<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Site1997的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Site1997</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Site1997]]></copyright><item><title><![CDATA[理解Attention机制的query key value]]></title><link>https://blog.youkuaiyun.com/Site1997/article/details/127996057</link><guid>https://blog.youkuaiyun.com/Site1997/article/details/127996057</guid><author>Site1997</author><pubDate>Wed, 23 Nov 2022 12:23:22 +0800</pubDate><description><![CDATA[本文介绍了深度学习的注意力机制(Attention)，并解释了query key value 的意义。]]></description><category></category></item><item><title><![CDATA[Leetcode 1320 (一维DP)]]></title><link>https://blog.youkuaiyun.com/Site1997/article/details/104438795</link><guid>https://blog.youkuaiyun.com/Site1997/article/details/104438795</guid><author>Site1997</author><pubDate>Sat, 22 Feb 2020 09:28:37 +0800</pubDate><description><![CDATA[题意
给定一个英文单词，用两只手指去码字。每只手指移动所需要的代价为键盘上两字母之间的距离，求码完整个单词所需要的最小代价。
解法
最直观的想法是，运用dp[idx][pos1][pos2]dp[idx][pos1][pos2]dp[idx][pos1][pos2]来表示输入到第idxidxidx个字母，并且第一只手指在pos1pos1pos1，第二只手指在pos2pos2pos2时的最小代价。这...]]></description><category></category></item><item><title><![CDATA[算法题中求解绝对值最值的技巧]]></title><link>https://blog.youkuaiyun.com/Site1997/article/details/104177941</link><guid>https://blog.youkuaiyun.com/Site1997/article/details/104177941</guid><author>Site1997</author><pubDate>Sat, 22 Feb 2020 08:33:20 +0800</pubDate><description><![CDATA[引言
现在算法题中，有时会遇到求解两两绝对值的问题，比如求解abs∣ai−aj∣+∣i−j∣abs|a_i - a_j| + |i-j|abs∣ai​−aj​∣+∣i−j∣等等。

]]></description><category></category></item><item><title><![CDATA[Python手写神经网络之（三）循环神经网络]]></title><link>https://blog.youkuaiyun.com/Site1997/article/details/103796655</link><guid>https://blog.youkuaiyun.com/Site1997/article/details/103796655</guid><author>Site1997</author><pubDate>Wed, 01 Jan 2020 22:18:33 +0800</pubDate><description><![CDATA[目的
  这个博客简要分享下RNN神经网络的python3写法。同时欢迎大家指出代码中潜在问题，一起学习与讨论~
  直接上代码：https://github.com/Site1997/RNN-implementation
个人repo：RNN的python实现
设计思路
这里就是实现一个非常非常简单的RNN。如果写完了一遍CNN的前向和反向传播话，RNN前后向传播也是相对好写的吧。主要注意三个问...]]></description><category></category></item><item><title><![CDATA[Leetcode 375 (DP O(n^2)解法)]]></title><link>https://blog.youkuaiyun.com/Site1997/article/details/100168676</link><guid>https://blog.youkuaiyun.com/Site1997/article/details/100168676</guid><author>Site1997</author><pubDate>Sat, 31 Aug 2019 09:00:55 +0800</pubDate><description><![CDATA[题意
对方从1～n里面选一个数字，然后我来猜，每次猜后，对方会告诉我是大了，小了，还是正确。假如我猜xxx，猜错的的话要付给他xxx元前，问我得钱包里至少放多少钱才能保证我能猜到他的数字。
O(n^3) 解法
这个题O(n3)O(n^3)O(n3)解法是容易想到的，状态转移方程如下：
f(a,b)=min⁡a≤k≤b(max⁡{f(a,k−1),f(k+1,b)}+k)&nbsp;.
f(a,b)...]]></description><category></category></item><item><title><![CDATA[Actor Critic算法简要理解]]></title><link>https://blog.youkuaiyun.com/Site1997/article/details/89086230</link><guid>https://blog.youkuaiyun.com/Site1997/article/details/89086230</guid><author>Site1997</author><pubDate>Mon, 08 Apr 2019 13:56:32 +0800</pubDate><description><![CDATA[问题：
给定一个state，如何找到一个action，使得这个action带来的reward最大？
Actor Critic算法：
网络定义
Actor和critic分别是两个结构不同神经网络。
（其实，它们还各有一个与自身结构相同，但是参数权值不同的孪生网络。一个记为eval_net，一个记为target_net。所以一共是四个网络）
ActorActorActor：输入(state)，输出(a...]]></description><category></category></item><item><title><![CDATA[决策树相关算法]]></title><link>https://blog.youkuaiyun.com/Site1997/article/details/85011199</link><guid>https://blog.youkuaiyun.com/Site1997/article/details/85011199</guid><author>Site1997</author><pubDate>Sat, 15 Dec 2018 01:10:22 +0800</pubDate><description><![CDATA[本博文记录决策树相关算法原理，用来对付面试问题…
决策树
决策树信息熵：
entropy(D)=−∑i=1nPilog2Pientropy(D) = -\sum_{i=1}^n P_ilog_2 P_ientropy(D)=−∑i=1n​Pi​log2​Pi​
Gain(A)=entropy(D)−entropyA(D)Gain(A) = entropy(D) - entropy_A(D)Gain...]]></description><category></category></item><item><title><![CDATA[PCA算法笔记]]></title><link>https://blog.youkuaiyun.com/Site1997/article/details/83765139</link><guid>https://blog.youkuaiyun.com/Site1997/article/details/83765139</guid><author>Site1997</author><pubDate>Tue, 06 Nov 2018 05:28:20 +0800</pubDate><description><![CDATA[（此博文只是自己的学习笔记，不具参考价值）
Principal component analysis (PCA)
PCA算法将高维特征转换成低维特征（非线性相关），同时减小计算量。
原理

