<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Evan_love的博客]]></title><description><![CDATA[何以至千里？]]></description><link>https://blog.youkuaiyun.com/Evan_love</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Evan_love]]></copyright><item><title><![CDATA[xgboost学习笔记]]></title><link>https://blog.youkuaiyun.com/Evan_love/article/details/122772614</link><guid>https://blog.youkuaiyun.com/Evan_love/article/details/122772614</guid><author>Evan_love</author><pubDate>Wed, 02 Feb 2022 22:11:18 +0800</pubDate><description><![CDATA[基础知识
一、决策树
1. 决策树的定义
 分类决策树模型是一种描述对实例进行分类的树形结构，决策树由结点（node）和有向边（directed edge）组成。结点有两种类型：内部结点（internal node）和叶结点(leaf node)。内部结点表示一个特征或属性，叶结点表示一个类。
2.决策树是怎么工作的
 决策树学习本质上是从训练数据集中归纳出一组分类规则。与训练数据集不相矛盾的决策树（即能对训练数据进行正确分类的决策树）可能有多个，也可能一个都没有。我们需要的是一个与训练数据矛盾较小的决策树]]></description><category></category></item><item><title><![CDATA[回溯算法总结]]></title><link>https://blog.youkuaiyun.com/Evan_love/article/details/122766514</link><guid>https://blog.youkuaiyun.com/Evan_love/article/details/122766514</guid><author>Evan_love</author><pubDate>Tue, 01 Feb 2022 21:56:05 +0800</pubDate><description><![CDATA[一. 回溯算法简介
回溯算法就是我们常说的DFS算法，本质上是一种暴力穷举算法。
解决一个回溯问题，实际上就是一个决策树的遍历过程。

路径： 也就是已经做出的选择
选择列表： 也就是你当前可以做的选择
结束条件： 也就是到达决策树底层，无法再做选择的条件。
二、回溯算法的框架

result = []
def backtrack(路径， 选择列表)：
  if 满足结束条件：
    result.add(路径)
    return
  for 选择 in 选择列表：
    做选择
    backt]]></description><category></category></item><item><title><![CDATA[动态规划算法总结]]></title><link>https://blog.youkuaiyun.com/Evan_love/article/details/121692627</link><guid>https://blog.youkuaiyun.com/Evan_love/article/details/121692627</guid><author>Evan_love</author><pubDate>Fri, 03 Dec 2021 10:13:58 +0800</pubDate><description><![CDATA[一、模板
# 初始化 base case
dp[0][0][...] = base
# 进行状态转移
for 状态1 in 状态1的所有取值:
  for 状态2 in 状态2的所有取值:
    for ...
      dp[状态1][状态2][...] = 求最值(选择1， 选择2，...)


二、解题套路

明确【状态】
明确【选择】
明确dp函数/数组的定义
明确base case

三、状态压缩
如果计算状态dp[i][j]需要的都是dp[i][j]相邻的状态，那么就可以使用状态压缩技巧，将]]></description><category></category></item><item><title><![CDATA[AI+语音方面总结（一）]]></title><link>https://blog.youkuaiyun.com/Evan_love/article/details/120994333</link><guid>https://blog.youkuaiyun.com/Evan_love/article/details/120994333</guid><author>Evan_love</author><pubDate>Wed, 27 Oct 2021 20:48:44 +0800</pubDate><description><![CDATA[开始总结语音相关知识点

