<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[学习记录仪]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Shea111</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Shea111]]></copyright><item><title><![CDATA[C++11 VSCode 配置]]></title><link>https://blog.youkuaiyun.com/Shea111/article/details/118517083</link><guid>https://blog.youkuaiyun.com/Shea111/article/details/118517083</guid><author>Shea111</author><pubDate>Tue, 06 Jul 2021 11:30:44 +0800</pubDate><description><![CDATA[配置问题

VSCode 在Mac上默认为C++ 98，需要改为C++ 17


在 settings 中将 cppStandard 改为 C++ 17
Crtl+Shift+P在Settings.json中加入：

"code-runner.executorMap": {

        "javascript": "node",
        "java": "cd $dir &amp;&amp; javac $fileName &amp;&amp; java $fileNameWithoutExt]]></description><category></category></item><item><title><![CDATA[C++ -- 四种类型转换]]></title><link>https://blog.youkuaiyun.com/Shea111/article/details/118515192</link><guid>https://blog.youkuaiyun.com/Shea111/article/details/118515192</guid><author>Shea111</author><pubDate>Tue, 06 Jul 2021 10:27:04 +0800</pubDate><description><![CDATA[四种类型转换

const_cast&lt;&gt;

仅适用于指针，引用或者this指针
将const类型专为非const，是四个类型转换唯一一个可以转const的

static_cast&lt;&gt;

风险性较小的转换，适用于：

整形与浮点型	字符与整型	转换运算符	空指针–&gt;其他类型指针
不可以用于风险较高的转换
对类进行类型转换的时候需要记得重载
如：指针之间互换，指针与整型，不同类型的引用转换


dynamic_cast&lt;&gt;

只用于基类与派生类之间的指针或引用转换

]]></description><category></category></item><item><title><![CDATA[Deep Nets Sublinear Memory Cost 笔记]]></title><link>https://blog.youkuaiyun.com/Shea111/article/details/117569113</link><guid>https://blog.youkuaiyun.com/Shea111/article/details/117569113</guid><author>Shea111</author><pubDate>Fri, 04 Jun 2021 17:54:59 +0800</pubDate><description><![CDATA[Deep Nets Sublinear Memory Cost
论文链接：arXiv:1604.06174
Abstract
设计一个算法，训练一个N层网络仅耗费O(n)O(\sqrt{n})O(n​)的内存，每个mini-batch只需要一个额外的前向计算成本，因为许多先进的模型已经达到了GPU显存的上限，需要去探索更深入更复杂的模型，推进深度学习研究的创新。
这个算法专注于降低训练期间存储中间特征图和梯度的内存成本，计算图（DAG）分析用于automatic in-place operation和内存共]]></description><category></category></item><item><title><![CDATA[Fate试验 MBP & ECS两种方式]]></title><link>https://blog.youkuaiyun.com/Shea111/article/details/117517017</link><guid>https://blog.youkuaiyun.com/Shea111/article/details/117517017</guid><author>Shea111</author><pubDate>Thu, 03 Jun 2021 12:11:26 +0800</pubDate><description><![CDATA[Fate安装 Mac &amp; ECS
1 安装前的提示
分别尝试了用Mac单机和ECS上使用Docker安装，在实践的过程中出现的环境bug为：
Mac

因为ip改到了外网，而FATE服务器似乎需要在国内才能运行，出现了开VPN，quick_run.py运行不成功；不开VPN，纯连国内网，quick_run.py掉线，因为我的VPN端口号不在8080上，与FATE要求的8080端口号不对准，出现了掉线问题。


想了想，还是用Docker来弄吧

Docker

注意，这里的Docker不是说你在Do]]></description><category></category></item><item><title><![CDATA[CSAPP（第二版） 第二章习题解答]]></title><link>https://blog.youkuaiyun.com/Shea111/article/details/113097087</link><guid>https://blog.youkuaiyun.com/Shea111/article/details/113097087</guid><author>Shea111</author><pubDate>Sun, 24 Jan 2021 20:59:16 +0800</pubDate><description><![CDATA[CSAPP（第二版） 第二章习题解答
2.1 二进制《–》十六机制
A.将0x39A7F8转换为二进制