将原始数据按列组成mmm行nnn列矩阵XXX（mmm个属性，nnn个样本）
将XXX的每一行（代表一个属性字段）进行零均值化，即减去这一行的均值，得到X′X&amp;amp;#x27;X′
求出协方差矩阵CCC（计算方...]]></description><category></category></item><item><title><![CDATA[R-CNN，Fast R-CNN，Faster R-CNN学习笔记]]></title><link>https://blog.youkuaiyun.com/Site1997/article/details/79312730</link><guid>https://blog.youkuaiyun.com/Site1997/article/details/79312730</guid><author>Site1997</author><pubDate>Wed, 19 Sep 2018 00:04:50 +0800</pubDate><description><![CDATA[引言

   近年来，目标检测最流行的方法可谓是Faster R-CNN了，下面我会简要概括这些方法的步骤，同时详细叙述一些key points。先供上来自Coursera-DeepLearning中Andrew Ng对R-CNN发展中各个方法的精简概括：

![R-CNN](http://img.blog.youkuaiyun.com/20180212211624422?watermark/2/text/a...]]></description><category></category></item><item><title><![CDATA[hdu 6304]]></title><link>https://blog.youkuaiyun.com/Site1997/article/details/81750036</link><guid>https://blog.youkuaiyun.com/Site1997/article/details/81750036</guid><author>Site1997</author><pubDate>Thu, 16 Aug 2018 22:29:51 +0800</pubDate><description><![CDATA[(找规律) 
题意： 
  给定一个数列，以及TTT(T&amp;amp;lt;105T&amp;amp;lt;105Tnnn(n&amp;amp;lt;1018n&amp;amp;lt;1018nnnn项和。 


思路： 
  先打表，看看anana_n和SnSnS_n（将数列的前n项和记为SnSnS_n）有什么规律。 
  nnn : 1, 2, 3, 4, 5, 6, 7, 8, 9, 10  
  anana_n : 1, 1, 2, 3, 3, 4...]]></description><category></category></item><item><title><![CDATA[hdu 6308]]></title><link>https://blog.youkuaiyun.com/Site1997/article/details/81585417</link><guid>https://blog.youkuaiyun.com/Site1997/article/details/81585417</guid><author>Site1997</author><pubDate>Sat, 11 Aug 2018 12:19:48 +0800</pubDate><description><![CDATA[（浮点数精度） 
题意：求UTC+8时区的某个时间对应到另一个UTC+X.Y时区的时间为多少。