1、语音分离和增强的本质是什么？
a) 一个是分类，一个是回归。
b) 分类和回归的区别在于输出变量的类型。定量输出称为回归，或者说连续变量预测；定性输出称为分类，或者说是离散变量预测。
c) 本质一样，都要建立映射关系。在实际操作中，可以相互转化。
2、TCN和LSTM的区别是什么？
a) TCN是时序卷积网络（Temporal convolutional network），主要由因果卷积（causal convolution）和空洞卷积（Dilated Convolution.]]></description><category></category></item><item><title><![CDATA[2021-08-17 CCF语音增强沙龙笔记]]></title><link>https://blog.youkuaiyun.com/Evan_love/article/details/120608687</link><guid>https://blog.youkuaiyun.com/Evan_love/article/details/120608687</guid><author>Evan_love</author><pubDate>Mon, 04 Oct 2021 21:48:30 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[误差反向传播算法笔记]]></title><link>https://blog.youkuaiyun.com/Evan_love/article/details/120251392</link><guid>https://blog.youkuaiyun.com/Evan_love/article/details/120251392</guid><author>Evan_love</author><pubDate>Wed, 15 Sep 2021 21:15:05 +0800</pubDate><description><![CDATA[复习一下基础。
一、机器学习模型的处理方法
（1） 数据预处理： 经过数据的预处理，如去除噪声等。比如在文本分类中，去除停用词等。
（2） 特征提取：从原始数据中提取一些有效的特征。比如在图像分类中，提取边缘、尺度不变特征变换（Scale Invariant Feature Transform, SIFT）
（3）特征转换：对特征进行一定的加工，比如降维和升维。降维包括特征抽取（Feature Extraction）和特征选择（Feature Selection）两种途径。常用的特征转换方法有主成分分析、线]]></description><category></category></item><item><title><![CDATA[Windows下重新AI相关配置环境变量记录【未完】]]></title><link>https://blog.youkuaiyun.com/Evan_love/article/details/120297521</link><guid>https://blog.youkuaiyun.com/Evan_love/article/details/120297521</guid><author>Evan_love</author><pubDate>Wed, 15 Sep 2021 10:37:31 +0800</pubDate><description><![CDATA[一、安装pytorch
进官网，https://pytorch.org/get-started/locally/ ，找到自己想要的版本。
1、pytorch版本1.9.0，cuda版本1.0.2
pip3 install torch==1.9.0+cu102 torchvision==0.10.0+cu102 torchaudio===0.9.0 -f https://download.pytorc
h.org/whl/torch_stable.html

2、测试
import torch
x = tor]]></description><category></category></item><item><title><![CDATA[《失控》---自然之流变]]></title><link>https://blog.youkuaiyun.com/Evan_love/article/details/119955586</link><guid>https://blog.youkuaiyun.com/Evan_love/article/details/119955586</guid><author>Evan_love</author><pubDate>Fri, 27 Aug 2021 17:58:21 +0800</pubDate><description><![CDATA[一、均衡即死亡
（1）均衡态不仅意味着死亡，它本身就是死亡状态。系统要变得丰富，就需要时间和空间上额变化。但变化太多也不行，你会一下从生态渐变群转到生态交错群。
二、谁先出现，稳定性还是多样性？
（1）自然本身无论是形式，结构还是构成都不会恒久不动，自然无时无地不在变化。
三、生生不息的生命
（1）生命是一种连结成网的东西—是分布式的存在。它是在时空中延展的单一有机体。没有单独的生命。哪里也看不到单个有机体的独奏。生命总是复数形式。生命承接着彼此的联系，链接诶，还有多方共享。
（2）生命将自己分散成为显在的]]></description><category></category></item><item><title><![CDATA[《失控》---有心智的机器]]></title><link>https://blog.youkuaiyun.com/Evan_love/article/details/118615067</link><guid>https://blog.youkuaiyun.com/Evan_love/article/details/118615067</guid><author>Evan_love</author><pubDate>Sun, 22 Aug 2021 20:44:59 +0800</pubDate><description><![CDATA[一、有心智的机器
1、当某个系统能够正常运转时，不要扰乱它；要以它为基层来构建。在自然体系中，改良就是在现存的调试好的系统上“打补丁”。原先的层级继续运作。甚至不会注意到（或不必注意到）其上还有新的层级。
2、包容架构
如果把国家看成一台机器，你可以用包容架构这么建造：
你从乡镇开始。先解决乡镇的后勤：基本工作包括整修街道、敷设水电管道、提供照明，还要指定法律。当你有了一些运转良好的乡镇，就可以设立郡县。在保证乡镇正常运作的基础上，你在郡县的范围内设立法院、监狱和学校，在乡镇的层级智商增加了一层复杂度。就算]]></description><category></category></item><item><title><![CDATA[李宏毅机器学习课程2021---Architecture Design(Depthwise Separable Convolution)]]></title><link>https://blog.youkuaiyun.com/Evan_love/article/details/119854053</link><guid>https://blog.youkuaiyun.com/Evan_love/article/details/119854053</guid><author>Evan_love</author><pubDate>Sun, 22 Aug 2021 17:00:18 +0800</pubDate><description><![CDATA[一、Standard CNN

