<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[LXYTSOS的专栏]]></title><description><![CDATA[The Quieter You Become, The More You Are Able To Hear.]]></description><link>https://blog.youkuaiyun.com/LXYTSOS</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; LXYTSOS]]></copyright><item><title><![CDATA[强化学习形式与关系]]></title><link>https://blog.youkuaiyun.com/LXYTSOS/article/details/113884652</link><guid>https://blog.youkuaiyun.com/LXYTSOS/article/details/113884652</guid><author>LXYTSOS</author><pubDate>Mon, 22 Feb 2021 16:38:21 +0800</pubDate><description><![CDATA[在强化学习中有这么几个术语：智能体（Agent），环境（Environment），动作（Action），奖励（Reward），状态（State，有些地方称作观察，Observation）。


]]></description><category></category></item><item><title><![CDATA[初识强化学习，什么是强化学习？]]></title><link>https://blog.youkuaiyun.com/LXYTSOS/article/details/113854338</link><guid>https://blog.youkuaiyun.com/LXYTSOS/article/details/113854338</guid><author>LXYTSOS</author><pubDate>Sat, 20 Feb 2021 15:35:15 +0800</pubDate><description><![CDATA[相信很多人都听过“机器学习”和“深度学习”，但是听过“强化学习”的人可能没有那么多，那么，什么是强化学习呢？强化学习是机器学习的一个子领域，它可以随着时间的推移自动学习到最优的策略。

在我们不断变化的纷繁复杂的世界里，从更广的角度来看，即使是单纯的静态的输入-输出型问题也会变成动态的问题。例如，对于一个简单的监督式学习任务——猫狗分类。你收集到了一些训练数据，然后用你最喜欢的深度学习框架写了一个分类网络进行训练，很快模型收敛，效果拔群，因此你将这个模型部署上线，过了一段时间一些狗的狗毛修剪方式发生了改变，]]></description><category></category></item><item><title><![CDATA[软件架构概念和面向服务的架构]]></title><link>https://blog.youkuaiyun.com/LXYTSOS/article/details/113175771</link><guid>https://blog.youkuaiyun.com/LXYTSOS/article/details/113175771</guid><author>LXYTSOS</author><pubDate>Tue, 26 Jan 2021 11:07:58 +0800</pubDate><description><![CDATA[摘要
软件架构作为软件开发过程的一个重要组成部分，有着各种各样的方法和路线图，它们都有一些共同的原则。基于架构的方法作为控制系统构建和演化复杂性的一种手段得到了推广。
引言
在计算机历史中，软件变得越来越复杂。也提出了许多方法来解决不同层次的复杂性，例如“结构化编程”[1]，以及Fred Brooks的“概念完整性”思想[2]。软件生命周期的设计阶段通常分为高层设计和详细设计。架构将有助于描述软件，这就产生了“软件架构”一词。软件架构的概念已经成为解决高度复杂问题的设计方案。在1994年底，Denning和]]></description><category></category></item><item><title><![CDATA[强化学习-马尔可夫决策过程（MDP）]]></title><link>https://blog.youkuaiyun.com/LXYTSOS/article/details/112602738</link><guid>https://blog.youkuaiyun.com/LXYTSOS/article/details/112602738</guid><author>LXYTSOS</author><pubDate>Thu, 14 Jan 2021 11:15:20 +0800</pubDate><description><![CDATA[强化学习，是机器学习领域中，除监督学习、非监督学习之外，第三种学习范式。在强化学习中，智能体在环境中通过执行各种动作来与之交互，做完每个动作后都会得到一个环境反馈的奖励值，智能体的目标就是通过一系列的交互，来学习到一种策略，使得它收到的总奖励值最大。



马尔可夫



马尔科夫性：当一个随机过程在给定现在状态及所有过去状态情况下，其未来状态的条件概率分布仅依赖于当前状态；换句话说，在给定现在状态时，它与过去状态（即该过程的历史路径）是条件独立的，那么此随机过程即具有马尔可夫性质。具有马尔可夫性质的过..]]></description><category></category></item><item><title><![CDATA[我的2020奋斗史]]></title><link>https://blog.youkuaiyun.com/LXYTSOS/article/details/112062427</link><guid>https://blog.youkuaiyun.com/LXYTSOS/article/details/112062427</guid><author>LXYTSOS</author><pubDate>Fri, 01 Jan 2021 18:19:08 +0800</pubDate><description><![CDATA[现在我仍然记得，去年的这个时候，我结束3个月的考研备考，刚刚参加完全国统考，难得可以休息一段时间了。我于2014年本科毕业，到目前为止已经有6年工作经验，前三年从事大数据开发，后三年转做计算机视觉。那么，已经工作这么多年了，为什么还要考研呢？
事情的开端要回到2019年9月份，当时已经从事计算机视觉方面的工作有近两年的时间，而加上加薪无望，因此开始琢磨着找新工作了。在此过程中，我发现这么一个现象，大部分岗位要求有硕士学历，甚至有些是强制要求，因此对于只有本科学历的我，在简历这关就被淘汰了，与此同时，各大招聘]]></description><category></category></item><item><title><![CDATA[我的2019“木桶插曲”——三个月考上研]]></title><link>https://blog.youkuaiyun.com/LXYTSOS/article/details/106375890</link><guid>https://blog.youkuaiyun.com/LXYTSOS/article/details/106375890</guid><author>LXYTSOS</author><pubDate>Wed, 27 May 2020 10:44:08 +0800</pubDate><description><![CDATA[我是如何在找工作的途中花不到三个月的时间考上研的。

