<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Hhjnv的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Hhjnv</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Hhjnv]]></copyright><item><title><![CDATA[WSL进入后自动进入指定目录]]></title><link>https://blog.youkuaiyun.com/Hhjnv/article/details/140704479</link><guid>https://blog.youkuaiyun.com/Hhjnv/article/details/140704479</guid><author>Hhjnv</author><pubDate>Fri, 26 Jul 2024 04:52:25 +0800</pubDate><description><![CDATA[cmd打开命令行，输入wsl --cd ~，随后输入bash或者wsl，进入linux，发现此时挂载目录发生改变。]]></description><category></category></item><item><title><![CDATA[nn.Flatten和torch.flatten区别]]></title><link>https://blog.youkuaiyun.com/Hhjnv/article/details/127541875</link><guid>https://blog.youkuaiyun.com/Hhjnv/article/details/127541875</guid><author>Hhjnv</author><pubDate>Wed, 26 Oct 2022 22:07:38 +0800</pubDate><description><![CDATA[nn.Flatten()总是返回一个2D张量，前提是输入至少是2D或更大(1D张量作为输入，它会抛出一个IndexError)。torch.flatten()总是返回一个1D张量作为结果，前提是输入至少是1D或更大。搜索后，给出的比较好的答案。]]></description><category></category></item><item><title><![CDATA[01 入门Pytorch]]></title><link>https://blog.youkuaiyun.com/Hhjnv/article/details/123722791</link><guid>https://blog.youkuaiyun.com/Hhjnv/article/details/123722791</guid><author>Hhjnv</author><pubDate>Fri, 25 Mar 2022 23:51:35 +0800</pubDate><description><![CDATA[提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录前言一、Pytorch安装二、基本操作1.引入库2.读入数据总结

前言
PyTorch是一个开源的Python机器学习库，基于Torch，底层由C++实现，应用于人工智能领域，如自然语言处理。它主要由Facebook的人工智能研究团队开发，并且被用于Uber的概率编程软件Pyro。
它包括以下特征：
（1）类似于NumPy的张量计算，可使用GPU加速；
（2）基于带自动微分系统的深度神经网络
与Tensorflow区别一言以蔽之.]]></description><category></category></item><item><title><![CDATA[06-通过LeNet5模型实现手写识别]]></title><link>https://blog.youkuaiyun.com/Hhjnv/article/details/123443238</link><guid>https://blog.youkuaiyun.com/Hhjnv/article/details/123443238</guid><author>Hhjnv</author><pubDate>Sat, 12 Mar 2022 22:06:33 +0800</pubDate><description><![CDATA[提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结

前言
提示：这里可以添加本文要记录的大概内容：
例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

提示：以下是本篇文章正文内容，下面案例可供参考
一、pandas是什么？
示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。
二、使用步骤
1.引入库
代.]]></description><category></category></item><item><title><![CDATA[深度学习入门-05 基于keras实现手写图像识别]]></title><link>https://blog.youkuaiyun.com/Hhjnv/article/details/121877610</link><guid>https://blog.youkuaiyun.com/Hhjnv/article/details/121877610</guid><author>Hhjnv</author><pubDate>Sat, 12 Mar 2022 20:15:49 +0800</pubDate><description><![CDATA[文章目录一. 绪论二. 原生python实现（方便理解）三. Tensorflow实现（不基于keras）四. keras实现（目前最火爆的）
一. 绪论
本文进行一个神经网络常用入门示例 Mnist展示，旨在展示如何通过以下三种方式实现，使之更好地理解神经网络运行机理。
二. 原生python实现（方便理解）
三. Tensorflow实现（不基于keras）


四. keras实现（目前最火爆的）

...]]></description><category></category></item><item><title><![CDATA[np.unique详解]]></title><link>https://blog.youkuaiyun.com/Hhjnv/article/details/122916912</link><guid>https://blog.youkuaiyun.com/Hhjnv/article/details/122916912</guid><author>Hhjnv</author><pubDate>Mon, 14 Feb 2022 00:58:55 +0800</pubDate><description><![CDATA[numpy.unique(arr, return_index=False, return_inverse=False, return_counts=False, axis=None)
文章目录1.return_index2.return_inverse3.return_counts4.axis
1.return_index
return_index为True时：会构建一个递增的唯一值的新列表，并返回新列表u和 新列表中的元素在之前定义的旧列表arr中第一次出现值的索引indices

