<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Jack___E的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Jack___E</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Jack___E]]></copyright><item><title><![CDATA[端到端自动驾驶通用算法框架UniAD]]></title><link>https://blog.youkuaiyun.com/Jack___E/article/details/136557870</link><guid>https://blog.youkuaiyun.com/Jack___E/article/details/136557870</guid><author>Jack___E</author><pubDate>Fri, 08 Mar 2024 11:51:28 +0800</pubDate><description><![CDATA[自动驾驶是一项高度复杂的技术，需要多个学科领域的知识和技能，包括传感器技术、机器学习、路径规划等方面。自动驾驶还需要适应不同的道路规则和交通文化，与其他车辆和行人进行良好的交互，以实现高度可靠和安全的自动驾驶系统。面对这种复杂的场景，大部分自动驾驶相关的工作都聚焦在具体的某个模块，关于框架性的研讨则相对匮乏。]]></description><category></category></item><item><title><![CDATA[PAT笔记]]></title><link>https://blog.youkuaiyun.com/Jack___E/article/details/119108013</link><guid>https://blog.youkuaiyun.com/Jack___E/article/details/119108013</guid><author>Jack___E</author><pubDate>Wed, 13 Oct 2021 15:56:36 +0800</pubDate><description><![CDATA[在c++中处理字符串类型的题目时，我们一般使用string，有时候我们也使用char[]方式进行操作。
HH:MM:SS可以直接通过字符串字典序排序
输入一个包含空格的字符串需要使用getline(cin,s1)



]]></description><category></category></item><item><title><![CDATA[集成学习专题——xgboost&LightGBM]]></title><link>https://blog.youkuaiyun.com/Jack___E/article/details/118004562</link><guid>https://blog.youkuaiyun.com/Jack___E/article/details/118004562</guid><author>Jack___E</author><pubDate>Fri, 18 Jun 2021 00:10:08 +0800</pubDate><description><![CDATA[XGBoost算法
XGBoost是陈天奇等人开发的一个开源机器学习项目，高效地实现了GBDT算法并进行了算法和工程上的许多改进，被广泛应用在Kaggle竞赛及其他许多机器学习竞赛中并取得了不错的成绩。XGBoost本质上还是一个GBDT，但是力争把速度和效率发挥到极致，所以叫X (Extreme) GBoosted， 包括前面说过，两者都是boosting方法。XGBoost是一个优化的分布式梯度增强库，旨在实现高效，灵活和便携。 它在Gradient Boosting框架下实现机器学习算法。 XGBoo]]></description><category></category></item><item><title><![CDATA[集成学习专题——GBDT]]></title><link>https://blog.youkuaiyun.com/Jack___E/article/details/118004346</link><guid>https://blog.youkuaiyun.com/Jack___E/article/details/118004346</guid><author>Jack___E</author><pubDate>Thu, 17 Jun 2021 23:58:02 +0800</pubDate><description><![CDATA[梯度提升决策树(GBDT)
(1) 基于残差学习的提升树算法：
在前面的学习过程中，我们一直讨论的都是分类树，比如Adaboost算法，并没有涉及回归的例子。在上一小节我们提到了一个加法模型+前向分步算法的框架，那能否使用这个框架解决回归的例子呢？答案是肯定的。接下来我们来探讨下如何使用加法模型+前向分步算法的框架实现回归问题。
在使用加法模型+前向分步算法的框架解决问题之前，我们需要首先确定框架内使用的基函数是什么，在这里我们使用决策树分类器。前面第二章我们已经学过了回归树的基本原理，树算法最重要是寻找最]]></description><category></category></item><item><title><![CDATA[集成学习专题——adaboost原理和sklearn实现]]></title><link>https://blog.youkuaiyun.com/Jack___E/article/details/118003950</link><guid>https://blog.youkuaiyun.com/Jack___E/article/details/118003950</guid><author>Jack___E</author><pubDate>Thu, 17 Jun 2021 23:12:50 +0800</pubDate><description><![CDATA[1. 导论
在前面的学习中，我们探讨了一系列简单而实用的回归和分类模型，同时也探讨了如何使用集成学习家族中的Bagging思想去优化最终的模型。Bagging思想的实质是：通过Bootstrap 的方式对全样本数据集进行抽样得到抽样子集，对不同的子集使用同一种基本模型进行拟合，然后投票得出最终的预测。我们也从前面的探讨知道：Bagging主要通过降低方差的方式减少预测误差。那么，本章介绍的Boosting是与Bagging截然不同的思想，Boosting方法是使用同一组数据集进行反复学习，得到一系列简单模型]]></description><category></category></item><item><title><![CDATA[集成学习专题——voting&bagging]]></title><link>https://blog.youkuaiyun.com/Jack___E/article/details/117969761</link><guid>https://blog.youkuaiyun.com/Jack___E/article/details/117969761</guid><author>Jack___E</author><pubDate>Wed, 16 Jun 2021 23:52:26 +0800</pubDate><description><![CDATA[投票法的思路
**投票法是集成学习中常用的技巧，可以帮助我们提高模型的泛化能力，减少模型的错误率。**举个例子，在航空航天领域，每个零件发出的电信号都对航空器的成功发射起到重要作用。如果我们有一个二进制形式的信号：
11101100100111001011011011011
在传输过程中第二位发生了翻转
10101100100111001011011011011
这导致的结果可能是致命的。一个常用的纠错方法是重复多次发送数据，并以少数服从多数的方法确定正确的传输数据。一般情况下，错误总是发生在局部，因此融合]]></description><category></category></item><item><title><![CDATA[数据结构与算法——二分]]></title><link>https://blog.youkuaiyun.com/Jack___E/article/details/117932711</link><guid>https://blog.youkuaiyun.com/Jack___E/article/details/117932711</guid><author>Jack___E</author><pubDate>Tue, 15 Jun 2021 21:46:35 +0800</pubDate><description><![CDATA[数据结构与算法——二分
最近leetcode每日一题经常出二分的题目，正好对前段时间学过的二分进行一些总结，首先这里要明确的一点是，二分的本质并不是单调性，而是通过某种条件将整个区间划分成满足条件和不满足条件的两端即可进行二分查找。
在二分这个专题，主要有两种类型的划分方式，一种是整数划分，一种是浮点数划分，前一种一般是我们最熟悉的二分查找的题型，也是出题比较灵活考的比较多的一种，后一种主要是为控制实数精度而设置的浮点数二分法（建议用double，float有时候会出现精度丢失）。
整数二分
这里我们拿一道]]></description><category></category></item><item><title><![CDATA[数据结构与刷题——链表]]></title><link>https://blog.youkuaiyun.com/Jack___E/article/details/117648771</link><guid>https://blog.youkuaiyun.com/Jack___E/article/details/117648771</guid><author>Jack___E</author><pubDate>Sun, 13 Jun 2021 15:44:22 +0800</pubDate><description><![CDATA[单链表代码模板
代码实现单链表的方法有很多种，但是对于acm刷题来说，我们通常使用的是静态链表的方式，这样代码运行速度更快，防止被卡时间。
const int N = 100010;
int head; // 头指针
int e[N]; // e[i]表示第i个节点的
int ne[N];// 第i个节点的next指针，表示当前节点的直接后继的节点编号
int idx;//记录已经存储了多少个节点