“兄弟，你这学历找算法岗很吃亏啊！”
“不好意思，需要硕士学历。”
“这个岗位还要求是研究生呢”（你本科生就这个价钱）。
这是我2019年求职过程中印象最深的三句话，虽然远远小于boss上已沟通的数目，虽然是少数情况，但已足够引起人的重视，因此决定要做些什么来改变现状。
突如其来的想法
时间回到2019年9月24日早晨，那天早上起来，突然有某种东西在内心爆炸式的展开，就像大学时候某天早晨突然对自己说，我要学吉他一样。这天早晨，产生了要考在职研究生的冲动.]]></description><category></category></item><item><title><![CDATA[平方误差损失与交叉熵损失]]></title><link>https://blog.youkuaiyun.com/LXYTSOS/article/details/105492848</link><guid>https://blog.youkuaiyun.com/LXYTSOS/article/details/105492848</guid><author>LXYTSOS</author><pubDate>Mon, 13 Apr 2020 17:15:56 +0800</pubDate><description><![CDATA[平方误差和交叉熵是神经网络中很常用的损失函数，那么平方误差和交叉熵分别适合什么场景呢？这个问题也是算法工程师面试中的高频考点，其中不乏腾讯微信。那么在本文中，就来详细解释这两种损失函数。
平方误差
这里以一个简单的神经元为例，只有一个输入和一个输出：

接下来我们使用平方误差损失来训练这个神经元，接受输入1.0，目标输出0.0。首先将权重初始化为0.6，偏置0.9，学习率为0.15，我们来看看损失...]]></description><category></category></item><item><title><![CDATA[SVM]]></title><link>https://blog.youkuaiyun.com/LXYTSOS/article/details/104011395</link><guid>https://blog.youkuaiyun.com/LXYTSOS/article/details/104011395</guid><author>LXYTSOS</author><pubDate>Thu, 16 Jan 2020 21:34:36 +0800</pubDate><description><![CDATA[支持向量机（Support Vector Machine，SVM）是众多监督学习方法中十分出色的一种，几乎所有讲述经典机器学习方法的教材都会介绍，下面总结一下关于SVM的知识点。
常见的几何性质

原始公式的导出

SVM的性质


对偶形式推导


KKT条件



SMO算法






...]]></description><category></category></item><item><title><![CDATA[kaggle气胸疾病图像分割top5解决方案]]></title><link>https://blog.youkuaiyun.com/LXYTSOS/article/details/101150294</link><guid>https://blog.youkuaiyun.com/LXYTSOS/article/details/101150294</guid><author>LXYTSOS</author><pubDate>Sun, 22 Sep 2019 11:17:27 +0800</pubDate><description><![CDATA[比赛背景
突然喘气，无缘无故地无助地呼吸，这会是肺衰竭吗？气胸可由胸部钝伤、肺部疾病的损害引起，有时候甚至无法探寻诱因。在某些情况下，肺萎陷可能会危及生命。气胸通常由胸部X射线放射科医生诊断，但有时很难确诊。因此由医学影像信息学学会（SIIM）提供了气胸图片数据，kaggle举办了一场比赛，开发模型，为非放射科医生提供更可靠的诊断，并在疾病早期识别气胸，挽救生命。
数据
图片数据是胸透图片，并标注...]]></description><category></category></item><item><title><![CDATA[kaggle糖尿病视网膜病变失明检测top5解决方案]]></title><link>https://blog.youkuaiyun.com/LXYTSOS/article/details/100761971</link><guid>https://blog.youkuaiyun.com/LXYTSOS/article/details/100761971</guid><author>LXYTSOS</author><pubDate>Thu, 12 Sep 2019 09:31:53 +0800</pubDate><description><![CDATA[比赛背景
想象一下，在失明发生之前就能够发现病变。数以百万计的人患有糖尿病性视网膜病变，这是导致老年人失明的主要原因。印度的Aravind眼科医院希望在农村地区的人们中发现并预防这种疾病，而那里的医疗筛查很难进行。目前，Aravind技术人员前往这些农村地区拍摄图像，然后依靠训练有素的医生对图像进行检查并提供诊断。因此kaggle举办了场比赛来加快疾病筛查。（本人排名：top6%，162/2987...]]></description><category></category></item><item><title><![CDATA[手推DNN，CNN池化层，卷积层反向传播]]></title><link>https://blog.youkuaiyun.com/LXYTSOS/article/details/100051256</link><guid>https://blog.youkuaiyun.com/LXYTSOS/article/details/100051256</guid><author>LXYTSOS</author><pubDate>Sat, 24 Aug 2019 12:10:34 +0800</pubDate><description><![CDATA[反向传播算法是神经网络中用来学习的算法，从网络的输出一直往输出方向计算梯度来更新网络参数，达到学习的目的，而因为其传播方向与网络的推理方向相反，因此成为反向传播。神经网络有很多种，那么它们还有其中包含的一些结构，是如何计算出梯度来的呢，在这里为大家手动推导DNN，池化层，卷积层的求导过程。
DNN反向传播