2.return_in]]></description><category></category></item><item><title><![CDATA[深度学习实战-01 实现一个电影评论二分类]]></title><link>https://blog.youkuaiyun.com/Hhjnv/article/details/121886206</link><guid>https://blog.youkuaiyun.com/Hhjnv/article/details/121886206</guid><author>Hhjnv</author><pubDate>Sun, 12 Dec 2021 15:33:36 +0800</pubDate><description><![CDATA[文章目录一.导言二.电影评论二分类实战2.1 步骤2.2 导入库2.3 获取数据2.3.1 导入数据2.3.2 数据处理2.3.3 向量化数据2.3.4 处理监督数据(label data)2.4 建立模型2.5 模型训练2.6 模型评估2.6.1 训练损失和验证损失2.6.2 训练精度和验证精度2.6.3 模型评估结果2.7 改进模型2.8 总结
一.导言
在实战这块，我们已经具备了一些入门基本的原理和神经网络的整体过程的理解，在训练中为了节省时间，实战以keras进行演示，以便更快地获得模型运行性能并加]]></description><category></category></item><item><title><![CDATA[深度学习入门-03 实现一个简单的神经网络]]></title><link>https://blog.youkuaiyun.com/Hhjnv/article/details/121666310</link><guid>https://blog.youkuaiyun.com/Hhjnv/article/details/121666310</guid><author>Hhjnv</author><pubDate>Tue, 07 Dec 2021 00:56:40 +0800</pubDate><description><![CDATA[文章目录1.神经网络2. 激活函数2.1sigmoid激活函数和阶跃函数对比2.2 激活函数为什么使用非线性的2.3 另一常用激活函数-ReLU函数2.4 leakyrelu函数2.5 softmax函数2.6 tanh函数2.7 激活函数选择2.7.1隐藏层2.7.2 输出层三. 神经网络实现（3层）3.1 符号介绍四.神经网络实现方法4.1 原生实现方法4.2 Tensorflow实现4.3 keras实现
1.神经网络
如下图，这是一个简单的神经网络框架，包含了一层输入层(两个神经元)，一层中间层(隐]]></description><category></category></item><item><title><![CDATA[深度学习入门 - np.dot,np.multiply,星号(*)之间的关系]]></title><link>https://blog.youkuaiyun.com/Hhjnv/article/details/121677862</link><guid>https://blog.youkuaiyun.com/Hhjnv/article/details/121677862</guid><author>Hhjnv</author><pubDate>Thu, 02 Dec 2021 21:30:06 +0800</pubDate><description><![CDATA[文章目录一.相关概念1.1 一维数组1.2 行向量1.3 列向量1.4 矩阵二. 一维数组计算2.1 计算元素积(*)2.2 计算内积(np.dot)2.3 multiply进行计算三.行向量，列向量的计算3.1 计算元素积(*)3.2 计算内积(np.dot)3.3 multiply进行计算四. 矩阵的计算4.1 计算元素积(*)4.2 计算内积(np.dot)4.3 multiply进行计算五. 总结
一.相关概念
1.1 一维数组
一维数组在python中是用 list 存储。用numpy创建一个一维]]></description><category></category></item><item><title><![CDATA[深度学习入门-02通过与或非门实现简单的感知机代码]]></title><link>https://blog.youkuaiyun.com/Hhjnv/article/details/121662003</link><guid>https://blog.youkuaiyun.com/Hhjnv/article/details/121662003</guid><author>Hhjnv</author><pubDate>Wed, 01 Dec 2021 19:49:55 +0800</pubDate><description><![CDATA[文章目录1.与门2. 或门3. 与非门4. 异或门
1.与门
与门作为计算机逻辑电路中最经常被提起的，我们将用深度学习思维通过以下代码实现与门的操作。

如果想要得到上图结果，其实就是典型的分类问题。我们要输入的解释变量有两个x1, x2的值，权重和阈值是前人经过反复训练得到的参数，输出的是概率，然后通过阶跃函数转换成0或者1。公式如下:

