<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ParisCutie的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ParisCutie</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ParisCutie]]></copyright><item><title><![CDATA[2021-05-24]]></title><link>https://blog.youkuaiyun.com/ParisCutie/article/details/117227594</link><guid>https://blog.youkuaiyun.com/ParisCutie/article/details/117227594</guid><author>ParisCutie</author><pubDate>Sat, 29 May 2021 20:30:19 +0800</pubDate><description><![CDATA[文章目录Kg-bert
Kg-bert
为了通过丰富的语言模型充分利用上下文的表征，对知识图谱完成的预训练Bert进行了微调，将实体和关系表示为它们的名称或者描述，然后再将名称/描述序列作为bert模型输入的句子，进行fine-tuning。将两个实体（实体名称/实体描述）或者三元组（h,r,t）作为bert的输入序列。

...]]></description><category></category></item><item><title><![CDATA[word2vec]]></title><link>https://blog.youkuaiyun.com/ParisCutie/article/details/109393772</link><guid>https://blog.youkuaiyun.com/ParisCutie/article/details/109393772</guid><author>ParisCutie</author><pubDate>Sat, 31 Oct 2020 19:13:08 +0800</pubDate><description><![CDATA[word2vec定义表示方式语言模型
定义
什么是word2vec，词向量，顾名思义，在NLP中，最细粒度的是词语，解决NLP问题，就要时刻关注最基本的词语。
而NLP中的词语，把它们转换为数值形式，或者嵌入到一个数学空间中，这种嵌入方式，就叫做词嵌入(word embedding),而word2vec也是词嵌入的一种。
表示方式
NLP词的表示方式

词的独热表示
用one-hot来表示词就很简单，比如我有3个词，就可以分别用[1,0,0],[0,1,0],[0,0,1]来表示，但是用这种方式存在着许多问]]></description><category></category></item><item><title><![CDATA[LSTM网络初识]]></title><link>https://blog.youkuaiyun.com/ParisCutie/article/details/108188114</link><guid>https://blog.youkuaiyun.com/ParisCutie/article/details/108188114</guid><author>ParisCutie</author><pubDate>Sun, 23 Aug 2020 22:30:34 +0800</pubDate><description><![CDATA[文章目录LSTM网络介绍三道门代码实现LSTM表示
LSTM网络
介绍
Long Short Term Memory networks（以下简称LSTMs），一种特殊的RNN网络，该网络设计出来是为了解决长依赖问题。该网络由 Hochreiter &amp; Schmidhuber (1997)引入，并有许多人对其进行了改进和普及。他们的工作被用来解决了各种各样的问题，直到目前还被广泛应用。
所有循环神经网络都具有神经网络的重复模块链的形式。 在标准的RNN中，该重复模块将具有非常简单的结构，例如单个tan]]></description><category></category></item><item><title><![CDATA[集成学习总结]]></title><link>https://blog.youkuaiyun.com/ParisCutie/article/details/108034286</link><guid>https://blog.youkuaiyun.com/ParisCutie/article/details/108034286</guid><author>ParisCutie</author><pubDate>Sun, 16 Aug 2020 17:59:58 +0800</pubDate><description><![CDATA[集成学习(Ensemble Learning)
文章目录集成学习(Ensemble Learning)集成学习法BoostingAdaBoost提升树BaggingRandom Forest随机森林
集成学习法
在机器学习的监督学习算法中，我们的目标是学习出一个稳定的且在各个方面表现都较好的模型，但实际情况往往不这么理想，有时我们只能得到多个偏好的模型（弱监督模型，某些方面表现较好）。集成学习就是组合多个弱监督模型以得到一个更好的强监督模型
集成方法是将几种机器学习技术组合成一个预测模型元算法，以达到减小方]]></description><category></category></item><item><title><![CDATA[ResNet]]></title><link>https://blog.youkuaiyun.com/ParisCutie/article/details/107352321</link><guid>https://blog.youkuaiyun.com/ParisCutie/article/details/107352321</guid><author>ParisCutie</author><pubDate>Sun, 09 Aug 2020 20:36:54 +0800</pubDate><description><![CDATA[文章目录简介网络详解
简介
ResNet在2015年由微软实验室提出，斩获当年ImageNet竞赛中分类任务第一名，目标检测第一名，在COCO数据集中目标检测和图像分割也均为第一名。
网络详解
梯度消失、梯度爆炸、退化问题
（对数据标准化处理、权重初始化、BN）
（解决退化问题 残差）
小的用于resnet34
大的用于50/101/152

