<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[LawGeorge的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/LawGeorge</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; LawGeorge]]></copyright><item><title><![CDATA[语义分割--DeepLab系列总结]]></title><link>https://blog.youkuaiyun.com/LawGeorge/article/details/111655984</link><guid>https://blog.youkuaiyun.com/LawGeorge/article/details/111655984</guid><author>LawGeorge</author><pubDate>Fri, 25 Dec 2020 00:35:29 +0800</pubDate><description><![CDATA[本文是对语义分割领域的优秀模型DeepLab系列进行的总结。

一、空洞卷积Atrous Convolution

空洞卷积，也称之为膨胀（dilated）卷积，经常用在小波变换上，现在被应用在卷积网络中。空洞卷积的操作与常规卷积相比，多了一个“rate”参数。



上图是1维空洞卷积示例（pad=n表示在左右两边都进行填充n个零输入）：

当rate=1时（上图），就是常规卷积，每一个输出特征（绿色）对应三个位置上连续的输入特征，即采样的间隔为0。

当rate&gt;1时（下图），就是空洞卷积，每个输]]></description><category></category></item><item><title><![CDATA[个人理解--batch_dot函数]]></title><link>https://blog.youkuaiyun.com/LawGeorge/article/details/107052565</link><guid>https://blog.youkuaiyun.com/LawGeorge/article/details/107052565</guid><author>LawGeorge</author><pubDate>Tue, 30 Jun 2020 23:24:46 +0800</pubDate><description><![CDATA[在keras中有batch_dot函数，用于计算两个多维矩阵，官方注释如下：


def batch_dot(x, y, axes=None):
    """Batchwise dot product.

    `batch_dot` is used to compute dot product of `x` and `y` when
    `x` and `y` are data in batches, i.e. in a shape of
    `(batch_size, :)`.
    `b]]></description><category></category></item><item><title><![CDATA[个人理解--梯度下降]]></title><link>https://blog.youkuaiyun.com/LawGeorge/article/details/88855489</link><guid>https://blog.youkuaiyun.com/LawGeorge/article/details/88855489</guid><author>LawGeorge</author><pubDate>Thu, 28 Mar 2019 16:49:25 +0800</pubDate><description><![CDATA[最近被问机器学习是怎么训练的，那么就顺便再深入理解梯度下降算法。

一、导数

     首先我们需要复习一下导数的知识。导数是什么？一个导数是描述一个函数上的一个点在自变量增大时，因变量的变化率。在这里我讨论导数的对象为二维空间上的函数。我们用极限来表达导数，当左右侧导数相等时，这个点才存在导数。

                     ...]]></description><category></category></item><item><title><![CDATA[个人理解--贝叶斯公式]]></title><link>https://blog.youkuaiyun.com/LawGeorge/article/details/88615388</link><guid>https://blog.youkuaiyun.com/LawGeorge/article/details/88615388</guid><author>LawGeorge</author><pubDate>Sun, 17 Mar 2019 17:46:19 +0800</pubDate><description><![CDATA[一、条件概率定义

                          

       假设A和B是样本空间中的两个集合，我们可以很清楚的明白P(A)和P(B)分别代表集合A与集合B的概率，以及是两个集合交集的概率，即两个事件同时发生的概率。但是注意，凡是形式为P(x)的都是概率，背后本质是一个比值，那么就会有分子与分母...]]></description><category></category></item><item><title><![CDATA[机器学习笔记(五)--SVD奇异值分解]]></title><link>https://blog.youkuaiyun.com/LawGeorge/article/details/88608466</link><guid>https://blog.youkuaiyun.com/LawGeorge/article/details/88608466</guid><author>LawGeorge</author><pubDate>Sun, 17 Mar 2019 00:03:11 +0800</pubDate><description><![CDATA[SVD奇异值分解可运用在降维算法PCA中进行特征分解，在机器学习等领域有广泛应用，所以很有必要将它搞清楚。