原生Python代码如下:
def AND(x1, x2):
	w1, w2, theta = 0.5, 0.5, 0.7 # 前人经验
	tmp = x1*w1 + ]]></description><category></category></item><item><title><![CDATA[深度学习入门-01感知机和神经网络对比]]></title><link>https://blog.youkuaiyun.com/Hhjnv/article/details/121661784</link><guid>https://blog.youkuaiyun.com/Hhjnv/article/details/121661784</guid><author>Hhjnv</author><pubDate>Wed, 01 Dec 2021 18:54:22 +0800</pubDate><description><![CDATA[文章目录一.概念1.1 感知机概念1.2 神经网络概念1.3 区别
一.概念
1.1 感知机概念
感知机由美国学者Frank Rosenblatt在1957年提出，它通过接收多个输入信号，输出一个信号。比如，我们通过检查者的各项标准(血压、抽血后的各项参数、心跳心率等，多个信号)来评价这个检查者是否有疾病(有or没有，一个信号)。如图，是有两个输入的感知机。

上图公式为

1.2 神经网络概念
神经网络官方定义见百度百科，神经网络其实就是多层感知机(把多个感知机组合在一起)，即使用sigmoid或者tan]]></description><category></category></item><item><title><![CDATA[深度学习-各类梯度下降优化算法回顾]]></title><link>https://blog.youkuaiyun.com/Hhjnv/article/details/121472878</link><guid>https://blog.youkuaiyun.com/Hhjnv/article/details/121472878</guid><author>Hhjnv</author><pubDate>Wed, 01 Dec 2021 18:31:22 +0800</pubDate><description><![CDATA[本文是根据 链接 进行的翻译，回顾了深度学习的各种梯度下降优化算法。
文章目录一.概述二.引言三.Gradient Descent Variants(梯度下降法变体)1.1 Batch Gradient Descent(批量梯度下降)1.2 Stochastic Gradient Descent(随机梯度下降)1.3 Mini-Batch Gradient Descent（小批量梯度下降）1.4 总结2. 挑战四. Gradient descent optimization algorithms（梯度下降优]]></description><category></category></item><item><title><![CDATA[epoch,batch,iteration区别]]></title><link>https://blog.youkuaiyun.com/Hhjnv/article/details/121479007</link><guid>https://blog.youkuaiyun.com/Hhjnv/article/details/121479007</guid><author>Hhjnv</author><pubDate>Mon, 22 Nov 2021 19:51:37 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[Mysql获取所有数据的平均值并添加为新字段]]></title><link>https://blog.youkuaiyun.com/Hhjnv/article/details/118606571</link><guid>https://blog.youkuaiyun.com/Hhjnv/article/details/118606571</guid><author>Hhjnv</author><pubDate>Fri, 09 Jul 2021 14:47:46 +0800</pubDate><description><![CDATA[最近，看了下Mysql，发现了一个挺有意思的题。
因为avg获取的是标量（单一）结果,所以想直接通过select avg(sale_price) from product只能获得到一行结果.上图结果,获取不了.
想了下，想到了可能select 字段(这个位置也能嵌套)，接输入以下代码试了下.
select product_id,product_name,product_type,sale_price,(select avg(sale_price) from product) as sale_price_a.]]></description><category></category></item><item><title><![CDATA[Cesium入门]]></title><link>https://blog.youkuaiyun.com/Hhjnv/article/details/118443736</link><guid>https://blog.youkuaiyun.com/Hhjnv/article/details/118443736</guid><author>Hhjnv</author><pubDate>Sat, 03 Jul 2021 23:50:22 +0800</pubDate><description><![CDATA[首先需要进入官网，找到Get Started.随后进入官网的快速开始，进行一个简单的demo书写。			Cesium官网学习及API链接
1.创建一个账户和申请一个Token
进入任何网站学习都需要账户,调用相关开源库则需要token避免被非法调用。
2.两种导入方法
2.1方法一.CDN引入
&lt;!DOCTYPE html&gt;
&lt;html lang="en"&gt;
&lt;head&gt;
  &lt;meta charset="utf-8"&gt;
  &lt;!-- Include t]]></description><category></category></item><item><title><![CDATA[逻辑and运算]]></title><link>https://blog.youkuaiyun.com/Hhjnv/article/details/118306911</link><guid>https://blog.youkuaiyun.com/Hhjnv/article/details/118306911</guid><author>Hhjnv</author><pubDate>Mon, 28 Jun 2021 17:13:25 +0800</pubDate><description><![CDATA[在使用逻辑and运算时，会发生一些奇妙的现象，我们来看看吧。
**
1.介绍
**
五种非布尔值情况:
1.如果一个运算数是对象，另一个是 Boolean 值，返回该对象。
2.如果两个运算数都是对象，返回第二个对象。
3.如果某个运算数是 null，返回 null。
4.如果某个运算数是 NaN，返回 NaN。
5.如果某个运算数是 undefined，发生错误。