思路：将时区全部转换成分钟进行运算即可。

注意：这个题目坑点是浮点数计算存在精度误差，有时候需要手动加上一个eps（0.00001）来避免运算误差。 
下面用一个for循环的实验来围观一下这个运算误差：



    for (double offset=0.1; offset&amp;lt;10; off...]]></description><category></category></item><item><title><![CDATA[Tensorflow-制作与使用tfrecord数据集]]></title><link>https://blog.youkuaiyun.com/Site1997/article/details/79773232</link><guid>https://blog.youkuaiyun.com/Site1997/article/details/79773232</guid><author>Site1997</author><pubDate>Sat, 31 Mar 2018 21:24:17 +0800</pubDate><description><![CDATA[引言

  本次博文目的是记录下tfrecord数据集的制作与使用方式。（踩了无数坑OTZ） 
  这里贴上一个数据读取的官方教程：Tensorflow导入数据以及使用数据 
  接下来举个例子说明怎么用tfrecord，假设我要做个图片分类的任务。首先，我这里有一个txt文件，包含着所有图片的路径以及它们的标签。还有一个包含许多图片的文件夹。类似下图这样： 
 


  准备好了数据后，就可以制...]]></description><category></category></item><item><title><![CDATA[Faster R-CNN的测试过程分析]]></title><link>https://blog.youkuaiyun.com/Site1997/article/details/79556322</link><guid>https://blog.youkuaiyun.com/Site1997/article/details/79556322</guid><author>Site1997</author><pubDate>Wed, 14 Mar 2018 16:22:41 +0800</pubDate><description><![CDATA[引言

  这篇博客里，我主要分析一下faster rcnn的测试过程是如何实现的。每个小结我都会以某个py文件的名字作为标题，表示以下内容是对此文件的分析。



test.py

  test.py是用来测试网络的准确度的主要代码，下面我来分析下这个文件里面最主要的函数test_net()。 
  test_net的输入是faster r-cnn网络，图片等信息，输出的是对这些图片里面物体进行...]]></description><category></category></item><item><title><![CDATA[Faster R-CNN中的anchor理解]]></title><link>https://blog.youkuaiyun.com/Site1997/article/details/79327265</link><guid>https://blog.youkuaiyun.com/Site1997/article/details/79327265</guid><author>Site1997</author><pubDate>Thu, 15 Feb 2018 00:21:54 +0800</pubDate><description><![CDATA[

  首先，RPN是怎么选出候选区域的？见上面示意图。在VGG网络提取整个特征图像后，我们使用一个3*3的滑窗在这个图像上滑动，对于每一个位置，我们同时预测k个不同region proposals，所以左上角的分类层含有2k个输出（表明是否为物体的概率），右上角的边框回归层有4k个输出（表示region的坐标到groundtruth的坐标的四个矫正量）。其中，这k个proposals分别对应原图...]]></description><category></category></item><item><title><![CDATA[Python手写神经网络之（二）LeNet卷积神经网络]]></title><link>https://blog.youkuaiyun.com/Site1997/article/details/79299103</link><guid>https://blog.youkuaiyun.com/Site1997/article/details/79299103</guid><author>Site1997</author><pubDate>Fri, 09 Feb 2018 15:45:33 +0800</pubDate><description><![CDATA[目的

