<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[白雪少年]]></title><description><![CDATA[两袖一甩，清风明月]]></description><link>https://blog.youkuaiyun.com/Mark_2018</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Mark_2018]]></copyright><item><title><![CDATA[查看pb文件中的graph]]></title><link>https://blog.youkuaiyun.com/Mark_2018/article/details/121041780</link><guid>https://blog.youkuaiyun.com/Mark_2018/article/details/121041780</guid><author>Mark_2018</author><pubDate>Sat, 30 Oct 2021 15:26:49 +0800</pubDate><description><![CDATA[方法1
读取pb文件,　然后将graph保存到log文件中，然后使用tensorboard就能打开
import tensorflow as tf
from tensorflow.python.platform import gfile

path = './'
model = 'tnn.pb'
graph = tf.get_default_graph()
graph_def = graph.as_graph_def()
graph_def.ParseFromString(gfile.FastGFile(p]]></description><category></category></item><item><title><![CDATA[音乐生成论文简要概括]]></title><link>https://blog.youkuaiyun.com/Mark_2018/article/details/103655580</link><guid>https://blog.youkuaiyun.com/Mark_2018/article/details/103655580</guid><author>Mark_2018</author><pubDate>Sun, 04 Apr 2021 22:15:50 +0800</pubDate><description><![CDATA[MIDI文件定义
参考雅马哈XG标准的MIDI协议：MIDI程序的设计目标就是要将所要演奏的音乐或音乐曲目，按其进行的节奏、速度、技术措施等要求，转换成MIDI控制语言，以便在这些MIDI指令的控制之下，各种音源在适当的时间点上，以指定的音色、时值、强度等、演奏出需要的音响。
近年来语音生成领域其他学者的工作的部分概括
2016年的wavenet的语音转录：https://arxiv.org/ab...]]></description><category></category></item><item><title><![CDATA[音乐相关数据集介绍]]></title><link>https://blog.youkuaiyun.com/Mark_2018/article/details/103800234</link><guid>https://blog.youkuaiyun.com/Mark_2018/article/details/103800234</guid><author>Mark_2018</author><pubDate>Sun, 04 Apr 2021 21:58:12 +0800</pubDate><description><![CDATA[这篇文章是之后系列文章的汇总集中目录。
 
 首先做个小宣传。因为很多想做这一块的同行本科生们不是很清楚国内外的院校列表。有一位前辈在GitHub上整理了大部分的院校列表出来，我也对这个列表做了一点贡献。点击查看
 Python官网整理的Python库有这些：链接
基础组件Python-MIDI
项目官网：https://github.com/vishnubob/pyth...]]></description><category></category></item><item><title><![CDATA[声音特性介绍——声谱图、音色、音调]]></title><link>https://blog.youkuaiyun.com/Mark_2018/article/details/115383660</link><guid>https://blog.youkuaiyun.com/Mark_2018/article/details/115383660</guid><author>Mark_2018</author><pubDate>Thu, 01 Apr 2021 21:17:41 +0800</pubDate><description><![CDATA[一、声谱图介绍
声谱图（spectrogram），也称为幅度谱或者幅值谱，一般指的是短时傅里叶变换后得到的不含相位信息的时频图，对于梅尔谱变换而言则称为功率谱。声谱图的横轴为时间，纵轴为频率，表示的是不同频率的信号的振幅随着时间的变化关系。因此，可以使用声谱图表示波形中各种频率下信号随时间变化的信号强度或“响度。虽然声谱图不包含相位信息，但通常认为声音的信息主要蕴藏在短时幅度谱中**[1]**；另一方面，不同乐器演奏的音频文件经短时傅里叶变换得到的幅度谱经过Griffin-Lim变化后都可以重建出原始的波形]]></description><category></category></item><item><title><![CDATA[ApdrawingGAN论文阅读]]></title><link>https://blog.youkuaiyun.com/Mark_2018/article/details/113443909</link><guid>https://blog.youkuaiyun.com/Mark_2018/article/details/113443909</guid><author>Mark_2018</author><pubDate>Sat, 30 Jan 2021 18:02:34 +0800</pubDate><description><![CDATA[ApdrawingGAN: Generating artistic portrait drawings fromface photos with hierarchical GANs. In CVPR，2019.
代码
论文
摘要
由于艺术肖像画是一种高度抽象化的风格表示，由于艺术家的绘画与图像特征无法完全对应，本文提出了一种新的基于距离变换的损失来度量肖像画和真实图片之间的相似度，以生成质量更佳的肖像画。
此外，本文还构建了一个艺术风格数据集。
1. 介绍
艺术肖像画的特点：
（1）风格是高度抽象化的，包含]]></description><category></category></item><item><title><![CDATA[StyleFlow论文阅读]]></title><link>https://blog.youkuaiyun.com/Mark_2018/article/details/112923516</link><guid>https://blog.youkuaiyun.com/Mark_2018/article/details/112923516</guid><author>Mark_2018</author><pubDate>Thu, 21 Jan 2021 12:42:10 +0800</pubDate><description><![CDATA[StyleFlow: Attribute-conditioned Exploration of StyleGAN-Generated Images using Conditional Continuous Normalizing Flows
论文地址
代码链接
一、摘要
目前图像生成和编辑技术正趋于成熟，通过引入属性约束来控制生成过程并保留输出图像的质量是本文的研究重点。由于GAN隐空间(latent space)的解耦特性，导致在某个属性上图像编辑往往带来了不想要的其他属性的改变。本文通过对隐空间的约束进]]></description><category></category></item><item><title><![CDATA[NFA转换为DFA--python实现]]></title><link>https://blog.youkuaiyun.com/Mark_2018/article/details/109784035</link><guid>https://blog.youkuaiyun.com/Mark_2018/article/details/109784035</guid><author>Mark_2018</author><pubDate>Wed, 18 Nov 2020 20:06:14 +0800</pubDate><description><![CDATA[1.任务
将无Epsilon的NFA转换为DFA。
对于有Epsilon的NFA可以先将其转换为无Epsilon的NFA，具体做法可以参考博客：
将Epsilon-NFA转换为NFA–python实现
2.主要思路
首先计算初始状态的Epsilon闭包，然后根据状态转换表更新，计算能到达的状态的Epsilon闭包，直到最终无新的状态产生。具体的思路参考[1]中的下图：

