<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Pin_BOY的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Pin_BOY</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Pin_BOY]]></copyright><item><title><![CDATA[BLEU值的计算]]></title><link>https://blog.youkuaiyun.com/Pin_BOY/article/details/126732790</link><guid>https://blog.youkuaiyun.com/Pin_BOY/article/details/126732790</guid><author>Pin_BOY</author><pubDate>Tue, 06 Sep 2022 20:10:36 +0800</pubDate><description><![CDATA[机器翻译BLEU值的计算]]></description><category></category></item><item><title><![CDATA[代码随想录刷题记录：DP系列]]></title><link>https://blog.youkuaiyun.com/Pin_BOY/article/details/126732585</link><guid>https://blog.youkuaiyun.com/Pin_BOY/article/details/126732585</guid><author>Pin_BOY</author><pubDate>Tue, 06 Sep 2022 20:04:08 +0800</pubDate><description><![CDATA[菜鸡的算法题刷题记录]]></description><category></category></item><item><title><![CDATA[【git分支重命名】]]></title><link>https://blog.youkuaiyun.com/Pin_BOY/article/details/122398085</link><guid>https://blog.youkuaiyun.com/Pin_BOY/article/details/122398085</guid><author>Pin_BOY</author><pubDate>Sun, 09 Jan 2022 19:54:47 +0800</pubDate><description><![CDATA[重命名远程分支
删除原来的分支，重命名本地分支，再重新提交一个远程分支

删除远程分支git push --delete origin xxxx
或者 
git push --delete origin refs/heads/xxxx
或者
git push --delete origin refs/tags/xxxx


重命名本地分支git branch -m xxxx yyyyy
推送本地分支git push origin yyyyy


...]]></description><category></category></item><item><title><![CDATA[【git】error: dst refspec v0.10.2 matches more than one]]></title><link>https://blog.youkuaiyun.com/Pin_BOY/article/details/122397634</link><guid>https://blog.youkuaiyun.com/Pin_BOY/article/details/122397634</guid><author>Pin_BOY</author><pubDate>Sun, 09 Jan 2022 19:39:14 +0800</pubDate><description><![CDATA[问题描述
git push origin &lt; name &gt; 时  ，会自动监测是tag还是heads，然后再推送。如果出现tag和heads重名，就会报错

error: dst refspec v0.10.2 matches more than one

git ls-remote结果如下：
61d10100326130d2eceee85167d5ec2d9970ebbe        refs/heads/seq_task
4ee9724f3a6a47134483e4955c688f4f34]]></description><category></category></item><item><title><![CDATA[【Git】git push远程不同的分支]]></title><link>https://blog.youkuaiyun.com/Pin_BOY/article/details/122397015</link><guid>https://blog.youkuaiyun.com/Pin_BOY/article/details/122397015</guid><author>Pin_BOY</author><pubDate>Sun, 09 Jan 2022 18:35:55 +0800</pubDate><description><![CDATA[前言

Fork后，需要在本地进行修改，并提交到自己的仓库。


正文
git push origin &lt;local_branch&gt;:&lt;remote_branch&gt;
可以通过git branch -a 来查看本地与远程的分支名称
代码如下（示例）
git push origin tem:remotes/origin/v0.10.2


...]]></description><category></category></item><item><title><![CDATA[NLP新范式prompt【2】]]></title><link>https://blog.youkuaiyun.com/Pin_BOY/article/details/121040908</link><guid>https://blog.youkuaiyun.com/Pin_BOY/article/details/121040908</guid><author>Pin_BOY</author><pubDate>Fri, 29 Oct 2021 19:01:41 +0800</pubDate><description><![CDATA[【1】It’s Not Just Size That Matters:Small Language Models Are Also Few-Shot Learners

