<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[IsayIwant的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/IsayIwant</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; IsayIwant]]></copyright><item><title><![CDATA[ICASSP准备过程中代码总结]]></title><link>https://blog.youkuaiyun.com/IsayIwant/article/details/137232877</link><guid>https://blog.youkuaiyun.com/IsayIwant/article/details/137232877</guid><author>IsayIwant</author><pubDate>Fri, 15 Nov 2024 20:44:10 +0800</pubDate><description><![CDATA[kernel_dims 是卷积核的维度，通常是一个三元组 (height, width, depth)，表示卷积核的高度、宽度和深度（或通道数）。np.prod() 函数计算了这个三元组中所有元素的乘积，即卷积核的大小（或称为卷积核的参数数量）如果目录不存在，则会创建该目录。返回一个生成器，该生成器遍历模型的所有模块，包括模型本身和它的子模块，以及子模块的子模块，依此类推。方法返回一个字典，其中包含了模型的所有参数（权重和偏置项）以及每个参数对应的键（通常是参数的名称）高版本一般是要兼容低版本的，]]></description><category></category></item><item><title><![CDATA[Acwing基础课]]></title><link>https://blog.youkuaiyun.com/IsayIwant/article/details/139269042</link><guid>https://blog.youkuaiyun.com/IsayIwant/article/details/139269042</guid><author>IsayIwant</author><pubDate>Fri, 15 Nov 2024 20:43:24 +0800</pubDate><description><![CDATA[先考虑暴力做法，发现某些数永远无法成为答案，去除掉这些数之后剩下的数存在单调性规律。维护出来的队列，如果要取极值直接取两头，当然也可以二分出答案。跳出while循环的时候都是指向的queue.top()，是有值的，所以想push一个新的，要写成 ++ r （在遍历的时候我们是考虑当前的值的，即 i。所以窗口的大小是从 i - k + 1 到 i （+的这个1就是i）法二：下面这种做法，遍历的区间是先遍历右端点。记数型的DP初始化有可能是1，要注意。另外，没有边权的图，考的其实就是。]]></description><category></category></item><item><title><![CDATA[C++复习 & 机试准备]]></title><link>https://blog.youkuaiyun.com/IsayIwant/article/details/139050003</link><guid>https://blog.youkuaiyun.com/IsayIwant/article/details/139050003</guid><author>IsayIwant</author><pubDate>Fri, 15 Nov 2024 20:42:59 +0800</pubDate><description><![CDATA[它和queue不同的就在于我们可以自定义其中数据的优先级, 让优先级高的排在队列前面,优先出队，并且没有front()，back()函数，因为priority_queue内部是用堆实现的，所以是堆优化。虽然他是个queue但是其实他的内部是一个堆结构。表示不捕获任何变量，它只能使用直接传递给它的参数和在 lambda 内部定义的变量。正向:   sort(a.begin(),a.end());需要注意图的连通性问题，重边，环。map的排序是从小到大按照key进行的，是有序容器。从小到大，队头是小，小根堆。]]></description><category></category></item><item><title><![CDATA[Latex学习]]></title><link>https://blog.youkuaiyun.com/IsayIwant/article/details/137874011</link><guid>https://blog.youkuaiyun.com/IsayIwant/article/details/137874011</guid><author>IsayIwant</author><pubDate>Sun, 19 May 2024 16:11:45 +0800</pubDate><description><![CDATA[双括号问题：subfig 和 subfigure是不兼容的。去掉subfigure。]]></description><category></category></item><item><title><![CDATA[基础模板使用]]></title><link>https://blog.youkuaiyun.com/IsayIwant/article/details/137046653</link><guid>https://blog.youkuaiyun.com/IsayIwant/article/details/137046653</guid><author>IsayIwant</author><pubDate>Tue, 26 Mar 2024 15:14:49 +0800</pubDate><description><![CDATA[【代码】基础模板使用。]]