3.代码实现
"""Construct and output an equivalent DFA.
    The input is gu]]></description><category></category></item><item><title><![CDATA[将Epsilon-NFA转换为NFA--python实现]]></title><link>https://blog.youkuaiyun.com/Mark_2018/article/details/109776043</link><guid>https://blog.youkuaiyun.com/Mark_2018/article/details/109776043</guid><author>Mark_2018</author><pubDate>Wed, 18 Nov 2020 16:26:54 +0800</pubDate><description><![CDATA[1.任务要求
从具有epsilon的不确定有限状态自动机（NFA）得到一个无Epsilon 的NFA。
2.思路
Epsilon-NFA到NFA的目标主要是产生一个没有Epsilon边的，跟原状态图等价的新状态图。过程不复杂，首先从起始状态开始，寻找所有Epsilons边到达的对象的集合，然后复制这个集合的所有状态包含的非Epsilon状态。其实状态做完之后，寻找所有能够产生非Epsilon边的状态然后重复这个过程，最后NFA就出来了。
其本质就是使用无Epsilon的状态转换函数中的条件去替换有Epsil]]></description><category></category></item><item><title><![CDATA[线性同余方程求解]]></title><link>https://blog.youkuaiyun.com/Mark_2018/article/details/108653295</link><guid>https://blog.youkuaiyun.com/Mark_2018/article/details/108653295</guid><author>Mark_2018</author><pubDate>Thu, 17 Sep 2020 21:43:47 +0800</pubDate><description><![CDATA[一、问题描述
解方程 13x=6(mod 34)                                               （1）
对该方程求解的步骤为先求特解，再乘以系数得到通解：
步骤1：13x+34y=1,得到x的所有取值使得等式右端的值为1。
步骤2：对上述方程的左右两端同时乘以6，然后系数13和34不变，用新的x代替原始的x，即得到方程（1）的通解。
二、特解的求取
贝祖定理：
       即如果a、b是整数，那么一定存在整数x、y使得ax+by=gcd(a,b)。

换句话说]]></description><category></category></item><item><title><![CDATA[linux服务器被挖矿的解决办法]]></title><link>https://blog.youkuaiyun.com/Mark_2018/article/details/108454631</link><guid>https://blog.youkuaiyun.com/Mark_2018/article/details/108454631</guid><author>Mark_2018</author><pubDate>Mon, 07 Sep 2020 20:14:19 +0800</pubDate><description><![CDATA[一、前言
本周发现服务器很卡，明明什么实验也没跑（GPU是空的），然后重启后使用top指令后发现在自己账号下有个进程占用了所有的的cpu资源。然后使用top指令突然发现自己账号下有个进程将cpu的资源用完了，尝试使用kill命令终止该进程后发现几秒钟又重启，至此发现该进程是恶意进程，网上搜索后发现是一个挖矿的程序。直到问题，那就好办了。
二、解决办法
想法：由于直接kill定时任务的程序不行，那么应当先将定时任务删除。然后再去找到被修改的文件，要么删除，要么修改。
1. 阻断挖矿程序链接外网服务。
查看/e]]></description><category></category></item><item><title><![CDATA[进度条模块tqdm的使用]]></title><link>https://blog.youkuaiyun.com/Mark_2018/article/details/108247448</link><guid>https://blog.youkuaiyun.com/Mark_2018/article/details/108247448</guid><author>Mark_2018</author><pubDate>Wed, 26 Aug 2020 20:57:00 +0800</pubDate><description><![CDATA[用法1：
代码：
from tqdm import tqdm
import time
for i in tqdm(range(100)):
    time.sleep(0.01)