...]]></description><category></category></item><item><title><![CDATA[GAN网络]]></title><link>https://blog.youkuaiyun.com/ParisCutie/article/details/107747737</link><guid>https://blog.youkuaiyun.com/ParisCutie/article/details/107747737</guid><author>ParisCutie</author><pubDate>Sun, 02 Aug 2020 17:26:38 +0800</pubDate><description><![CDATA[GAN定义网络GAN的目标函数及流程代码部分（pytorch_mnist）
定义
GAN（Generative Adversarial Nets）,生成对抗网络。顾名思义，它是一个生成模型，其次，它的训练是通过两个模型之间的对抗完成的。

网络
GAN有两个网络，一个是生成器（generator）简称为G，一个是判别器（discriminator）简称为D。两个网络从0开始博弈，通过对抗来达到一个好的效果。
举个栗子，G是假画贩子，通过模仿真画去作假画，因为刚开始技术还不太成熟，很容易被鉴画师（D）识别出来]]></description><category></category></item><item><title><![CDATA[贝叶斯]]></title><link>https://blog.youkuaiyun.com/ParisCutie/article/details/107574969</link><guid>https://blog.youkuaiyun.com/ParisCutie/article/details/107574969</guid><author>ParisCutie</author><pubDate>Sat, 25 Jul 2020 14:50:05 +0800</pubDate><description><![CDATA[贝叶斯贝叶斯决策论朴素贝叶斯分类器半朴素贝叶斯分类器贝叶斯网络EM算法
贝叶斯决策论
机器学习可以理解为通过观测数据（X）推测结果（y）。同时学习推断规则（c），使得推断结果y’=c（X）与真实值y的误差尽可能的小。假如投硬币，就可以观测尺寸特征（X），通过推断规则（c）来估计正面还是反面（y）
正（1）、反（0）
假如这个给定概率p（1）=0.8，p（0）=0.2，我们就会倾向于正面向上的结果，而p（1）和p（0）就叫作先验概率，指在观测前就已知的结果概率分布。
而现实中，往往可以观测到一些属性，p（y=]]></description><category></category></item><item><title><![CDATA[删除排序数组中的重复项-go实现]]></title><link>https://blog.youkuaiyun.com/ParisCutie/article/details/107518381</link><guid>https://blog.youkuaiyun.com/ParisCutie/article/details/107518381</guid><author>ParisCutie</author><pubDate>Wed, 22 Jul 2020 17:40:07 +0800</pubDate><description><![CDATA[题目要求

给定一个排序数组，你需要在原地删除重复出现的元素，使得每个元素只出现一次，返回移除后数组的新长度。

不要使用额外的数组空间，你必须在原地修改输入数组并在使用 O(1) 额外空间的条件下完成。

示例1:

给定数组 nums = [1,1,2], 函数应该返回新的长度 2, 并且原数组 nums 的前两个元素被修改为 1，2
你不需要考虑数组中超出新长度后面的元素。

示例2:


给定 nums = [0,0,1,1,1,2,2,3,3,4],

函数应该返回新的长度 5, 并...]]></description><category></category></item><item><title><![CDATA[VGG网络]]></title><link>https://blog.youkuaiyun.com/ParisCutie/article/details/107335299</link><guid>https://blog.youkuaiyun.com/ParisCutie/article/details/107335299</guid><author>ParisCutie</author><pubDate>Tue, 14 Jul 2020 13:04:04 +0800</pubDate><description><![CDATA[文章目录1.简介2. 网络结构3.优缺点4. 网络复现
1.简介
VGG是在2014年由牛顿大学著名研究组VGG（Visual Geometry Group）提出，斩获该年ImageNet竞赛中Localization Task(定位任务)第一名和Classfication Task（分类任务第二名）。
2. 网络结构

一般情况下，都会采用D、E这两种规模的网络，也就是VGG16和VGG19。

VGG16：13个卷积层和3个全连接层
VGG19：16个卷积层和3个全连接层

以VGG16为例

卷积层参]]></description><category></category></item><item><title><![CDATA[Go_实现聊天室]]></title><link>https://blog.youkuaiyun.com/ParisCutie/article/details/107044203</link><guid>https://blog.youkuaiyun.com/ParisCutie/article/details/107044203</guid><author>ParisCutie</author><pubDate>Tue, 30 Jun 2020 20:30:36 +0800</pubDate><description><![CDATA[聊天通讯系统
需求分析

用户注册
用户登陆
显示在线用户列表
群聊

界面设计
rooms/client/main.go实现
根据接收用户的选择，是登录、注册，还是退出，登录和注册都需要按要求给出相应的用户信息
var userID int
var userPwd string
var userName string
func main() {

	//接收选择
	var key int

	for true {
		fmt.Println("---------欢迎登陆---------")
		fmt.]]></description><category></category></item><item><title><![CDATA[go实现求质数个数]]></title><link>https://blog.youkuaiyun.com/ParisCutie/article/details/106862480</link><guid>https://blog.youkuaiyun.com/ParisCutie/article/details/106862480</guid><author>ParisCutie</author><pubDate>Fri, 19 Jun 2020 19:38:34 +0800</pubDate><description><![CDATA[Go （质数个数）
质数是指在大于1的自然数中，除了1和它本身以外不再有其他因数的自然数。
Go语言实现代码思路

方法一（简单遍历）

从2到n的质数，n对从2到（n-1）进行整除操作
设置一个flag默认为true，若能被整除，则不是质数，flag变为false，跳出循环
定义一个计数器，每一次flag为true则+1



func countPrimes(n int) int {
	//质数：质数是指在大于1的自然数中，除了1和它本身以外不再有其他因数的自然数。
	count:=0  //定义一个c]]></description><category></category></item><item><title><![CDATA[Go基础语法（2）]]></title><link>https://blog.youkuaiyun.com/ParisCutie/article/details/106455083</link><guid>https://blog.youkuaiyun.com/ParisCutie/article/details/106455083</guid><author>ParisCutie</author><pubDate>Sun, 31 May 2020 16:53:44 +0800</pubDate><description><![CDATA[Go基础语法
数组

定义数组需要定义其名称、大小和类型
var name[size] type

其中数组大小也可以通过[…]让程序自动去识别数组内有多少元素。
如下分别定义了三个一维数组和一个二维数组。
var arr1 [5]int
	arr2:=[3]int{1,3,5}
	arr3:=[...]int{2,11,43,52,67,32}
	var grid [4][5]int
	fmt.Println(arr1)
	fmt.Println(arr2)
	fmt.Println(arr3)
	fmt]]></description><category></category></item><item><title><![CDATA[Go基础语法]]></title><link>https://blog.youkuaiyun.com/ParisCutie/article/details/106451794</link><guid>https://blog.youkuaiyun.com/ParisCutie/article/details/106451794</guid><author>ParisCutie</author><pubDate>Sun, 31 May 2020 11:45:09 +0800</pubDate><description><![CDATA[GO
简介
Go（又称 Golang）是 Google 的 Robert Griesemer，Rob Pike 及 Ken Thompson 开发的一种静态强类型、编译型语言。Go 语言语法与 C 相近，但功能上有：内存安全，GC（垃圾回收），结构形态及 CSP-style 并发计算。Go作为Google2009年推出的语言，其被设计成一门应用于搭载 Web 服务器，存储集群或类似用途的巨型中央服务器的系统编程语言。
对于高性能分布式系统领域而言，Go 语言无疑比大多数其它语言有着更高的开发效率。它提供了海]]></description><category></category></item><item><title><![CDATA[pytorch_风格迁移]]></title><link>https://blog.youkuaiyun.com/ParisCutie/article/details/106173167</link><guid>https://blog.youkuaiyun.com/ParisCutie/article/details/106173167</guid><author>ParisCutie</author><pubDate>Sun, 17 May 2020 14:20:27 +0800</pubDate><description><![CDATA[风格迁移
原理