每个filter其实是一个立方体，4个filter参数共有72个。filter和channel是没有关系的。
二、Depthwise Separable Convolution


Depthwise Convolution

有多少个channel就有多少个filter，


Pointwise Convolution



filter的大小只能是1×11\times 11×1
三、参数量的差异（一和二）

四、Low Rank approximation
原先是W，现在]]></description><category></category></item><item><title><![CDATA[深度学习中的易混淆知识点总结（二）]]></title><link>https://blog.youkuaiyun.com/Evan_love/article/details/119600563</link><guid>https://blog.youkuaiyun.com/Evan_love/article/details/119600563</guid><author>Evan_love</author><pubDate>Wed, 11 Aug 2021 23:04:51 +0800</pubDate><description><![CDATA[一、真实值、观测值、预测值
（1）真实值表示真实世界中的数据（总体），是肉眼看到的，没有任何误差的。
（2）观测值表示机器学习模型的样本数据（样本），是模型的输入，但不一定是真实世界中的数据（可以来自真实世界）。eg. 如果是图像的话，就是模型摄像头通过图像传感器的输入。
（3）预测值表示学习模型预测出的数据。
二、随机扰动项、误差和残差
（1）随机扰动项指的是数据本身的不确定性带来的误差，通常我们假设随机扰动项独立且服从均值为0，方差相同的正态分布。
（2）残差是指预测值与实际值的差，由于残差的计算要用到]]></description><category></category></item><item><title><![CDATA[第十章---《实时语音处理实践指南》语音编/解码笔记]]></title><link>https://blog.youkuaiyun.com/Evan_love/article/details/119425813</link><guid>https://blog.youkuaiyun.com/Evan_love/article/details/119425813</guid><author>Evan_love</author><pubDate>Tue, 10 Aug 2021 23:20:22 +0800</pubDate><description><![CDATA[1、语音编/解码简述
 编码的过程就是对语音进行压缩，压缩应该能够保留语音的主要信息甚至是全部信息，解码就是对语音进行解压缩，恢复原始语音信号。编解码可分为有损和无损两类，有损情况下，取语音中少量冗余信息，丢掉其他不重要的信息。
 语音编码分为波形编码、参数编码和混合编码三种，基于波形的编码分为时域编码和频域编码两种，如PCM编码，参数编码用若干参数对发生过程建模，接收端根据这些参数将接收到的信号恢复为原始语音信号，如LPC、MELP编码，在低比特率下参数编码的效果比波形编码好。不同的语音编码器在比特率、复]]></description><category></category></item><item><title><![CDATA[深度学习中的易混淆知识点总结（一）]]></title><link>https://blog.youkuaiyun.com/Evan_love/article/details/119380808</link><guid>https://blog.youkuaiyun.com/Evan_love/article/details/119380808</guid><author>Evan_love</author><pubDate>Sat, 07 Aug 2021 22:24:24 +0800</pubDate><description><![CDATA[1、Cost function/Loss function/Objective function
借用知乎上面 @WuchangI 的回答：
（1） 损失函数（loss function）：针对单个样本，衡量单个样本的预测值y^(i)\hat{y}^{(i)}y^​(i)与真实值y^(i)\hat{y}^{(i)}y^​(i)之间的差距。
（2）代价函数/成本函数(Cost function)：针对多个样本，衡量多个样本的预测值∑i=1ny^(i)\sum_{i=1}^{n}\hat{y}^{(i)}∑i=]]></description><category></category></item><item><title><![CDATA[第八章---《实时语音处理实践指南》盲源分离笔记]]></title><link>https://blog.youkuaiyun.com/Evan_love/article/details/118942734</link><guid>https://blog.youkuaiyun.com/Evan_love/article/details/118942734</guid><author>Evan_love</author><pubDate>Mon, 26 Jul 2021 22:00:08 +0800</pubDate><description><![CDATA[本章利用信号的高阶统计量来分离出目标语音，盲语音分离就是假定源信号具有相互独立的统计特性，利用高阶统计量度量独立性，它能分离出所有非高斯性声源，实际使用中最常用的为独立成分分析法（ICA)。一般根据麦克风个数与声源个数的大小关系来区分不同的盲语音分离方法。在这里仅介绍麦克风个数大于或等于声源个数的情况，对于麦克风个数小于声源个数的情况，使用信号处理的方法效果不佳。