0x39A7F8
0011 1001 1010 0111 1111 1000

B. 二进制1100 1001 0111 1011转换为十六进制

A 9 7 B

C. 将0xD5E4C转换为二进制

1101 0101 1110 0100 1100

D. 将二进制10 0110 1110 0111 1011 0101转换为十六进制

补0: 0010 0110 1110 0111 1011 010]]></description><category></category></item><item><title><![CDATA[复习篇15章：量子论基础]]></title><link>https://blog.youkuaiyun.com/Shea111/article/details/110739886</link><guid>https://blog.youkuaiyun.com/Shea111/article/details/110739886</guid><author>Shea111</author><pubDate>Sun, 06 Dec 2020 16:17:41 +0800</pubDate><description><![CDATA[好像我所想到的答案都是别人容易想到的，就算如此，就算对别人来说是简单的答案，但我也依然还是要努力挺过那段时间，到目前为止在我面前的那些挑战，面对那些大大小小的困难，努力去找出答案的时间从脑海中掠过，或许比起我在当下每一刻所找到的解决方案，答案，结果，能够不放弃坚持下来的那些时间，才是一直不变的唯一的答案

文章目录15.1 热辐射 普朗克能量子假设15.1.1 热辐射&lt;1&gt; 单色辐射出射度（单色辐出度）15.1.2 黑体辐射&lt;1&gt; 举个栗子15.1.3 普朗克的能量子假设15.2 .]]></description><category></category></item><item><title><![CDATA[一 计算机系统基础（Ⅰ）--C语言程序举例]]></title><link>https://blog.youkuaiyun.com/Shea111/article/details/110367763</link><guid>https://blog.youkuaiyun.com/Shea111/article/details/110367763</guid><author>Shea111</author><pubDate>Mon, 30 Nov 2020 09:33:37 +0800</pubDate><description><![CDATA[一 C语言程序举例
Intro

① ISO C90标准，32位系统的程序运行：

-2147483648 &lt; 2147483648  False
i = -2147483648; 2147483648 &gt; i; True
-2147483648-1 &lt; 2147483648 True

Why?如何理解呢？

编译器如何处理字面量
高级语言中的运算规则
高级语言与指令之间的对应
机器指令的执行过程
机器级数据的表示和运算
…

② x, y都为int型，当x = 65535, y = x]]></description><category></category></item><item><title><![CDATA[数据挖掘（一）---- PageRank算法 +缺失值补充]]></title><link>https://blog.youkuaiyun.com/Shea111/article/details/107311908</link><guid>https://blog.youkuaiyun.com/Shea111/article/details/107311908</guid><author>Shea111</author><pubDate>Mon, 13 Jul 2020 15:24:59 +0800</pubDate><description><![CDATA[一 原理介绍
1.1 简介
PageRank（网页级别）用来衡量一个网站的好坏的唯一标准 ，在加入了诸如Title标识和KeyWords标识等所有其他因素后，在搜索结果中因网站排名获得提升，从而提高搜索结果的相关性和质量
其算法的核心如下：


如果一个网页被很多其他网页链接连接到的话，说明这个网页比较重要，它的PageRank值会相对较高
如果一个PageRank高的网站指向另一个网站，这个被指向的网站的PageRank值也会相应提高，即一个网站的PageRank值会受到其他网址的影响


示意图：


]]></description><category></category></item><item><title><![CDATA[支持向量机SVM在python下的使用]]></title><link>https://blog.youkuaiyun.com/Shea111/article/details/107284451</link><guid>https://blog.youkuaiyun.com/Shea111/article/details/107284451</guid><author>Shea111</author><pubDate>Sun, 12 Jul 2020 16:31:50 +0800</pubDate><description><![CDATA[这里我们将简要介绍下SVM是什么，然后将做一些SVM的经典例子，其中也会结合一些其他的算法来完成这些例子
我的配置：Python 3.7+, Pycharm