  在学习完BP神经网络的推导以及卷积神经网络的推导后，我已经用python（不带任何深度学习框架！）自己手写出一个LeNet卷积神经网络了！同时欢迎大家指出问题，一起学习与讨论~ 
  由于篇幅限制，这里只会贴出核心代码（保证运行正确无误！！）。 
  打个广告：https://github.com/Site1997/LeNet-python  
  （这里包含所有代码，下载后直接运行L...]]></description><category></category></item><item><title><![CDATA[突出左侧栏标题能有分割线]]></title><link>https://blog.youkuaiyun.com/Site1997/article/details/79189878</link><guid>https://blog.youkuaiyun.com/Site1997/article/details/79189878</guid><author>Site1997</author><pubDate>Sun, 28 Jan 2018 21:48:03 +0800</pubDate><description><![CDATA[由于左侧栏目的文章数量大于零才能显示栏目，而我有些栏目就是为了作为分割线的，所以写这篇博客，强制制造一个标题分割线出来哈哈]]></description><category></category></item><item><title><![CDATA[Python手写神经网络之（一）BP神经网络]]></title><link>https://blog.youkuaiyun.com/Site1997/article/details/79189299</link><guid>https://blog.youkuaiyun.com/Site1997/article/details/79189299</guid><author>Site1997</author><pubDate>Sun, 28 Jan 2018 21:04:29 +0800</pubDate><description><![CDATA[目的

  在学习完BP神经网络的推导后，我会用python（不带深度学习框架！）自己手写出一个简单的BP神经网络，以此加深对神经网络的理解，同时欢迎大家指出问题，一起学习与讨论~



设计思路

  本次我只使用了numpy库，为了简明易懂，使用类封装的方法，做了一个含有：四节点输入层，五节点的隐藏层，与一节点输出层的BP神经网络。 
  这个神经网络的学习目标是将输入层的前两个数字之和与后两]]></description><category></category></item><item><title><![CDATA[Python 画多个曲线的折线图（matplotlib.pyplot.plot）]]></title><link>https://blog.youkuaiyun.com/Site1997/article/details/79180384</link><guid>https://blog.youkuaiyun.com/Site1997/article/details/79180384</guid><author>Site1997</author><pubDate>Sat, 27 Jan 2018 15:02:59 +0800</pubDate><description><![CDATA[  这里我利用的是matplotlib.pyplot.plot的工具来绘制折线图，这里先给出一个段代码和结果图：



# -*- coding: UTF-8 -*-
import numpy as np
import matplotlib as mpl
import matplotlib.pyplot as plt

#这里导入你自己的数据
#......
#......
#x_axix，tra...]]></description><category></category></item><item><title><![CDATA[win10-caffe-python2.7配置方法（简洁易懂！！）]]></title><link>https://blog.youkuaiyun.com/Site1997/article/details/79055687</link><guid>https://blog.youkuaiyun.com/Site1997/article/details/79055687</guid><author>Site1997</author><pubDate>Sun, 14 Jan 2018 11:46:20 +0800</pubDate><description><![CDATA[引言

   Caffe，全称Convolutional Architecture for Fast Feature Embedding。是一种常用的深度学习框架，在视频、图像处理方面应用较多。借用《21天实战caffe》里面的一段很形象的描述：Caffe的万丈高楼（Net）是按照我们的设计图纸（prototxt），用Blob这些砖块筑成一层层（Layer）楼房，最后通过SGD方法（Solver）]]></description><category></category></item><item><title><![CDATA[win-sshfs配置方法（将远程linux服务器目录同步到windows本地）]]></title><link>https://blog.youkuaiyun.com/Site1997/article/details/79048480</link><guid>https://blog.youkuaiyun.com/Site1997/article/details/79048480</guid><author>Site1997</author><pubDate>Fri, 12 Jan 2018 21:55:44 +0800</pubDate><description><![CDATA[引言

  如今程序员的许多操作都需要在云服务器上进行，而运用shell指令，使用vim开发，无疑对新手造成了一定困难。于是我们可以使用sshfs（通过ssh连接的File System）将远程服务器目录挂载到本地，直接在本地进行文件的创建，读写操作，而这些会自动同步到服务器上。下面讲讲它的配置方法。



配置

  首先下载并安装dokan和win-sshfs，这里一定要注意版本问题！目前我用]]></description><category></category></item></channel></rss>