></description><category></category></item><item><title><![CDATA[ICANN备稿时debug遇到的问题]]></title><link>https://blog.youkuaiyun.com/IsayIwant/article/details/136134661</link><guid>https://blog.youkuaiyun.com/IsayIwant/article/details/136134661</guid><author>IsayIwant</author><pubDate>Sun, 17 Mar 2024 23:50:18 +0800</pubDate><description><![CDATA[当你使用 print 函数打印对象时，Python 会检查是否定义了 extra_repr 方法，如果定义了，则会使用该方法返回的字符串来丰富对象的字符串表示形式。round的梯度是和clip一样的。模块中的Optimizer优化器对象也存在一个state_dict对象，此处的state_dict字典对象包含state和param_groups的字典对象。state_dict.pop(k) 是 Python 字典（dictionary）的一个方法，用于移除字典中键为 k 的项，并返回该项的值。]]></description><category></category></item><item><title><![CDATA[Matplotlib模板]]></title><link>https://blog.youkuaiyun.com/IsayIwant/article/details/136588453</link><guid>https://blog.youkuaiyun.com/IsayIwant/article/details/136588453</guid><author>IsayIwant</author><pubDate>Sat, 09 Mar 2024 18:31:04 +0800</pubDate><description><![CDATA[保存成svg——>可以直接拖到visio里面（pdf不行）但是svg保存的时候会出现错位——>把svg转成emf，就不会出现错位了。]]></description><category></category></item><item><title><![CDATA[【反向传播、计算图、梯度】.data .detach() .clone inplace操作等等]]></title><link>https://blog.youkuaiyun.com/IsayIwant/article/details/136542827</link><guid>https://blog.youkuaiyun.com/IsayIwant/article/details/136542827</guid><author>IsayIwant</author><pubDate>Fri, 08 Mar 2024 16:00:56 +0800</pubDate><description><![CDATA[pytorch提供的一些inplace选项，如nn.ReLU(inplace=True)、nn.LeakyReLU(inplace=True)，这些选项的安全性要高一些，但也需要注意中间变量后续是否需要，如果后面还需要使用中间变量，就应当设置inplace=False。同时，一些常见的操作如x.add_(y)、x.mul_(y)也会直接改变x，除非有特定需求，否则不建议使用这类inplace操作，隐患比前两种情况高很多。还有，非叶子节点也不会去计算梯度的，因为没有意义，只是中间量，不是待优化的参数。]]></description><category></category></item><item><title><![CDATA[【实验】学习实验debug，以及经验感悟]]></title><link>https://blog.youkuaiyun.com/IsayIwant/article/details/136507959</link><guid>https://blog.youkuaiyun.com/IsayIwant/article/details/136507959</guid><author>IsayIwant</author><pubDate>Wed, 06 Mar 2024 16:12:21 +0800</pubDate><description><![CDATA[记录两次独立解决问题的过程：目前来看，问题分为几种：抄代码的时候抄错了，比如dim=1写成dim=0这种逻辑错误，如果两份代码没什么差别的话，那么肯定是逻辑错误。下面的两个问题都是逻辑错误，因为语法错误其实是会报错的，]]></description><category></category></item><item><title><![CDATA[对目前想法有帮助的论文]]></title><link>https://blog.youkuaiyun.com/IsayIwant/article/details/134863672</link><guid>https://blog.youkuaiyun.com/IsayIwant/article/details/134863672</guid><author>IsayIwant</author><pubDate>Thu, 07 Dec 2023 19:59:37 +0800</pubDate><description><![CDATA[《Enabling DeepSpikingNeuralNetworks with Hybrid conversion and SpikeTimingDependent Backpropagation》 - 知乎]]></description><category></category></item><item><title><![CDATA[关于如何解决问题？代码习惯。]]></title><link>https://blog.youkuaiyun.com/IsayIwant/article/details/134796801</link><guid>https://blog.youkuaiyun.com/IsayIwant/article/details/134796801</guid><author>IsayIwant</author><pubDate>Tue, 05 Dec 2023 00:32:04 +0800</pubDate><description><![CDATA[如果你的时间都放到de一个bug上，那我觉得这实际上是纯粹的浪费，debug的时间永远是浪费了的，不如去打把游戏，所以每次debug都是在浪费生命，你要警惕自己在干什么。