<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[庸木自琢]]></title><description><![CDATA[技术博客，Python学习过程，数据分析，人工智能]]></description><link>https://blog.youkuaiyun.com/Lin_Danny</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Lin_Danny]]></copyright><item><title><![CDATA[量化投资vnpy —— 更改数据库存储，使数据存储到指定集合/数据表]]></title><link>https://blog.youkuaiyun.com/Lin_Danny/article/details/104185322</link><guid>https://blog.youkuaiyun.com/Lin_Danny/article/details/104185322</guid><author>Lin_Danny</author><pubDate>Wed, 05 Feb 2020 17:14:14 +0800</pubDate><description><![CDATA[在使用VNPY时，只有两张表，一个是bar数据，一个是tick，实际使用中，这个数据库文件可能相当大，检索很费时。并看到有人也遇到了同样的困惑，建议vnpy-2.0.9 用关系型数据库。
于是，我尝试基于vnpy 2.0.8，修改数据为 MongoDB，并将数据保存至指定的 Collection，同时保证当未指定 Collection 时，数据仍保存在原有的数据表中。适用于 tick数据 和 ba...]]></description><category></category></item><item><title><![CDATA[matplotlib绘制子图 subplot]]></title><link>https://blog.youkuaiyun.com/Lin_Danny/article/details/100580534</link><guid>https://blog.youkuaiyun.com/Lin_Danny/article/details/100580534</guid><author>Lin_Danny</author><pubDate>Fri, 06 Sep 2019 15:38:45 +0800</pubDate><description><![CDATA[1.绘制子图
使用subplot() 方法，subplot()方法传入numrows,numcols,fignum参数：fignum范围是 1 到numrows*numcols
import matplotlib.pyplot as plt
import numpy as np

x=np.linspace(0.0, 5.0, 50)
y1 = np.sin(x)
y2 = np.exp(x) *...]]></description><category></category></item><item><title><![CDATA[matplotlib配置图的属性]]></title><link>https://blog.youkuaiyun.com/Lin_Danny/article/details/100580417</link><guid>https://blog.youkuaiyun.com/Lin_Danny/article/details/100580417</guid><author>Lin_Danny</author><pubDate>Fri, 06 Sep 2019 15:37:00 +0800</pubDate><description><![CDATA[介绍一下使用 matplotlib.pyplot 模块绘制图像时，图像的常用属性设置。
1.模块导入
import matplotlib.pyplot as plt

plt.plot(x, y, **kwargs)

2.设置线的属性


pyplot可以设置线的很多属性，如线宽/虚线样式/抗锯齿等。


以下是几种设置线的属性的实现方式：

使用 **kwargs 关键字设置：如 plt.pl...]]></description><category></category></item><item><title><![CDATA[numpy按列连接两个维数不同的数组]]></title><link>https://blog.youkuaiyun.com/Lin_Danny/article/details/88674953</link><guid>https://blog.youkuaiyun.com/Lin_Danny/article/details/88674953</guid><author>Lin_Danny</author><pubDate>Tue, 19 Mar 2019 21:59:25 +0800</pubDate><description><![CDATA[合并两个维数不同的ndarray
假设我们有一个3×2 numpy数组：
x = array(([[1,2], [3, 4], [5,6]]))

现在需要把它与一个一维数组：
y = array(([7, 8,9]))

通过将其添加到行的末尾，连接为一个3×3 numpy数组，如下所示：
array([[1,2,7],
       [3,4,8],
       [5,6,9]])