结果：

用法2
代码：
from tqdm import trange
epoch = 10
n_batches = 10000
with tqdm(total=n_batches, desc='Train epoch %d' % epoch) as train_enum:
    for batch_num in rang]]></description><category></category></item><item><title><![CDATA[Leetcode 032 最长有效括号python实现]]></title><link>https://blog.youkuaiyun.com/Mark_2018/article/details/107538693</link><guid>https://blog.youkuaiyun.com/Mark_2018/article/details/107538693</guid><author>Mark_2018</author><pubDate>Thu, 23 Jul 2020 15:39:02 +0800</pubDate><description><![CDATA[Leetcode 032 最长有效括号
一、题目描述
题目描述：给定一个只包含 ‘(’ 和 ‘)’ 的字符串，找出最长的包含有效括号的子串的长度。
示例1：
输入: “)()())”
输出: 4
解释: 最长有效括号子串为 “()()”
实例2：
输入: “())()”
输出: 2
解释: 最长有效括号子串为 “()”
二、解法
1.动态规划
思路 ：将"(“对应位置的值置为0，遇见右括号才进行更新
情况1：当s[i]=”)" and s[i-1]="(",即s形如“…()”的时候：
dp[i] = dp[]]></description><category></category></item><item><title><![CDATA[GPU导入模型非常缓慢的解决办法]]></title><link>https://blog.youkuaiyun.com/Mark_2018/article/details/107187443</link><guid>https://blog.youkuaiyun.com/Mark_2018/article/details/107187443</guid><author>Mark_2018</author><pubDate>Tue, 07 Jul 2020 18:27:33 +0800</pubDate><description><![CDATA[问题描述
最近在一台服务器上训练模型，奈何卡有点少，为了更有销效率的调参，将网络和环境都迁移到一台8卡的服务器上，本以为会开启疯狂调参模式，没想到问题来了。GPU每秒加载4-5M的模型数据，我的模型和数据集一共差不多是8500M左右，这谁顶得住呀。
想办法
经过我的各种科学思考（网上乱查），都没找到解决办法。于是我慌了，换了一个在该服务器上的环境试了下，发下1秒读取8000M，稳得不行。
观察两个环境得差异发现新服务器得cuda是cuda10.0，原来服务器得cuda是cuda8.0，所以导致了我将cuda]]></description><category></category></item><item><title><![CDATA[python实现全组合与全排列]]></title><link>https://blog.youkuaiyun.com/Mark_2018/article/details/107183307</link><guid>https://blog.youkuaiyun.com/Mark_2018/article/details/107183307</guid><author>Mark_2018</author><pubDate>Tue, 07 Jul 2020 16:00:48 +0800</pubDate><description><![CDATA[python全组合与全排列
一、全排列
1.题目描述
输入一个字符串,按字典序打印出该字符串中字符的所有排列。例如输入字符串abc,则打印出由字符a,b,c所能排列出来的所有字符串abc,acb,bac,bca,cab和cba。
2.做题思路
递归+回溯
第一步
确定第一个位置的字符，第一个位置与后边的所有字符进行交换（包括该字符本身）。
如下图：A与A，B，C进行交换
第二步
对除了第一个位置的后边所有位置的字符进行相同处理；
结束条件：a)剩下一个字符；b)没有剩余字符。两种选择都可以获得正确答案。
简]]></description><category></category></item><item><title><![CDATA[starGAN v2 论文阅读]]></title><link>https://blog.youkuaiyun.com/Mark_2018/article/details/106857430</link><guid>https://blog.youkuaiyun.com/Mark_2018/article/details/106857430</guid><author>Mark_2018</author><pubDate>Fri, 19 Jun 2020 15:46:59 +0800</pubDate><description><![CDATA[StarGAN v2
文章目录StarGAN v2摘要一.介绍二.StarGANv21.网络结构2.loss设置三.实验结果展示四.总结Reference
摘要
优秀的图像-图像转换模型需要学习不同视觉域之间的映射，要同时满足以下属性：1）生成图像的多样性和 2）在多个域上的可扩展性。
因此提出了star-GAN v2和动物数据集AFHQ
一.介绍
域：可以分组为视觉上独特的类别的不同组图片
风格：每组图片中的每张图片都有独特的外观，这称之为风格。
比如，可以根据性别将人分为男性和女性两个域，而人物的装扮，]]></description><category></category></item><item><title><![CDATA[No module named 'torchvision.ops'的解决办法]]></title><link>https://blog.youkuaiyun.com/Mark_2018/article/details/105793147</link><guid>https://blog.youkuaiyun.com/Mark_2018/article/details/105793147</guid><author>Mark_2018</author><pubDate>Mon, 27 Apr 2020 19:45:05 +0800</pubDate><description><![CDATA[问题：cuda的版本是cuda 10.0，在使用torchvision=0.2.2，torch版本为1.4.0时候报错：
No module named 'torchvision.ops'