可以将VGGNet这样的网络结构看作为输入图像——提取特征——进行分类，而图片风格迁移是输入特征，输出对应这种特征的值。
简单介绍一下我实现风格迁移的基本思路，首先进行图片预处理，定义VGG19用于特种提取，然后复制一张与内容图相同的图片，分别将内容图、风格图、目标图放入神经网络进行特征提取，定义损失是采用均方差计算内容损失，利用Gram矩阵内积运算，运算后特征图越大的数字就会变得更大，使得特征突出了，相当于提升了图片的风格，对于每一次网络的迭代都需要梯度清零，反向求导，优化参数等操作，但]]></description><category></category></item><item><title><![CDATA[初识OpenCV]]></title><link>https://blog.youkuaiyun.com/ParisCutie/article/details/106033032</link><guid>https://blog.youkuaiyun.com/ParisCutie/article/details/106033032</guid><author>ParisCutie</author><pubDate>Sun, 10 May 2020 12:27:45 +0800</pubDate><description><![CDATA[OpenCV定义基本操作
版本3.4.1
定义
OpenCV是一个基于BSD许可（开源）发行的跨平台计算机视觉库，可以运行在Linux、Windows、Android和Mac OS操作系统上。它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。
基本操作
首先还是要将需要的库导入
import cv2
import matplotlib.pyplot as plt
import numpy a]]></description><category></category></item><item><title><![CDATA[初识YOLOV3]]></title><link>https://blog.youkuaiyun.com/ParisCutie/article/details/105776925</link><guid>https://blog.youkuaiyun.com/ParisCutie/article/details/105776925</guid><author>ParisCutie</author><pubDate>Sun, 26 Apr 2020 20:58:36 +0800</pubDate><description><![CDATA[初识目标检测
分类问题：单纯分出所属类别
检测问题：分类问题的基础+对象的位置

检测算法的核心问题：
如何产生候选区域，并进行标准
如何进行提取图片特征，并将特征图与候选区域的类别和位置进行关联
目标检测基础概念
边界框
检测任务需要预测物体类别位置，因此需要边界框来表示物体的位置，边界框是正好能包含住物体的矩形框。
（训练数据集会给出目标物体真实边框，即真实框的位置）模型会对目标物体出现的位置...]]></description><category></category></item><item><title><![CDATA[初识IMDB分类]]></title><link>https://blog.youkuaiyun.com/ParisCutie/article/details/105728540</link><guid>https://blog.youkuaiyun.com/ParisCutie/article/details/105728540</guid><author>ParisCutie</author><pubDate>Fri, 24 Apr 2020 14:49:31 +0800</pubDate><description><![CDATA[IMDB文本分类
案例为最基本的分本分类——情感分析，其中采用IMDB（电影影评）作为数据集。
可以从Kaggle官网搜索并下载IMDB电影数据集（imdbmovies）
多的不说，开始代码部分
先将需要的包导入。
import torch
import torch.nn as nn
import torch.optim as optim
from torchtext import data
fr...]]></description><category></category></item></channel></rss>