一、ICA基本概念
假定现有m个声源和m个麦克风，麦克风采集信号分别为x1(t),x2(t),⋯ ,xm(t)x_1(t),x_2(t),\.]]></description><category></category></item><item><title><![CDATA[第四章---《实时语音处理实践指南》单通道降噪笔记]]></title><link>https://blog.youkuaiyun.com/Evan_love/article/details/118874441</link><guid>https://blog.youkuaiyun.com/Evan_love/article/details/118874441</guid><author>Evan_love</author><pubDate>Sun, 18 Jul 2021 19:55:21 +0800</pubDate><description><![CDATA[一、单通道降噪方法

谱减法

谱减法基于人类语音时/频域的稀疏性，在非语音段估计噪声，在带噪的语音段减去非语音段的估计的噪声得到纯净的语音。该方法只有幅度谱受影响，而相位谱并不受影响，这种方法要求噪声谱是静态的或者准静态的，当估计的背景噪声过小时，会有噪声残留，残余的噪声会形成音乐噪声，如果估计的背景噪声过大，则会导致语音被消掉。


维纳滤波法


该方法基于语音和噪声的统计独立性，使用MMSE准则降噪。


基于最大似然（ML）、最大后验（MAP）、最小均方估计（MMSE）的统计模型法
贝叶斯估计法
]]></description><category></category></item><item><title><![CDATA[第三章---《实时语音处理实践指南》语音端点检测笔记]]></title><link>https://blog.youkuaiyun.com/Evan_love/article/details/118713019</link><guid>https://blog.youkuaiyun.com/Evan_love/article/details/118713019</guid><author>Evan_love</author><pubDate>Sun, 18 Jul 2021 10:44:06 +0800</pubDate><description><![CDATA[一、 简要描述
 语音端点检测（VAD）用于判断给定的音频数据是否存在语音，其常用在语音编解码、降噪、增益控制、波束形成以及唤醒识别等算法中。VAD检测给定音频数据含有语音的频率，VAD方法通常包括特征提取和语音、非语音判决两部分，当前使用的语音特征主要有时域和频域两种，时域特征包括能量波动、过零率、最大能量和最小能量等，频域特征主要有基频、频谱组成、频谱质心、谱差、谱密度、谱衰减等。用于VAD判决的特征通常可以分为六大类：能量、频域、倒谱、谱差、谐波和长时信息，基于能量的特征计算简单，如能量过零率，基于谱]]></description><category></category></item><item><title><![CDATA[第二章---《实时语音处理实践指南》发音机理与器件学习笔记]]></title><link>https://blog.youkuaiyun.com/Evan_love/article/details/118609502</link><guid>https://blog.youkuaiyun.com/Evan_love/article/details/118609502</guid><author>Evan_love</author><pubDate>Tue, 13 Jul 2021 22:16:23 +0800</pubDate><description><![CDATA[一、语音的产生和接收
1、语音产生机理
（1） 语音具有短时平稳性，这是很多语音算法前提之一。
（2）语音发音可以分为清音和浊音两类，发浊音时大部分能量集中在低频段，且在时域上具有周期性，在频域上频谱分布具有共振峰结构。清音和白噪声类似，没有明显的时域和频域特征。
（3) 浊音比如元音的语音产生机理如下：