一 SVM介绍
1.1 SVM可以做什么

手写数字识别
目前最好的识别水平：

LeNet 4（错误率&lt;0.7%）
多项式支持向量机（错误率&lt;0.8%）


性别识别
通过SVM来判断是男还是女
行人检测

1.2 SVM的理论基础
1.2.1 超平面的描述
在数学中，超平面是n维欧氏空间中余维度等于1的子空间，即n维空间中的超平面使.]]></description><category></category></item><item><title><![CDATA[数模学习（八）--- 图论最短路径问题]]></title><link>https://blog.youkuaiyun.com/Shea111/article/details/107243930</link><guid>https://blog.youkuaiyun.com/Shea111/article/details/107243930</guid><author>Shea111</author><pubDate>Fri, 10 Jul 2020 13:45:00 +0800</pubDate><description><![CDATA[这一节简要介绍图论中的基本概念，并主要讲解图论中的最短路径问题。之后会专门开专题讨论集合论与图论哒~
根据图的不同，我们在这里主要将两种最短路径的算法：迪杰斯特拉Dijkstra算法和贝尔曼-福特Bellman-Fold算法。

一 基本概念
1.1 Intro
图论中的图是由若干给定的点以及连接两点的线所构成的图形，这种图形通常用来描述某些事物之间的某种特定关系，用点代表事物，用连接两点的线表示相应两个事物间具有这种关系。
一个图可以用数学语言描述为G(V(G),E(G))G(V(G),E(G))G(V.]]></description><category></category></item><item><title><![CDATA[数模学习（七）--- 多元线性回归]]></title><link>https://blog.youkuaiyun.com/Shea111/article/details/107226338</link><guid>https://blog.youkuaiyun.com/Shea111/article/details/107226338</guid><author>Shea111</author><pubDate>Thu, 09 Jul 2020 17:13:52 +0800</pubDate><description><![CDATA[Abstract
回归分析是数据分析中最基础也是最重要的分析工具，许多数据分析的问题，都可以采用回归的思想去解决，机器学习中回归也是需要学习的很重要的内容之一；当今回归分析的任务是：通过研究自变量X和因变量Y的相关关系，尝试去解释Y的形成机制，进而达到通过X去预测Y的目的。（感觉跟插值和拟合希望达到的目的差不多orz）
常见的回归分析有五类：线性回归、0-1回归、定序回归、计数回归和生存回归，它们划分的依据是因变量Y的类型，这里我们主要讲线性回归。
一 引入
1.1 回归的思想1
回归分析： 研究X和Y之间]]></description><category></category></item><item><title><![CDATA[数模学习（六）---典型相关分析]]></title><link>https://blog.youkuaiyun.com/Shea111/article/details/107221395</link><guid>https://blog.youkuaiyun.com/Shea111/article/details/107221395</guid><author>Shea111</author><pubDate>Thu, 09 Jul 2020 11:52:30 +0800</pubDate><description><![CDATA[Abstract
典型相关分析（Canonical Correlation analysis）是研究两组变量（每组变量中都可能有多个指标）之间相关关系的一种多元统计方法。它能够揭示出两组变量之间的内在联系

提示：这里将涉及到多元统计的知识，在学过了主成分分析模型后再过来看比较合适

一 引入
1.1 举个栗子

1.1.1 发现问题
通过上表我们来探究观众和业内人士对一些电视节目的观点之间存在着什么关系，其中观众评分来自低学历（led）、高学历（hed）和网络（net）调查三种，他们形成第一组变量；而业内]]></description><category></category></item><item><title><![CDATA[数模学习（五）---相关系数]]></title><link>https://blog.youkuaiyun.com/Shea111/article/details/107205240</link><guid>https://blog.youkuaiyun.com/Shea111/article/details/107205240</guid><author>Shea111</author><pubDate>Thu, 09 Jul 2020 01:21:47 +0800</pubDate><description><![CDATA[Abstract
这节将介绍两种最为常用的相关系数：皮尔逊pearson相关系数和斯皮尔曼spearman等级相关系数。它们可以用来衡量两个变量之间的相关性的大小，而根据数据满足的不同条件，我们需要选择不同的相关系数进行计算和分析（建模论文中最容易雍错的方法）。
在这里，我们需要引入总体和样本这两个概念

