课之快速排序、归并排序、二分查找]]></title><link>https://blog.youkuaiyun.com/Dog_King_/article/details/136137519</link><guid>https://blog.youkuaiyun.com/Dog_King_/article/details/136137519</guid><author>Dog_King_</author><pubDate>Sat, 17 Feb 2024 21:02:16 +0800</pubDate><description><![CDATA[AcWing基础算法课程笔记第一部分快排和归并排序。根据模板套入题目调试。提示：以下是本篇文章正文内容，下面案例可供参考。]]></description><category></category></item></channel></rss>