比如从数据本身入手，数据没问题，看模型，是否是模型的问题，再看是否是训练代码的问题。在代码找bug的过程中，如果确定你某个程序跑的结果不对，不要再继续试别的，想要“撞大运”指望跑着跑着“自己就好了”是不可能的。，比如检测某些指标，证明你这个程序是错的，设计loss，acc实验。养成好的代码习惯，写过的代码一定是对的，至少没有低级的错误。]]></description><category></category></item><item><title><![CDATA[【杂】解决关于mean(0)理解错误引发的程序bug]]></title><link>https://blog.youkuaiyun.com/IsayIwant/article/details/134453644</link><guid>https://blog.youkuaiyun.com/IsayIwant/article/details/134453644</guid><author>IsayIwant</author><pubDate>Tue, 05 Dec 2023 00:00:41 +0800</pubDate><description><![CDATA[解释器设置影响了 VSCode 中运行 Python 脚本、调试、代码补全等功能的行为。VSCode 会根据你选择的解释器来执行这些操作。PyTorch 中的索引张量必须包含整数值。确保 label 是一个整数张量，可以通过使用 .long()发生你在终端激活了一个环境，但 VSCode 依然使用之前的解释器的情况。squeeze是要赋值的，除了extend都要赋值。出错肯定是自己对一些东西的理解出错了，，那就去一点点排查到底哪里出错了。]]></description><category></category></item><item><title><![CDATA[深度学习好文记录，反复学习]]></title><link>https://blog.youkuaiyun.com/IsayIwant/article/details/134746182</link><guid>https://blog.youkuaiyun.com/IsayIwant/article/details/134746182</guid><author>IsayIwant</author><pubDate>Sat, 02 Dec 2023 00:46:42 +0800</pubDate><description><![CDATA[Batch Normalization 在其操作中包含了均值的减去和方差的除以等操作，这些操作本身具有平移和缩放的效果。如果在 Batch Normalization 层之前加上了偏置，它的作用在某种程度上会被 Batch Normalization 的操作所抵消，从而可能减弱 Batch Normalization 的效果。通常，在batch normalization层之前的层中是没有bias的，因为这是无用的，也是对参数的浪费，因为任何常数都会被batch normalization抵消掉。]]></description><category></category></item><item><title><![CDATA[服务器连接github]]></title><link>https://blog.youkuaiyun.com/IsayIwant/article/details/134586702</link><guid>https://blog.youkuaiyun.com/IsayIwant/article/details/134586702</guid><author>IsayIwant</author><pubDate>Sat, 25 Nov 2023 22:44:22 +0800</pubDate><description><![CDATA[比着这个一步步做就行。上传文件可以看这个注意：密钥ssh-keygen设置好之后，以后就不用每次输入账号密码才能访问了。otherwise，每次要输入账号密码。这里可以看到git add .会忽略.gitignore里面的内容（灰色）git push在第一次使用的时候要标清楚<远程>，<本地>这样下次用git push的时候，就默认使用上述的参数。]]></description><category></category></item><item><title><![CDATA[Python处理Excel表格]]></title><link>https://blog.youkuaiyun.com/IsayIwant/article/details/134510850</link><guid>https://blog.youkuaiyun.com/IsayIwant/article/details/134510850</guid><author>IsayIwant</author><pubDate>Mon, 20 Nov 2023 15:44:41 +0800</pubDate><description><![CDATA[pandas读取出来的是Series或者DataFrame，DataFrame是一列列Series加起来的。所以是按照列来组织的。（默认一列的数据类型是一样的）我们可以看到组织形式，首先是ndarray的形式，而不是list，因为项与项之间没有。上面是符合逻辑的，list的特性是内容的数据类型可以不同，所以每一项就是一行。，也可以发现同类型元素是一个小的ndarray，存放着一个字符串类型。