void init()
{
	head = -1;//用-1表示空节点
	idx = 0;
}

//在..]]></description><category></category></item><item><title><![CDATA[数据结构与算法基础——快速排序与归并排序]]></title><link>https://blog.youkuaiyun.com/Jack___E/article/details/117629184</link><guid>https://blog.youkuaiyun.com/Jack___E/article/details/117629184</guid><author>Jack___E</author><pubDate>Sun, 06 Jun 2021 20:31:49 +0800</pubDate><description><![CDATA[前言
最近在复习数据结构，顺便整理之前刷题的一些模板和技巧，希望对大家都有帮助，博客会侧重讲解的是OJ代码实现，理论部分偏少但也会写一些自己的理解。
在之前大二上数据结构的时候我也有写过一个关于排序的专题介绍数据结构复习——内部排序
快速排序
快速排序主要就是通过选取一个基准点，将一个区间内的数分成大于和小于两个部分，然后对左右区间再进行上述操作，直到子区间的长度为空为止。快速排序是不稳定的排序，如果需要变成稳定排序通过双关键字排序即可，通过下标控制绝对大小就能得到稳定的排序结果。
快速排序分三步走：

确]]></description><category></category></item><item><title><![CDATA[EfficientNet论文解读和pytorch代码实现]]></title><link>https://blog.youkuaiyun.com/Jack___E/article/details/115712731</link><guid>https://blog.youkuaiyun.com/Jack___E/article/details/115712731</guid><author>Jack___E</author><pubDate>Sun, 09 May 2021 17:41:18 +0800</pubDate><description><![CDATA[EfficientNet论文解读和代码实现
传送门