使用了pet的语言模型：小模型少参数抗衡GPT-3

最近的预训练模型参数已经扩展到千亿个级别了，如GPT-3 。 很多时候训练这样一个巨大的模型带来的资源消耗也是不可低估的，这就给研究者的使用带来困难。
但是不是参数越多，模型越大性能就越好。改善后的语言模型仍然可以有类似的性能，但是参数数量却小上很多。
这篇论文将文本输入转换为包含任务描]]></description><category></category></item><item><title><![CDATA[NLP新范式【1】]]></title><link>https://blog.youkuaiyun.com/Pin_BOY/article/details/121040876</link><guid>https://blog.youkuaiyun.com/Pin_BOY/article/details/121040876</guid><author>Pin_BOY</author><pubDate>Fri, 29 Oct 2021 18:59:40 +0800</pubDate><description><![CDATA[【0】Exploiting Cloze-Questions for Few-Shot Text Classification and Natural Language Inference

提出了Pet :  小模型半监督，匹配下游任务。
其中总结了若干prompt的pattern

综述
这篇论文提出cloze-style prompt-based fine-tuning方法Pet（Pattern Exploiting Training）
Pet是一种半监督的训练程序，将输入示例重新定义为cloze-风格]]></description><category></category></item><item><title><![CDATA[NLP新范式 prompt【0】]]></title><link>https://blog.youkuaiyun.com/Pin_BOY/article/details/121040853</link><guid>https://blog.youkuaiyun.com/Pin_BOY/article/details/121040853</guid><author>Pin_BOY</author><pubDate>Fri, 29 Oct 2021 18:58:15 +0800</pubDate><description><![CDATA[NLP新范式 prompt【0】
与使用具体的分类器的传统Fine-tuning不同，基于prompt的fine-tune直接使用预训练的模型来执行分类或回归的预训练任务。
从 BERT (Devlin et al., 2019) 开始，在下游应用程序中使用特定任务的上游微调预训练语言模型 (LM) 已成为 NLP 的标准做法。 然而，具有 175B 参数的 GPT-3 模型带来了一种将 LM 用于下游任务的新方法：GPT-3 可以很好地处理少标注任务。 通过利用自然语言提示和任务演示作为上下文，GPT-3]]></description><category></category></item><item><title><![CDATA[Linux 后台运行python代码]]></title><link>https://blog.youkuaiyun.com/Pin_BOY/article/details/120479921</link><guid>https://blog.youkuaiyun.com/Pin_BOY/article/details/120479921</guid><author>Pin_BOY</author><pubDate>Sat, 25 Sep 2021 23:57:10 +0800</pubDate><description><![CDATA[nohup python -u Run.py &gt; shellLog.txt 2&gt;&amp;1 &amp;
## test.py  --要运行的python文件
## shellLog.txt --log输出的文件，可查看运行log

##
&gt; nohup Command [ Arg … ] [　&amp; ]
##Command：要执行的命令。
##Arg：一些参数，可以指定输出文件。
##&amp;：让命令在后台执行，终端退出后命令仍旧执行。
##		2&gt;&amp;1 解释：
##]]></description><category></category></item><item><title><![CDATA[Conda的清理（一下少了14G）]]></title><link>https://blog.youkuaiyun.com/Pin_BOY/article/details/120479861</link><guid>https://blog.youkuaiyun.com/Pin_BOY/article/details/120479861</guid><author>Pin_BOY</author><pubDate>Sat, 25 Sep 2021 23:53:30 +0800</pubDate><description><![CDATA[一般使用conda命令清理
conda clean -p      //删除没有用的包（推荐）
conda clean -t      //tar打包
conda clean -y -all //删除全部的安装包及cache

如果想看看到底占多大存储空间可以往下看
通过命令
du -sh *

查看当下目录的所占内存

为什么pkgs这么大！

查阅资料后发现

Anaconda文件夹下有个pkgs文件夹。据我观测（没找到正式说明），里面是各种包的各个使用过的版本及压缩包。比如用conda update ]]></description><category></category></item><item><title><![CDATA[服务器配置tensorflow-gpu2.6.0]]></title><link>https://blog.youkuaiyun.com/Pin_BOY/article/details/120479687</link><guid>https://blog.youkuaiyun.com/Pin_BOY/article/details/120479687</guid><author>Pin_BOY</author><pubDate>Sat, 25 Sep 2021 23:47:50 +0800</pubDate><description><![CDATA[项目场景：