[‘2020112001张，2020112001晏’]…：[‘2020112001张，2020112001晏’]]]></description><category></category></item><item><title><![CDATA[Bug记录]]></title><link>https://blog.youkuaiyun.com/IsayIwant/article/details/134198859</link><guid>https://blog.youkuaiyun.com/IsayIwant/article/details/134198859</guid><author>IsayIwant</author><pubDate>Fri, 03 Nov 2023 21:18:17 +0800</pubDate><description><![CDATA[这实际上不会按你期望的方式工作。原因在于 ‘irnn’ 是一个非空的字符串，因此它在布尔上下文中被视为 True。所以条件总是为真，而不会考虑 args.model 的值。]]></description><category></category></item><item><title><![CDATA[关于维度上的注意事项]]></title><link>https://blog.youkuaiyun.com/IsayIwant/article/details/134078908</link><guid>https://blog.youkuaiyun.com/IsayIwant/article/details/134078908</guid><author>IsayIwant</author><pubDate>Fri, 27 Oct 2023 21:29:35 +0800</pubDate><description><![CDATA[self.rnn 的赋值行末尾的逗号将 nn.RNNCell(32, self.hidden_size) 视为一个包含单个元素的元组，而不是一个单独的对象。8*541 = 18,142,976 不符合reshape需要满足的条件，即，我们在reshape之前其实应该知道。，要不就无法保证前后维度的等效性。返回的是经过变换后的tensor。tensor，array啥的。extend无返回值，对。必须加int，是为了。]]></description><category></category></item><item><title><![CDATA[N——＞BatchSize &&数据维度理解和处理(chun, cat, squeeze, unsqueeze)]]></title><link>https://blog.youkuaiyun.com/IsayIwant/article/details/133961570</link><guid>https://blog.youkuaiyun.com/IsayIwant/article/details/133961570</guid><author>IsayIwant</author><pubDate>Mon, 23 Oct 2023 00:32:20 +0800</pubDate><description><![CDATA[例如，如果你将形状为[5266, 32, 541, 1]的张量的第3和第4维度交换，你得到的张量仍然包含相同的元素，但它们在张量中的排列方式不同，变成了形状为[5266, 32, 1, 541]的张量。squeeze 函数有一个可选的参数，即 dim，它指定了要挤压的维度。举一个例子，你的目的是要跑RNN，用RNNCELL，那么首先外部循环的肯定是seq_len，每次输入。仅删除指定的维度，如果该维度大小为1。只要你给的数据的维度能对得上就没有任何问题，最主要的是。你的目标也就是得到每次的输入。]]></description><category></category></item><item><title><![CDATA[pytorch,tf维度理解RNN]]></title><link>https://blog.youkuaiyun.com/IsayIwant/article/details/133848066</link><guid>https://blog.youkuaiyun.com/IsayIwant/article/details/133848066</guid><author>IsayIwant</author><pubDate>Sat, 21 Oct 2023 15:03:28 +0800</pubDate><description><![CDATA[在PyTorch中可以使用下面两种方式去调用，分别是torch.nn.RNNCell()和torch.nn.RNN()，这两种方式的区别在于RNNCell()只能接受序列中单步的输入，且必须传入隐藏状态，而RNN()可以接受一个序列的输入，默认会传入全0的隐藏状态，也可以自己申明隐藏状态传入。最大的问题在于忽略了Channel这一维度，其实称之为特征维度：无论是1d，2d，3d都是在描述数据的多少，比如一个序列长度为12，比如一个图片的像素点有12 * 12个。，其中 1 表示时间步维度。]]></description><category></category></item><item><title><![CDATA[深入理解RNN]]></title><link>https://blog.youkuaiyun.com/IsayIwant/article/details/133845879</link><guid>https://blog.youkuaiyun.com/IsayIwant/article/details/133845879</guid><author>IsayIwant</author><pubDate>Sun, 15 Oct 2023 20:01:37 +0800</pubDate><description><![CDATA[当RNN只有一个神经元时，即最简单的one-to-one：youtube上的视频教学，理解是对的，当前的hidden层（别管有几个神经元）一对一的传给下一个状态。，一次只能处理一个序列中的一个单元（如单词），如“I love china”这个序列，RNN网络一次只能处理一个单词，无法并行的处理整句话（多个单词组成的序列）时序逻辑电路在逻辑功能上的特点是：任意时刻的输出不仅取决于当时的输入信号，而且还取决于电路原来的状态，或者说，还与以前的输入有关。而他的缺点就是：RNN网络不能并行的处理序列。]]></description><category></category></item></channel></rss>