2.一个运算符是对象，另一个是Boolean值
如果顺序不同，会发生不同的结果。
对象在前，Boolean在后:
let a=new Str]]></description><category></category></item><item><title><![CDATA[slice和substring区别]]></title><link>https://blog.youkuaiyun.com/Hhjnv/article/details/118301113</link><guid>https://blog.youkuaiyun.com/Hhjnv/article/details/118301113</guid><author>Hhjnv</author><pubDate>Mon, 28 Jun 2021 13:43:08 +0800</pubDate><description><![CDATA[作为javascript的两种进行字符串截取的方法，来看看两者有什么区别吧。
**
**
1.两者语法
**
先看下两者的语法
slice()语法:

substring()语法:

首先从两者语法介绍发现是一样的。再来看看正数索引截取方面。
2.正数截取
**
slice()和substring()方法在正数截取时没有任何不同。比如:
let str='hello china'
console.log(str.slice(3,6));   //lo
console.log(str.substring(3,]]></description><category></category></item><item><title><![CDATA[2021-06-17Boolean对象与Boolean原始类型区别]]></title><link>https://blog.youkuaiyun.com/Hhjnv/article/details/117984264</link><guid>https://blog.youkuaiyun.com/Hhjnv/article/details/117984264</guid><author>Hhjnv</author><pubDate>Thu, 17 Jun 2021 10:39:52 +0800</pubDate><description><![CDATA[首先，先上代码。
  &lt;script&gt;
    var x = new Boolean(false);
    if (x) {
      console.log('布尔对象被转换为true')
    }
    var y = Boolean(0);
    if (y) {
      console.log("布尔类型根据原始值进行判断")
    }
  &lt;/script&gt;

以上结果只会输出布尔对象被转换为true.因为根据w3school描述:Boolean 对象是 ]]></description><category></category></item><item><title><![CDATA[Vue父组件向子组件传递数据]]></title><link>https://blog.youkuaiyun.com/Hhjnv/article/details/117857094</link><guid>https://blog.youkuaiyun.com/Hhjnv/article/details/117857094</guid><author>Hhjnv</author><pubDate>Sun, 13 Jun 2021 01:08:15 +0800</pubDate><description><![CDATA[1.父组件传递数据形式一
1.父组件代码为:
&lt;template&gt;
  &lt;div id="app"&gt;
    &lt;Blog :post='post'&gt;&lt;/Blog&gt;
  &lt;/div&gt;
&lt;/template&gt;

&lt;script&gt;
  import Blog from './components/Blog.vue'
export default {
  name: 'App',
  components:{
    Blog
  ]]></description><category></category></item><item><title><![CDATA[Vue插槽学习]]></title><link>https://blog.youkuaiyun.com/Hhjnv/article/details/117813991</link><guid>https://blog.youkuaiyun.com/Hhjnv/article/details/117813991</guid><author>Hhjnv</author><pubDate>Sat, 12 Jun 2021 17:35:20 +0800</pubDate><description><![CDATA[Vue插槽相信大家都或多或少听说过，Vue插槽官方网站如下:Vue插槽
今天系统学习了一下，作为笔记，记录下自己的理解。
1.插槽作用域
Vue中关于插槽有一条规则:父级模板里的所有内容都是在父级作用域中编译的；子模板里的所有内容都是在子作用域中编译的。  这告诉我们如果想要使用到父级或者子级的作用域内的内容，需要使用特殊方法才可以访问，不能像在同一作用域内一样使用。
2.Vue插槽的几种情形
2.1 后备内容
所谓后备内容，就是替补或者default默认显示内容，比如我们在父级组件中书写了这句代码
&lt]]></description><category></category></item></channel></rss>