运行sktime-dl需要用到tensorflow-gpu2.6 ，服务器上有conda环境。但是cuda与cudnn版本号出了问题，下面记录一下过程。


问题描述：
查看机器信息：



查看cuda版本	  11.4

方法一 :   在路径下查看  C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA
方法二：
- - nvcc -V
- - v11.4 （管理人员告知）



查看tensorflow版本
pip list tensor]]></description><category></category></item><item><title><![CDATA[Conda 下 ModuleNotFoundError: No module named ‘pip‘]]></title><link>https://blog.youkuaiyun.com/Pin_BOY/article/details/120402542</link><guid>https://blog.youkuaiyun.com/Pin_BOY/article/details/120402542</guid><author>Pin_BOY</author><pubDate>Tue, 21 Sep 2021 16:07:44 +0800</pubDate><description><![CDATA[python -m ensurepip
python -m pip install --upgrade pip


]]></description><category></category></item><item><title><![CDATA[Pycharm下 文件路径找不到（神奇的bug）]]></title><link>https://blog.youkuaiyun.com/Pin_BOY/article/details/120400275</link><guid>https://blog.youkuaiyun.com/Pin_BOY/article/details/120400275</guid><author>Pin_BOY</author><pubDate>Tue, 21 Sep 2021 12:04:43 +0800</pubDate><description><![CDATA[solution1：改为绝对路径
将目录重整后，有一些文件就不能通过File()相对路径打开了，
"datasets1/train_catvnoncat.h5"

现在就将相对路径改为绝对路径就好了。
os.path.join(dir_path,'datasets1/train_catvnoncat.h5'

solution2： pycharm 重新导入文件
还有一点特别迷惑，pycharm在改完目录结构后，总会出现一些奇怪的bug，刚刚把路径改为绝对路径后，还是报错。索性直接把项目的.idea文件删除后]]></description><category></category></item><item><title><![CDATA[《PyTorch深度学习实践》学习笔记 【4】]]></title><link>https://blog.youkuaiyun.com/Pin_BOY/article/details/119813716</link><guid>https://blog.youkuaiyun.com/Pin_BOY/article/details/119813716</guid><author>Pin_BOY</author><pubDate>Fri, 20 Aug 2021 00:00:10 +0800</pubDate><description><![CDATA[《PyTorch深度学习实践》学习笔记 【4】
学习资源：
《PyTorch深度学习实践》完结合集
六、Logistics Regression（逻辑斯蒂回归模型）
虽然它叫做回归模型，但是处理的是分类问题
6.0 回归问题和分类问题

有监督学习：

回归问题
分类问题

二分类
多分类






回归问题：如果我们预测的结果是以连续数字进行表示，即我们将在连续函数中对多个输入变量建立映射关系时，则这样的问题称之为回归问题。
分类问题：如果我们预测的结果是以离散形式表示的，即我们将多个输入变量与多个不同]]></description><category></category></item><item><title><![CDATA[《PyTorch深度学习实践》学习笔记 【5】CNN_1]]></title><link>https://blog.youkuaiyun.com/Pin_BOY/article/details/119813691</link><guid>https://blog.youkuaiyun.com/Pin_BOY/article/details/119813691</guid><author>Pin_BOY</author><pubDate>Thu, 19 Aug 2021 23:56:37 +0800</pubDate><description><![CDATA[《PyTorch深度学习实践》学习笔记 【5】CNN_1
十、CNN 1
10.1 卷积神经网络的基本结构
卷积神经网络=特征提取+分类

10.1.1 特征提取
特征提取器，通过卷积运算，找到某种特征。由卷积层convolution和下采样Subsampling 构成。
一个图像，丢到一个卷积层里面仍然是一个3维的张量；
下采样，通道数不变，但是图片的宽度和高度变小（减少维数数量，减少计算量）
10.1.2 分类器
将特征向量化后，用全连接网络进行来分类。
10.2 Convolution （卷积层）
1]]></description><category></category></item><item><title><![CDATA[《PyTorch深度学习实践》学习笔记 【2】]]></title><link>https://blog.youkuaiyun.com/Pin_BOY/article/details/119707358</link><guid>https://blog.youkuaiyun.com/Pin_BOY/article/details/119707358</guid><author>Pin_BOY</author><pubDate>Sat, 14 Aug 2021 22:39:48 +0800</pubDate><description><![CDATA[《PyTorch深度学习实践》学习笔记 【2】
学习资源：
《PyTorch深度学习实践》完结合集
二、线性模型
2.1 概念：