总体： 所要考察对象的全部个体叫做总体—在观察总体数据的时候，我们总是期望找到一些总体的特征（如均值方差等）
样本： 从总体中所抽取的一部分个体则叫做总体的一个样本
而我们通常对总体和样本进行数据处理的目]]></description><category></category></item><item><title><![CDATA[数模学习（四）---拟合算法]]></title><link>https://blog.youkuaiyun.com/Shea111/article/details/107202769</link><guid>https://blog.youkuaiyun.com/Shea111/article/details/107202769</guid><author>Shea111</author><pubDate>Wed, 08 Jul 2020 14:01:11 +0800</pubDate><description><![CDATA[一 Abstract
与插值问题不同，在拟合问题中不需要曲线一定经过给定的点。拟合问题的目标是去寻求一个函数（曲线），使得该曲线在某种准则下与所有的数据点最为接近，即曲线拟合的最好（最小化损失函数）
二 拟合算法
1.1 插值与拟合算法

插值： 得到的多项式f(x)f(x)f(x)需要经过所有的样本点，但是如果样本点过多，那么这个多项式的次数会过高，因而造成Runge现象
拟合： 尽管可以用分段取避免插值的Runge问题，但是我们实际中更倾向于得到一个确定的曲线，虽然该曲线不能经过每一个样本点，但仅需要在]]></description><category></category></item><item><title><![CDATA[数学建模（三）----插值算法]]></title><link>https://blog.youkuaiyun.com/Shea111/article/details/107137469</link><guid>https://blog.youkuaiyun.com/Shea111/article/details/107137469</guid><author>Shea111</author><pubDate>Sun, 05 Jul 2020 15:32:38 +0800</pubDate><description><![CDATA[前要
在数模比赛中，通常需要根据已知的数据点进行数据、模型的处理和分析，但有时候现有的数据是极少的，不足以支撑分析的进行，在这个时候我们可以通过**“模拟产生”一些新的但是又比较靠谱的值来满足需求**，这就是插值的作用
一 一维插值
假设已经有n+1n+1n+1个结点(xi,yi),(i=0,1,...,n)(x_{i},y_{i}),(i=0,1,...,n)(xi​,yi​),(i=0,1,...,n),其中x_{i}互不相同，不妨假设a=x0&lt;x1&lt;...&lt;xn=ba=x_{0}&l]]></description><category></category></item><item><title><![CDATA[数模学习（二）---Topsis法]]></title><link>https://blog.youkuaiyun.com/Shea111/article/details/107102312</link><guid>https://blog.youkuaiyun.com/Shea111/article/details/107102312</guid><author>Shea111</author><pubDate>Fri, 03 Jul 2020 15:44:14 +0800</pubDate><description><![CDATA[一 概述
Topsis法（逼近理想排序法）是系统工程中一种多目标决策方法，找出有限方案中的最优与最劣的方案，当某个可行解方案最靠近最优方案同时又远离最劣方案时，这个方案解的向量集就是最优影响评价指标。
Topsis法其作为一种综合指标的评价方法，区别于如模糊综合评判法，层次分析法，它的主观性比较强，不需要目标函数，也不需要通过相应的检验，即限制要求大大降低，这使它的适用范围更为广泛
二 Topsis影响力度算法步骤
2.1统一指标类型（一般正向化指标）
2.1.1 常见的四种指标总结




指标名称
指标]]></description><category></category></item><item><title><![CDATA[数模学习（一）--AHP层次结构法]]></title><link>https://blog.youkuaiyun.com/Shea111/article/details/107034103</link><guid>https://blog.youkuaiyun.com/Shea111/article/details/107034103</guid><author>Shea111</author><pubDate>Tue, 30 Jun 2020 12:38:37 +0800</pubDate><description><![CDATA[数模学习（一）—层次分析法
概要：
AHP常用于评价类模型，根据专家经验或者自己意见（通常是自己的awa）对不同的指标评分，再利用一致性检验的方法来判断这类评价是否合理，如果合理，我们就可以通过指标一开始的不同权重，按照从大到小的顺序清楚哪一类的指标最为重要，依据这个顺序你就可以找到影响方案的最重要因素有哪些啦。
使用流程：
1.确定解决问题的层次结构
确定好我们的目标层（Objective），准则层（Criterion）和方案层（Plan）,在这个地方论文写作需要标注好箭头，箭头的顺序是目标层—&gt;准]]></description><category></category></item></channel></rss>