优秀文章：https://www.cnblogs.com/pinard/p/6251584.html

一、特征值与特征向量

                                        ...]]></description><category></category></item><item><title><![CDATA[数学建模学习笔记(三)--回归与分类]]></title><link>https://blog.youkuaiyun.com/LawGeorge/article/details/88595430</link><guid>https://blog.youkuaiyun.com/LawGeorge/article/details/88595430</guid><author>LawGeorge</author><pubDate>Sat, 16 Mar 2019 22:40:34 +0800</pubDate><description><![CDATA[回归与分类这两个监督学习方法的区别主要在于：

1.输出的类型：连续与离散。

2.loss函数：均方差与交叉熵（输出是否为一个可度量的空间，不同输出之间是否存在可度量的距离）。

3.网络结构：不需要softmax与需要softmax。

这两个方法本质上相同，分类可以用回归来做。
...]]></description><category></category></item><item><title><![CDATA[数学建模学习笔记(二)--TOPSIS]]></title><link>https://blog.youkuaiyun.com/LawGeorge/article/details/86595286</link><guid>https://blog.youkuaiyun.com/LawGeorge/article/details/86595286</guid><author>LawGeorge</author><pubDate>Sat, 16 Mar 2019 22:36:50 +0800</pubDate><description><![CDATA[一、TOPSIS优劣解距离法

优秀文章：https://zhuanlan.zhihu.com/p/37738503

这个方法是使用在多方案评估问题中，给出每个方案的得分，选出最优的方案。

1.指标同向化

意思就是：有的变量越大越好，有的变量越小越好，有的变量在一个区间就可以，那么就需要处理这些变量，变换成同个方向。
...]]></description><category></category></item><item><title><![CDATA[自然语言处理笔记(一)--句子编码]]></title><link>https://blog.youkuaiyun.com/LawGeorge/article/details/88312133</link><guid>https://blog.youkuaiyun.com/LawGeorge/article/details/88312133</guid><author>LawGeorge</author><pubDate>Thu, 07 Mar 2019 16:42:02 +0800</pubDate><description><![CDATA[NLP最初的步骤就是将文本中的句子表示成计算机能够处理的数字矩阵，而句子是由多个单词组成的，所以表达句子的任务就变成了如何表达单词。表达单词一般有两种大方法：词袋模型，词向量模型。

一、词袋模型(BOW)

将所有出现过的单词装进一个袋子里，忽略词法与语序，每个单词都是独立的。那么单词的维度就是词袋的大小(用单词的出现次数表达)。这样会出现稀疏性的问题(one-hot)。

二、词向量模型(Wo...]]></description><category></category></item><item><title><![CDATA[机器学习笔记(一)--归一化与标准化与正则化]]></title><link>https://blog.youkuaiyun.com/LawGeorge/article/details/86605366</link><guid>https://blog.youkuaiyun.com/LawGeorge/article/details/86605366</guid><author>LawGeorge</author><pubDate>Wed, 23 Jan 2019 10:28:29 +0800</pubDate><description><![CDATA[优秀文章：https://zhuanlan.zhihu.com/p/29957294

一、归一化

   归一化目的是将数据映射到同一个范围，增加可比性。

二、标准化

   标准化目地是加速收敛，更快找到最优解，计算上与正态分布标准化类似，变换在空间中的位置。

三、正则化

    正则化目的是避免过拟合，减少误差。计算上在一般loss函数上加上正则项，有L1正则，...]]></description><category></category></item><item><title><![CDATA[数学建模学习笔记(一)--PCA]]></title><link>https://blog.youkuaiyun.com/LawGeorge/article/details/86188910</link><guid>https://blog.youkuaiyun.com/LawGeorge/article/details/86188910</guid><author>LawGeorge</author><pubDate>Thu, 10 Jan 2019 16:03:04 +0800</pubDate><description><![CDATA[一、PCA主成分分析法