2.1.1 数据集和测试集
​		数据集拿到后一般划分为两部分，训练集和测试集，然后使用训练集的数据来训练模型，用测试集上的误差作为最终模型在应对现实场景中的泛化误差。
​		一般来说，测试集在训练的时候是不能偷看的。

我们可以使用训练集的数据来训练模型，然后用测试集上的误差作为最终模型在应对现实场景中的泛化误差。有了测试集，我们想要验证模型的最终效果，只需将训练好的模型在测]]></description><category></category></item><item><title><![CDATA[《PyTorch深度学习实践》学习笔记 【3】]]></title><link>https://blog.youkuaiyun.com/Pin_BOY/article/details/119707344</link><guid>https://blog.youkuaiyun.com/Pin_BOY/article/details/119707344</guid><author>Pin_BOY</author><pubDate>Sat, 14 Aug 2021 22:38:50 +0800</pubDate><description><![CDATA[《PyTorch深度学习实践》学习笔记 【3】
学习资源：
《PyTorch深度学习实践》完结合集
三、梯度下降
类似牛顿迭代法/ 二分法，对cost func 求导 ,  利用偏导进行迭代，使得cost  func 达到最小值。

具体的求导过程

关键迭代式：

课上实例代码【2】
x_data = [1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]
w = 1.0
#线性函数
def forward(x):
    return x * w
#MSE
def cost(x]]></description><category></category></item><item><title><![CDATA[《PyTorch深度学习实践》学习笔记 【1】]]></title><link>https://blog.youkuaiyun.com/Pin_BOY/article/details/119698507</link><guid>https://blog.youkuaiyun.com/Pin_BOY/article/details/119698507</guid><author>Pin_BOY</author><pubDate>Sat, 14 Aug 2021 11:34:35 +0800</pubDate><description><![CDATA[《PyTorch深度学习实践》学习笔记 【1】
学习资源：
《PyTorch深度学习实践》完结合集
一. 绪论
1. 人工智能的发展历程


Rule—Based： 基于规则（如经典的积分计算）


Classic machine learning : 手动提取特征，使用特征


representation learning ： 自动提取特征
维度的诅咒： (参数空间搜索组合爆炸)
解决方法：使用更少的更有代表性的参数。


DeepLearning：
将特征提取和特征函数训练两个过程结合起来，也称之为E]]></description><category></category></item><item><title><![CDATA[MinGW 的安装和配置 （C/C++编译需要）]]></title><link>https://blog.youkuaiyun.com/Pin_BOY/article/details/119081625</link><guid>https://blog.youkuaiyun.com/Pin_BOY/article/details/119081625</guid><author>Pin_BOY</author><pubDate>Sun, 25 Jul 2021 14:34:47 +0800</pubDate><description><![CDATA[MinGW-w64的安装及配置教程


MinGW-w64官方下载地址


配置MinGW-w64路径
右键 此电脑–&gt;属性–&gt;高级系统设置–&gt;环境变量–&gt;设置系统变量


将之前安装的的 MinGW-w64 的 bin 文件夹地址，复制到新增的空白变量位置里，即可完成 MinGW-w64 的配置工作。


cmd 打开命令行，输入 gcc -v




...]]></description><category></category></item><item><title><![CDATA[OneNote快捷键大全]]></title><link>https://blog.youkuaiyun.com/Pin_BOY/article/details/118755858</link><guid>https://blog.youkuaiyun.com/Pin_BOY/article/details/118755858</guid><author>Pin_BOY</author><pubDate>Thu, 15 Jul 2021 11:32:51 +0800</pubDate><description><![CDATA[OneNote官方快捷键大全


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