DNN的反向传播推导相对来说比较简单，那么在卷积网络中如何反向传播呢，特别是在池化层和卷积...]]></description><category></category></item><item><title><![CDATA[深度学习问答]]></title><link>https://blog.youkuaiyun.com/LXYTSOS/article/details/97540996</link><guid>https://blog.youkuaiyun.com/LXYTSOS/article/details/97540996</guid><author>LXYTSOS</author><pubDate>Sat, 27 Jul 2019 18:46:27 +0800</pubDate><description><![CDATA[Q：数据拆分时为什么最好拆分成训练集、验证集、测试集，而不是训练集和测试集？
A：因为在开发模型的时候总是需要调节模型超参数，比如层数或层的大小。在调节超参数的过程中会将模型在验证数据上进行测试，这个调节过程本身也是一种学习，如果基于模型在验证集上的性能来调节超参数，会很快导致模型在验证集上过拟合，即使没有在验证集上训练。这是因为每次基于在验证集上的性能来调节超参数的时候，关于验证集的一些信息会泄...]]></description><category></category></item><item><title><![CDATA[初识Keras]]></title><link>https://blog.youkuaiyun.com/LXYTSOS/article/details/97304554</link><guid>https://blog.youkuaiyun.com/LXYTSOS/article/details/97304554</guid><author>LXYTSOS</author><pubDate>Thu, 25 Jul 2019 21:39:23 +0800</pubDate><description><![CDATA[什么是Keras
Keras是一个深度学习框架，与PyTorch不同的是，Keras提供高层次的模型构建模块，不处理张量操作，求微分等逻辑。而PyTorch中用户可以自己定义网络前向和反向传播的逻辑。而这些底层的操作，Keras则依赖其他后端来实现，在Keras中可以选择TensorFlow或Theano作为后端。而Theano现在已经停止维护了，所以还是用TensorFlow作为计算后端，这也是...]]></description><category></category></item><item><title><![CDATA[大家的人工智能——决策树]]></title><link>https://blog.youkuaiyun.com/LXYTSOS/article/details/94332355</link><guid>https://blog.youkuaiyun.com/LXYTSOS/article/details/94332355</guid><author>LXYTSOS</author><pubDate>Sun, 30 Jun 2019 16:28:49 +0800</pubDate><description><![CDATA[在Logistic回归中，我们接触到了分类任务，今天我们将要介绍的是决策树，它是一种用于分类与回归的算法，这里主要讨论用于分类的决策树。
决策树初探
从名字中就不难猜出决策树模型是呈树形结构，在分类问题中，基于特征对实例进行分类，我们可以想象有一系列的if-else规则集合，通过判断特征是否符合这些规则来对实例进行分类。
决策树结构
决策树是一种对实例进行分类的树形结构，它由结点和有向边组成。而结...]]></description><category></category></item><item><title><![CDATA[目标检测第二弹——Fast RCNN]]></title><link>https://blog.youkuaiyun.com/LXYTSOS/article/details/93412578</link><guid>https://blog.youkuaiyun.com/LXYTSOS/article/details/93412578</guid><author>LXYTSOS</author><pubDate>Mon, 24 Jun 2019 10:10:44 +0800</pubDate><description><![CDATA[Fast RCNN
Fast RCNN训练VGG19网络速度比RCNN快9倍，测试速度快213倍，与SPP网络相比，训练速度快3倍，测试快10倍，并且更准确。
介绍
在当时，目标检测训练任务都是分多个阶段进行模型训练，缓慢且不优雅。因此在Fast RCNN中提出了一种单阶段的训练方式，将物体分类和位置确定结合起来。测试阶段处理一张图片只需要0.3秒，并且在PASCAL VOC 2012数据集上更准...]]></description><category></category></item><item><title><![CDATA[大家的人工智能——Logistic回归]]></title><link>https://blog.youkuaiyun.com/LXYTSOS/article/details/93136295</link><guid>https://blog.youkuaiyun.com/LXYTSOS/article/details/93136295</guid><author>LXYTSOS</author><pubDate>Thu, 20 Jun 2019 21:35:17 +0800</pubDate><description><![CDATA[在《大家的人工智能——线性回归》中，什么是拟合，代价函数，梯度下降，相信大家已经对这些基本概念有所了解。线性回归的应用场景是输出为连续的数值，比如下个月的房价多少，明天的气温多少。而在机器学习中还有一类任务，它的输出是离散的，比如明天他会不会去游泳（会或不会），这是狗还是猫，这就是分类任务，而Logistic回归就是处理这种分类任务的，不要看他的名字里面有“回归”两个字，但是它其实是个分类算法。它...]]></description><category></category></item><item><title><![CDATA[目标检测第一弹——RCNN，SPP]]></title><link>https://blog.youkuaiyun.com/LXYTSOS/article/details/92427917</link><guid>https://blog.youkuaiyun.com/LXYTSOS/article/details/92427917</guid><author>LXYTSOS</author><pubDate>Sun, 16 Jun 2019 20:51:48 +0800</pubDate><description><![CDATA[R-CNN