优秀文章：http://blog.codinglabs.org/articles/pca-tutorial.html

1.方差



其中N为总体数量，但是在现实中总数往往是无法得到的，所以经校正后，用n-1即样本容量-1来代替N。

2.协方差

衡量两个变量的总体误差。如果为正，说明同向变化，为负则是反向变化，大小表示程度。如果两个变量是独立的，则协方差为0(实际计...]]></description><category></category></item><item><title><![CDATA[机器学习笔记(三)--决策树]]></title><link>https://blog.youkuaiyun.com/LawGeorge/article/details/79548548</link><guid>https://blog.youkuaiyun.com/LawGeorge/article/details/79548548</guid><author>LawGeorge</author><pubDate>Sun, 18 Nov 2018 10:14:46 +0800</pubDate><description><![CDATA[学习机器学习算法之决策树，这个大侠的文章写得不错：http://www.cnblogs.com/yonghao/p/5061873.html

总结一下：

1.对于信息熵的理解：

选假设有一个离散型随机变量X有4中可能的结果：A-1/2，B-1/4，C-1/8，D-1/8，后面的是每种结果的发生概率。那么如果顺序的去猜测X，就会有以下事件可能发生：问到A，命中A，用一次，问A-&amp;gt;B，命中...]]></description><category></category></item><item><title><![CDATA[记录制作MFC项目遇到的问题]]></title><link>https://blog.youkuaiyun.com/LawGeorge/article/details/81872957</link><guid>https://blog.youkuaiyun.com/LawGeorge/article/details/81872957</guid><author>LawGeorge</author><pubDate>Sun, 18 Nov 2018 10:14:14 +0800</pubDate><description><![CDATA[1.字符编码问题

      为了程序的简易与快速开发，以后都选择Unicode作为工程的字符集。

转载于:https://www.cnblogs.com/gaohongchen01/p/4006700.html

多字节字符集：

　　在最初的时候，Internet上只有一种字符集——ANSI的ASCII字符集，它使用7 bits来表示一个 字符，总共表示128个字符，其中包括了 英文字母、...]]></description><category></category></item><item><title><![CDATA[Windows核心编程-笔记]]></title><link>https://blog.youkuaiyun.com/LawGeorge/article/details/82356386</link><guid>https://blog.youkuaiyun.com/LawGeorge/article/details/82356386</guid><author>LawGeorge</author><pubDate>Sun, 18 Nov 2018 10:13:47 +0800</pubDate><description><![CDATA[1.每个进程都有自己专有的地址空间，当进程中的各线程运行时，他们只能访问属于该进程的内存，线程看不到且无法访问其他进程的内存。地址空间只是一个内存地址区间，需要把物理存储器分配或映射到相应的地址空间，才能够正常读写数据。

2.进程地址空间的划分及使用

空指针赋值区   00000000-0000FFFF        禁止访问，帮助程序员捕获空指针的赋值。

用户模式分区   00010000...]]></description><category></category></item><item><title><![CDATA[Vue框架文件夹说明]]></title><link>https://blog.youkuaiyun.com/LawGeorge/article/details/82765316</link><guid>https://blog.youkuaiyun.com/LawGeorge/article/details/82765316</guid><author>LawGeorge</author><pubDate>Sun, 18 Nov 2018 10:13:20 +0800</pubDate><description><![CDATA[https://segmentfault.com/a/1190000012392160]]></description><category></category></item><item><title><![CDATA[phpstorm+xampp+xdebug配置]]></title><link>https://blog.youkuaiyun.com/LawGeorge/article/details/82687452</link><guid>https://blog.youkuaiyun.com/LawGeorge/article/details/82687452</guid><author>LawGeorge</author><pubDate>Thu, 13 Sep 2018 14:24:38 +0800</pubDate><description><![CDATA[详见http://sora1.coding.me/2017/01/11/xampp-phpstorm%E7%9A%84%E7%AE%80%E5%8D%95%E9%85%8D%E7%BD%AE/