在nu...]]></description><category></category></item><item><title><![CDATA[AdaBoost, GBDT和XGBoost的区别和联系]]></title><link>https://blog.youkuaiyun.com/Lin_Danny/article/details/88557413</link><guid>https://blog.youkuaiyun.com/Lin_Danny/article/details/88557413</guid><author>Lin_Danny</author><pubDate>Thu, 14 Mar 2019 17:28:20 +0800</pubDate><description><![CDATA[原文请参考： https://hackernoon.com/gradient-boosting-and-xgboost-90862daa6c77
什么是Boosting
Boosting 是将一组弱学习器（weak learner）组合起来成为一个强学习器（strong learner） 的方法。假设我们有一个二分类任务。一个较弱的学习器分类时的错误率略小于0.5，即它的学习能力比抛硬币略强一点点...]]></description><category></category></item><item><title><![CDATA[Boosted Tree原理详解]]></title><link>https://blog.youkuaiyun.com/Lin_Danny/article/details/88428090</link><guid>https://blog.youkuaiyun.com/Lin_Danny/article/details/88428090</guid><author>Lin_Danny</author><pubDate>Tue, 12 Mar 2019 20:12:04 +0800</pubDate><description><![CDATA[简述
boosted Tree算法简要描述：
不断地添加树，不断地进行特征分裂来生长一棵树。每次添加一个树，其实是学习一个新函数，去拟合上次预测的残差。一个树在生长的过程中，挑选一个最佳特征的最佳分裂点，来进行特征分裂。
训练后会得到的模型是多棵树，每棵树有若干叶子节点，每个叶子节点对一个分数，假如来了一个样本，根据这个样本的特征，在每棵树上会落到对应一个叶子节点，总分数就是把落到的叶子节点的分数...]]></description><category></category></item><item><title><![CDATA[Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation (DeepLab v3+) 论文笔记]]></title><link>https://blog.youkuaiyun.com/Lin_Danny/article/details/87924277</link><guid>https://blog.youkuaiyun.com/Lin_Danny/article/details/87924277</guid><author>Lin_Danny</author><pubDate>Mon, 25 Feb 2019 20:42:11 +0800</pubDate><description><![CDATA[《Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation》
论文链接：https://arxiv.org/abs/1802.02611
tensorflow 官方实现： https://github.com/tensorflow/models/tree/master/research/dee...]]></description><category></category></item><item><title><![CDATA[Python安装 cv2]]></title><link>https://blog.youkuaiyun.com/Lin_Danny/article/details/87859161</link><guid>https://blog.youkuaiyun.com/Lin_Danny/article/details/87859161</guid><author>Lin_Danny</author><pubDate>Thu, 21 Feb 2019 13:25:45 +0800</pubDate><description><![CDATA[opencv 的python 版本，在python中import 该模块时，使用语句 import cv2。
pip 安装 opencv
pip install opencv_python

# 对于python3，使用
pip3 install opencv_python

Anaconda3安装opencv
conda install --channel https://conda.anaco...]]></description><category></category></item><item><title><![CDATA[目标识别 YOLO 学习笔记（二）]]></title><link>https://blog.youkuaiyun.com/Lin_Danny/article/details/86514126</link><guid>https://blog.youkuaiyun.com/Lin_Danny/article/details/86514126</guid><author>Lin_Danny</author><pubDate>Wed, 16 Jan 2019 20:20:50 +0800</pubDate><description><![CDATA[文章目录Getting StartConifguration File 配置文件引入要用到的模块Parsing the configuration file 解析配置文件创建网络YOLO layer测试代码补充知识1. Upsample 上采样2. batch normalize 批量标准化提出batch normalize的原因什么是 BNBN的优势什么时候用 BN参考文章YOLO 中的rout...]]></description><category></category></item><item><title><![CDATA[目标识别 YOLO 学习笔记（一）]]></title><link>https://blog.youkuaiyun.com/Lin_Danny/article/details/86498513</link><guid>https://blog.youkuaiyun.com/Lin_Danny/article/details/86498513</guid><author>Lin_Danny</author><pubDate>Tue, 15 Jan 2019 20:13:26 +0800</pubDate><description><![CDATA[文章源于我的个人博客，地址：目标识别 YOLO 学习笔记（一）， 尊重原创，转载请注明。
这个笔记，主要是学习 YOLO 入门教程《How to implement a YOLO (v3) object detector from scratch in PyTorch》的笔，其中包含自己学习过程中遇到的不懂之处的记录。与大家分享，以交流共勉。
笔记也会分为5个部分，层层递进，使用 PyTorch实...]]></description><category></category></item><item><title><![CDATA[Pycharm连接远程服务器并实现远程调试]]></title><link>https://blog.youkuaiyun.com/Lin_Danny/article/details/82185023</link><guid>https://blog.youkuaiyun.com/Lin_Danny/article/details/82185023</guid><author>Lin_Danny</author><pubDate>Wed, 29 Aug 2018 16:14:11 +0800</pubDate><description><![CDATA[当需要远程办公时，使用pycharm远程连接服务器时必要的。 
PyCharm提供两种远程调试(Remote Debugging)的方式:


配置远程的解释器（remote interpreter）
配置Python调试服务器（Python Debug Server）


本篇文章主要介绍配置远程解释器，关于配置 python调试服务器，文末也会简单介绍。

1. Pycharm连接远程服务器
...]]></description><category></category></item><item><title><![CDATA[Sympy的一个Bug，牵涉到Python多重继承问题]]></title><link>https://blog.youkuaiyun.com/Lin_Danny/article/details/81779876</link><guid>https://blog.youkuaiyun.com/Lin_Danny/article/details/81779876</guid><author>Lin_Danny</author><pubDate>Fri, 17 Aug 2018 17:29:01 +0800</pubDate><description><![CDATA[Sympy（gometry子包）中发现的一个bug


问题来源：获取点到线段的距离。
点到线段的距离与点到直线的距离不同，点到线段的最短距离并不一定是垂直距离。但是当使用sympy.geometry.line中的Segmnet类创建实例化的线段，并使用Segment类中的 distance() 方法获取 某个点到这条线段的距离时，发现无论点在何处，计算的始终是点到直线的距离（即垂直距离）。


...]]></description><category></category></item></channel></rss>