使用大容量卷积神经网络（CNN）自下而上生成候选区域（region proposals），以便定位和分割对象。
标记训练数据稀缺，使用监督式预训练，基于特定领域的微调模型进行辅助，性能显著提升。

R-CNN系统综述


输入一张图像
自下而上提取出大约2000个候选区域，对每个候选区域，首先将框稍微扩张使其包括部分上下文信息，然后将扩张后的图像resize到227 × 227（CN...]]></description><category></category></item><item><title><![CDATA[大家的人工智能——正规方程]]></title><link>https://blog.youkuaiyun.com/LXYTSOS/article/details/91351059</link><guid>https://blog.youkuaiyun.com/LXYTSOS/article/details/91351059</guid><author>LXYTSOS</author><pubDate>Sun, 09 Jun 2019 10:48:49 +0800</pubDate><description><![CDATA[在《大家的人工智能——线性回归》中，我们介绍了如何找到一条直线来拟合训练数据，下面把之前的一元线性回归扩展到多元线性回归：
y=θ0+θ1x1+θ2x2+⋅⋅⋅+θnxn
y = \theta_0 + \theta_1x_1 + \theta_2x_2 + ··· + \theta_nx_n
y=θ0​+θ1​x1​+θ2​x2​+⋅⋅⋅+θn​xn​
其中θ0对应的是一元线性回归中的那个b，我们...]]></description><category></category></item><item><title><![CDATA[大家的人工智能——线性回归]]></title><link>https://blog.youkuaiyun.com/LXYTSOS/article/details/90815437</link><guid>https://blog.youkuaiyun.com/LXYTSOS/article/details/90815437</guid><author>LXYTSOS</author><pubDate>Wed, 05 Jun 2019 13:44:50 +0800</pubDate><description><![CDATA[在《大家的人工智能——学习路线总览》中，相信大家已经对人工智能领域已经有了一个初步的了解，现在我们从其中一个小方面入门机器学习，今天我们将要讲述的是机器学习中的一种线性模型——线性回归。
什么是线性回归
让我们把思绪先倒回到初中数学课堂上（如果你已经上过初中），来回顾一个知识点：一元一次方程，给出如下坐标点(1,1.5)，(2,2)，(3,2.5)，要求计算出当x=4时，y的值。

相信大家都会首...]]></description><category></category></item><item><title><![CDATA[PyTorch风格迁移，人人都是名画大师]]></title><link>https://blog.youkuaiyun.com/LXYTSOS/article/details/90744130</link><guid>https://blog.youkuaiyun.com/LXYTSOS/article/details/90744130</guid><author>LXYTSOS</author><pubDate>Sun, 02 Jun 2019 21:53:07 +0800</pubDate><description><![CDATA[爱好绘画的小伙伴们有没有想过将各种名画的风格融入自己的绘画作品当中？如今借助深度学习技术，很容易就能将名画的风格迁移到任何一张画中。
Neural Transfer
网络接收三张图片作为输入，一张内容图像，一张风格图像，一张由内容图像初始化的图像（最终将风格迁移到这张图像上来）。
损失函数
这里将会有两个损失函数：

与内容图像之间的损失
与风格图像之间的损失

内容损失
这个损失比较简单，只是单...]]></description><category></category></item></channel></rss>