网上说是torchvision的版本过低，应该将其至少更新到0.3.0。于是将torchvision更新到torchvision，但此时又出现了新的错误：
ImportError: libcudart.so....]]></description><category></category></item><item><title><![CDATA[VAE与GAN的区别和联系]]></title><link>https://blog.youkuaiyun.com/Mark_2018/article/details/105400648</link><guid>https://blog.youkuaiyun.com/Mark_2018/article/details/105400648</guid><author>Mark_2018</author><pubDate>Wed, 08 Apr 2020 23:52:29 +0800</pubDate><description><![CDATA[转载链接
1.互怼的艺术：从零直达 WGAN-GP
2.变分自编码器VAE：原来是这么一回事 | 附开源代码
正文
1 
前言 
GAN，全称 Generative Adversarial Nets，中文名是生成对抗式网络。对于 GAN 来说，最通俗的解释就是“造假者-鉴别者”的解释，如艺术画的伪造者和鉴别者。一开始伪造者和鉴别者的水平都不高，但是鉴别者还是比较容易鉴别出伪造者伪造出来的艺术画。但...]]></description><category></category></item><item><title><![CDATA[互相关（cross-correlation）在Python中的持续实现]]></title><link>https://blog.youkuaiyun.com/Mark_2018/article/details/105369926</link><guid>https://blog.youkuaiyun.com/Mark_2018/article/details/105369926</guid><author>Mark_2018</author><pubDate>Wed, 08 Apr 2020 18:29:22 +0800</pubDate><description><![CDATA[前言
最近需要计算两个时序序列之间的相关性即NCC（Normalized Cross Correlation），于是了解了np.correlate函数的计算原理和计算方式。
以下内容为转载
转载链接\color{#FF3030}{转载链接}转载链接
互相关（cross-correlation）及其在Python中的实现
在这里我想探讨一下“互相关”中的一些概念。正如卷积有线性卷积（linear c...]]></description><category></category></item><item><title><![CDATA[图像匹配算法NCC(Normalized Cross Correlation)的python实现]]></title><link>https://blog.youkuaiyun.com/Mark_2018/article/details/104933163</link><guid>https://blog.youkuaiyun.com/Mark_2018/article/details/104933163</guid><author>Mark_2018</author><pubDate>Wed, 18 Mar 2020 08:44:23 +0800</pubDate><description><![CDATA[背景
相关系数其实就是皮尔森系数，一般是在概率中判断两个随机变量的相关性，其公式为：

其中，Cov(X,Y)表示的是随机变量X,Y的协方差。D(X)与D(Y)则分别表示随机变量X,Y的方差。皮尔森系数的值域为[-1,1]，系数越接近1表明这两个随机变量越相关，越接近-1表明这两个随机变量越不相关。讲到这里，突然想起概率中讲的一句话：独立一定不相关，不相关不一定独立\color{#FF3030}{...]]></description><category></category></item><item><title><![CDATA[midi格式的音频数据显示为图片形式]]></title><link>https://blog.youkuaiyun.com/Mark_2018/article/details/104831435</link><guid>https://blog.youkuaiyun.com/Mark_2018/article/details/104831435</guid><author>Mark_2018</author><pubDate>Fri, 13 Mar 2020 23:39:49 +0800</pubDate><description><![CDATA[一般来说，音频数据的保存格式又wav，mp3，midi等。当需要对音频数据比对时，显示为图片是一种比较直观的表示方式。
解决办法：
主要是利用pretty_midi模块读入midi文件内容，使用
接下来我们将矩阵转换成piano-roll，使用以下方法：

Reference
如何看懂一份MIDI文件

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