论文地址：https://arxiv.org/pdf/1905.11946.pdf
官方github：https://github.com/tensorflow/tpu/tree/master/models/official/efficientnet
github参考：https://github.com/qubvel/efficientnet
github参考：https://github.com/lukemelas/EfficientNet-PyTo]]></description><category></category></item><item><title><![CDATA[yolov1-3论文解析]]></title><link>https://blog.youkuaiyun.com/Jack___E/article/details/115940381</link><guid>https://blog.youkuaiyun.com/Jack___E/article/details/115940381</guid><author>Jack___E</author><pubDate>Thu, 22 Apr 2021 10:17:05 +0800</pubDate><description><![CDATA[yolov1-3论文解析
最近在看经典目标检测算法yolo的思想，为了更好的了解yolo系列的相关文章，我从最初版本的论文思想开始看的，之后有时间会把yolov4和yolov5再认真看看，目前来说yolov3的spp版本是使用得最为广泛的一种，整体上来说yolo的设计思想还是很有创造性的数学也比较严谨。
yolov1论文思想
物体检测主流的算法框架大致分为one-stage与two-stage。two-stage算法代表有R-CNN系列，one-stage算法代表有Yolo系列。按笔者理解，two-stag]]></description><category></category></item><item><title><![CDATA[Task2 食物声音识别之赛题数据介绍与分析]]></title><link>https://blog.youkuaiyun.com/Jack___E/article/details/115734208</link><guid>https://blog.youkuaiyun.com/Jack___E/article/details/115734208</guid><author>Jack___E</author><pubDate>Thu, 15 Apr 2021 18:52:45 +0800</pubDate><description><![CDATA[01 声音是如何产生的
声音以波的形式传播，即声波（Sound Wave）。当我们以波的视角来理解声音时，却又大繁若简起来：仅凭频率（Frequency）、
幅度（Magnitude）、相位（Phase）便构成了波及其叠加的所有，声音的不同音高（Pitch）、音量（Loudness）、音色（Timbre）
也由这些基本“粒子”组合而来。

世上形形色色的声波都可以“降解”到基本波身上，这也是傅里叶变换（Fourier Transform）的基本思想。
不同的声波有不同的频率和幅度（决定音量），人耳也有自己的]]></description><category></category></item><item><title><![CDATA[零基础入门语音识别-食物声音识别baseline]]></title><link>https://blog.youkuaiyun.com/Jack___E/article/details/115674885</link><guid>https://blog.youkuaiyun.com/Jack___E/article/details/115674885</guid><author>Jack___E</author><pubDate>Tue, 13 Apr 2021 18:12:25 +0800</pubDate><description><![CDATA[!wget http://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531887/train_sample.zip

--2021-04-13 17:45:20--  http://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531887/train_sample.zip
Resolving tianchi-competition.oss-cn-hangzhou.aliyuncs.com (tian]]></description><category></category></item><item><title><![CDATA[MTCNN论文和代码解读]]></title><link>https://blog.youkuaiyun.com/Jack___E/article/details/115601474</link><guid>https://blog.youkuaiyun.com/Jack___E/article/details/115601474</guid><author>Jack___E</author><pubDate>Mon, 12 Apr 2021 00:22:47 +0800</pubDate><description><![CDATA[MTCNN人脸检测和pytorch代码实现解读
传送门

论文地址：https://arxiv.org/ftp/arxiv/papers/1604/1604.02878.pdf
我的论文笔记：https://khany.top/file/paper/mtcnn.pdf
github参考：https://github.com/Sierkinhane/mtcnn-pytorch
github参考：https://github.com/GitHberChen/MTCNN_Pytorch

abstract

ab]]></description><category></category></item><item><title><![CDATA[docker镜像操作]]></title><link>https://blog.youkuaiyun.com/Jack___E/article/details/114026745</link><guid>https://blog.youkuaiyun.com/Jack___E/article/details/114026745</guid><author>Jack___E</author><pubDate>Wed, 24 Feb 2021 23:31:21 +0800</pubDate><description><![CDATA[commit镜像

数据卷操作实战：mysql同步
mysql运行容器，需要做数据挂载，安装启动mysql是需要配置密码的这一点要注意，所以要去docker hub官方文档上面去看官方配置
docker pull mysql:5.7

docker运行，docker run的常用参数这里我们再次回顾一下
-d 后台运行
-p 端口映射
-v 卷挂载
-e 环境配置
--name 环境名字

通过docker hub我们找到了官方的命令：docker run --name some-mysql -e MYSQ]]></description><category></category></item><item><title><![CDATA[docker常用命令]]></title><link>https://blog.youkuaiyun.com/Jack___E/article/details/114017922</link><guid>https://blog.youkuaiyun.com/Jack___E/article/details/114017922</guid><author>Jack___E</author><pubDate>Wed, 24 Feb 2021 15:28:13 +0800</pubDate><description><![CDATA[Docker 常用命令
帮助命令
docker version #显示docker版本信息
docker info #显示docker的系统信息，包括镜像和容器的数量
docker 命令 --help # 帮助命令