空气通过正常呼吸进入肺部，进入时一般无语音产生。
空气通过气管排出肺时，依据贝努利定律（在一个流体系统，比如气流、水流中，流速越快，流体产生的压强就越小），被声门开口处空气压力拉紧的喉头处的声带会振动。]]></description><category></category></item><item><title><![CDATA[《失控》--- 新生物文明和蜂群思维]]></title><link>https://blog.youkuaiyun.com/Evan_love/article/details/118422600</link><guid>https://blog.youkuaiyun.com/Evan_love/article/details/118422600</guid><author>Evan_love</author><pubDate>Fri, 09 Jul 2021 20:30:08 +0800</pubDate><description><![CDATA[一、新生物文明
1、到目前为止，那些原属于生命体却成功被移植到到机械系统中的特质有：
（1）自我复制、自我管理、有限的自我修复、适度进化以及局部学习。
2、文化基因（meme）：也成为弥母，文化传播的最小单位，通过模仿等非遗传途经而得以代代相传。
二、蜂群思维
1、蜂群由谁来进行统治，由谁发布命令，由谁预见未来？
（1）并非蜂后，而是蜂群。蜂后的女儿负责选择蜂群应该何时何地安顿下来，五六只无名工蜂在前方侦察，回来后，用圈子越来越小的舞蹈向休息的蜂群报告，侦查员的舞蹈越夸张，说明它主张使用的地点越好。接着，一]]></description><category></category></item><item><title><![CDATA[第一章---《实时语音处理实践指南》信号处理学习笔记]]></title><link>https://blog.youkuaiyun.com/Evan_love/article/details/118345086</link><guid>https://blog.youkuaiyun.com/Evan_love/article/details/118345086</guid><author>Evan_love</author><pubDate>Wed, 07 Jul 2021 17:20:42 +0800</pubDate><description><![CDATA[一、 离散傅里叶变换
  离散傅里叶变换（DFT）是离散信号时/频域变换的方法。作用类似于棱镜，将由多种频率混合而成的语音按频谱散射，经过种种处理后，再反变换到时域，就可以获得“提纯”后的语音信号。实数DFT的输入是实数，得到的频点有两个集合，分别是正弦（cos）和余弦（sin)函数的系数，对应于正频分量和负频分量。
1、DFT

短时傅里叶变换可以获得较为准确的时序关系，比如说“ai”这个字的发音，“a”和“i”的发音在时间上是有顺序关系的，这时可以将序列等时分割成若干个小段，按顺序对每一个小段做DFT分]]></description><category></category></item><item><title><![CDATA[第0章---《实时语音处理实践指南》绪论学习笔记]]></title><link>https://blog.youkuaiyun.com/Evan_love/article/details/118343274</link><guid>https://blog.youkuaiyun.com/Evan_love/article/details/118343274</guid><author>Evan_love</author><pubDate>Tue, 29 Jun 2021 21:52:41 +0800</pubDate><description><![CDATA[一、语音处理流程
1、人的声带振动产生驻波信号，信号通过空气传播引起麦克风的振膜振动，经过ADC（模数转换器）采样后将机械振动信号转换成电荷量，进而转换成离散的数字信号。
2、用噪声抑制等语音算法增强数字域的语音信号，这里的增强是“提纯”（去除噪声和干扰，增加语音可懂度和语音听感质量）采集到语音信号。


可懂度,听者能听懂通过一定传声系统传递的言语信号的百分率。也称为 语言清晰度 （speech intelligibility）


语音听感质量，PESQ (perceptual evaluation o]]></description><category></category></item></channel></rss>