注意安装xdebug之前要先确定php的位数，使用phpinfo]]></description><category></category></item><item><title><![CDATA[MFC--手动调用CTreeCtrl的消息响应函数]]></title><link>https://blog.youkuaiyun.com/LawGeorge/article/details/81811757</link><guid>https://blog.youkuaiyun.com/LawGeorge/article/details/81811757</guid><author>LawGeorge</author><pubDate>Sat, 18 Aug 2018 19:02:54 +0800</pubDate><description><![CDATA[在制作过程中，想要代码实现树形控件的一个动作，无奈用SendMessage无果，只能手动调用这个消息响应函数:


void CWindowsExplorerDlg::OnSelchangedTree(NMHDR *pNMHDR, LRESULT *pResult)
{
	//LPNMTREEVIEW pNMTreeView = reinterpret_cast&amp;lt;LPNMTREEVIEW&amp;g...]]></description><category></category></item><item><title><![CDATA[kali linux安装中文输入法]]></title><link>https://blog.youkuaiyun.com/LawGeorge/article/details/81392051</link><guid>https://blog.youkuaiyun.com/LawGeorge/article/details/81392051</guid><author>LawGeorge</author><pubDate>Fri, 03 Aug 2018 17:57:16 +0800</pubDate><description><![CDATA[1.修改安装源,内容网上找

命令：vi /etc/apt/sources.list

按下i就可以以插入模式修改文件，修改完esc返回命令模式，按下分号:再按下wq就可以保存并退出修改。

2.更新系统

命令：apt-get install update

3.安装fcitx

命令：apt-get install fcitx

注意：如果遇到 依赖: libpango1.0-0 (&amp;gt;=...]]></description><category></category></item><item><title><![CDATA[字符字典序排序C++]]></title><link>https://blog.youkuaiyun.com/LawGeorge/article/details/80524339</link><guid>https://blog.youkuaiyun.com/LawGeorge/article/details/80524339</guid><author>LawGeorge</author><pubDate>Thu, 31 May 2018 15:31:39 +0800</pubDate><description><![CDATA[    之前遇到字典序排序的问题，一时间没能想出来，之后想好后记录下来。   问题描述：给出一个字符串，是一个不是多个string，有大写有小写，排序结果为AaBbCcDd......之前一直不明白sort函数的自定义函数的工作原理，现在搞懂了。bool cmp1(char &amp;amp;a, char &amp;amp;b)  //返回false调换
{
	if ((islower(a) &amp;amp;&amp;amp...]]></description><category></category></item><item><title><![CDATA[机器学习笔记(二)--Epoch和Batch和iteration]]></title><link>https://blog.youkuaiyun.com/LawGeorge/article/details/79787605</link><guid>https://blog.youkuaiyun.com/LawGeorge/article/details/79787605</guid><author>LawGeorge</author><pubDate>Thu, 05 Apr 2018 09:54:14 +0800</pubDate><description><![CDATA[在机器学习中，这几个概念是很重要也是较容易混淆的，百度上的资料个人觉得都没这篇外文讲得清楚。



原文：https://towardsdatascience.com/epoch-vs-iterations-vs-batch-size-4dfb9c7ce9c9



翻译：





Epoch vs Batch Size vs Iterations

在这之前，敲代码的时候你一定有想过这...]]></description><category></category></item><item><title><![CDATA[机器学习笔记(四)--LeNet-5]]></title><link>https://blog.youkuaiyun.com/LawGeorge/article/details/79452219</link><guid>https://blog.youkuaiyun.com/LawGeorge/article/details/79452219</guid><author>LawGeorge</author><pubDate>Tue, 06 Mar 2018 23:50:41 +0800</pubDate><description><![CDATA[学习卷积神经网络，最好的办法就是去实现一些著名的模型：LeNet，AlexNet，ZF-Net，GoogleNet，VGG，ResNet。首先是最老的最简单的LeNet：

先上张图：





这张图就已经将LeNet模型的基本内容与操作描述出来了：卷积-池化-卷积-池化-全连接，除了池化层与最后一层全连接层不用激活函数，其他层都要用.先要说明：需要激励函数Sigmoid解决非线性问题从而将把...]]></description><category></category></item></channel></rss>