镜像命令
docker images查看所有本地的主机镜像




docker images显示字段
解释




REPOSITORY
镜像的仓库源


TAG
镜像的标签


IMAGE ID
镜像的id


CREATED
镜像的创建时间


SIZE
镜像的大小


(base) []]></description><category></category></item><item><title><![CDATA[docker安装和简易原理]]></title><link>https://blog.youkuaiyun.com/Jack___E/article/details/114015567</link><guid>https://blog.youkuaiyun.com/Jack___E/article/details/114015567</guid><author>Jack___E</author><pubDate>Wed, 24 Feb 2021 12:51:31 +0800</pubDate><description><![CDATA[docker安装和简易原理
最近参加了阿里云datawhale天池的一个比赛里面需要用docker进行提交，所以借此机会学习了一下docker，b站上有个很好的视频【狂神说Java】Docker最新超详细版教程通俗易懂
docker基本组成


docker安装
centos7安装
先查看centos版本，新版本的docker都只支持centos7以上
(base) [root@iZuf69rye0flkbn4kbxrobZ ~]# cat /etc/os-release
NAME="CentOS Linu]]></description><category></category></item><item><title><![CDATA[零基础入门语义分割-Task6 模型集成]]></title><link>https://blog.youkuaiyun.com/Jack___E/article/details/113991242</link><guid>https://blog.youkuaiyun.com/Jack___E/article/details/113991242</guid><author>Jack___E</author><pubDate>Tue, 23 Feb 2021 15:24:44 +0800</pubDate><description><![CDATA[零基础入门语义分割-Task6 模型集成
在上一章我们学习了如何构建验证集，如何训练和验证。本章作为本次赛题学习的最后一章，将会讲解如何使用集成学习提高预测精度。
6 模型集成
本章讲解的知识点包括：集成学习方法、深度学习中的集成学习和结果后处理思路。
6.1 学习目标

学习集成学习方法以及交叉验证情况下的模型集成
学会使用深度学习模型的集成学习

6.2 集成学习方法
在机器学习中的集成学习可以在一定程度上提高预测精度，常见的集成学习方法有Stacking、Bagging和Boosting，同时这些集成]]></description><category></category></item><item><title><![CDATA[零基础入门语义分割-Task5 模型训练与验证]]></title><link>https://blog.youkuaiyun.com/Jack___E/article/details/113990973</link><guid>https://blog.youkuaiyun.com/Jack___E/article/details/113990973</guid><author>Jack___E</author><pubDate>Tue, 23 Feb 2021 15:21:51 +0800</pubDate><description><![CDATA[零基础入门语义分割-Task5 模型训练与验证
一个成熟合格的深度学习训练流程至少具备以下功能：

在训练集上进行训练，并在验证集上进行验证；
模型可以保存最优的权重，并读取权重；
记录下训练集和验证集的精度，便于调参。

5 模型训练与验证
为此本章将从构建验证集、模型训练和验证、模型保存与加载和模型调参几个部分讲解，在部分小节中将会结合Pytorch代码进行讲解。
5.1 学习目标

理解验证集的作用，并使用训练集和验证集完成训练
学会使用Pytorch环境下的模型读取和加载，并了解调参流程

5.2 ]]></description><category></category></item><item><title><![CDATA[datawhale语义分割-Task4 评价函数与损失函数]]></title><link>https://blog.youkuaiyun.com/Jack___E/article/details/113988702</link><guid>https://blog.youkuaiyun.com/Jack___E/article/details/113988702</guid><author>Jack___E</author><pubDate>Tue, 23 Feb 2021 14:52:00 +0800</pubDate><description><![CDATA[零基础入门语义分割-Task4 评价函数与损失函数
本章主要介绍语义分割的评价函数和各类损失函数。
4 评价函数与损失函数
4.1 学习目标

掌握常见的评价函数和损失函数Dice、IoU、BCE、Focal Loss、Lovász-Softmax；
掌握评价/损失函数的实践；

4.2 TP TN FP FN
在讲解语义分割中常用的评价函数和损失函数之前，先补充一**TP(真正例 true positive) TN(真反例 true negative) FP(假正例 false positive) FN(]]></description><category></category></item></channel></rss>