<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[TigerTai98的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/TigerTai98</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; TigerTai98]]></copyright><item><title><![CDATA[Numpy 向量化操作加速计算，解决向量外积求和慢的问题]]></title><link>https://blog.youkuaiyun.com/TigerTai98/article/details/116508221</link><guid>https://blog.youkuaiyun.com/TigerTai98/article/details/116508221</guid><author>TigerTai98</author><pubDate>Sat, 08 May 2021 02:13:35 +0800</pubDate><description><![CDATA[在计算函数二阶导的时候，我们通常需要计算Hessian 矩阵，此时会遇到向量外积求和的问题
∑i=1nuivi,ui∈Rn×1,vi∈R1×n
\sum_{i=1}^n u_i v_i, u_i \in \mathbb{R}^{n\times 1}, v_i \in \mathbb{R}^{1\times n}
i=1∑n​ui​vi​,ui​∈Rn×1,vi​∈R1×n
如果我们一个一个地计算 uiviTu_i v_i^Tui​viT​ 并将它们用for循环加起来，那么我们需要计算 nnn 个矩阵相乘，是]]></description><category></category></item><item><title><![CDATA[Numpy 通过矩阵操作避免for循环 之 [None, :, :]运用]]></title><link>https://blog.youkuaiyun.com/TigerTai98/article/details/86571958</link><guid>https://blog.youkuaiyun.com/TigerTai98/article/details/86571958</guid><author>TigerTai98</author><pubDate>Mon, 21 Jan 2019 14:55:15 +0800</pubDate><description><![CDATA[我们知道python中 for 循环的效率是不高的，相比之下，直接运用矩阵向量操作（如点乘）可以让代码运行更快。因为在复现paper时候遇到了这样的问题，在这里总结一下我的解决方法。
[None, :, :] 介绍
通过None indexing，可以将一个二维矩阵扩展成一个三维矩阵，算是一种 broadcasting吧。一个大小为[a, b]的矩阵M，在A=M[None, :, :]操作下，A的...]]></description><category></category></item><item><title><![CDATA[一个行列式求导]]></title><link>https://blog.youkuaiyun.com/TigerTai98/article/details/83623448</link><guid>https://blog.youkuaiyun.com/TigerTai98/article/details/83623448</guid><author>TigerTai98</author><pubDate>Thu, 01 Nov 2018 17:02:57 +0800</pubDate><description><![CDATA[一个行列式求导公式
d∣A∣dt=∣A∣tr(A−1∗dAdt),&amp;amp;nbsp;A∈Rn×n
\frac{d|A|}{dt} = |A|tr(A^{-1}*\frac{dA}{dt}),\ A\in R^{n \times n}
dtd∣A∣​=∣A∣tr(A−1∗dtdA​),&amp;amp;nbsp;A∈Rn×n
证明如下
首先我们有
∣A(aij+ϵ)∣−∣A(aij)∣=ϵAijd∣A∣daij=Aij
...]]></description><category></category></item><item><title><![CDATA[Tensorflow: Model parallelism 模型并行计算]]></title><link>https://blog.youkuaiyun.com/TigerTai98/article/details/81125307</link><guid>https://blog.youkuaiyun.com/TigerTai98/article/details/81125307</guid><author>TigerTai98</author><pubDate>Fri, 20 Jul 2018 04:58:25 +0800</pubDate><description><![CDATA[在tensorflow官方tutorial上给出了多GPU的用法，但那是基于data-parallelism的计算，主要思想是将数据划分成不同部分，用同一个模型进行计算

但是我在写代码中发现，会出现单个模型过大无法再单个GPU上运行，这时候就需要model-parallelism

上网查找了很多资料后，发现这个博主写的不错，附带了github代码，How to Use Distributed ...]]></description><category></category></item><item><title><![CDATA[编程作业三]]></title><link>https://blog.youkuaiyun.com/TigerTai98/article/details/80142033</link><guid>https://blog.youkuaiyun.com/TigerTai98/article/details/80142033</guid><author>TigerTai98</author><pubDate>Sun, 29 Apr 2018 11:41:57 +0800</pubDate><description><![CDATA[[算法导论] 编程作业三:矩阵链乘法与最大子数组

PB15000105 肖映泰



一、作业任务

1.采⽤用动态规划算法编程实现矩阵连乘的最优括号化方案，并输出最优括号化方案

2.采用分治法和贪心算法实现最大子数组



二、算法原理



矩阵链乘法

给定n个矩阵的链&amp;lt;A1,A2,...,An&amp;gt;&amp;lt;A1,A2,...,An&amp;gt;，矩阵的规模为pi−1×pi(1≤i≤n...]]></description><category></category></item><item><title><![CDATA[Latex中文编辑]]></title><link>https://blog.youkuaiyun.com/TigerTai98/article/details/80016755</link><guid>https://blog.youkuaiyun.com/TigerTai98/article/details/80016755</guid><author>TigerTai98</author><pubDate>Fri, 20 Apr 2018 11:50:10 +0800</pubDate><description><![CDATA[Latex中文编辑

只需要将汉字放在CJK环境中就可以使用中文编辑，记得导入CJK宏包



\documentclass{11pt}{article}
\usepackage{CJK}
\begin{document}
\begin{CJK}{GBK}{song}
恭喜编译成功
\end{CJK}
\end{document}...]]></description><category></category></item><item><title><![CDATA[极小曲面]]></title><link>https://blog.youkuaiyun.com/TigerTai98/article/details/79938810</link><guid>https://blog.youkuaiyun.com/TigerTai98/article/details/79938810</guid><author>TigerTai98</author><pubDate>Sat, 14 Apr 2018 13:09:06 +0800</pubDate><description><![CDATA[极小曲面

肖映泰 PB15000105

一、算法 
定义：平均曲率处处为0 
H(vi)=0,&amp;nbsp;∀iH(vi)=0,&amp;nbsp;∀iH(v_i)=0,\ \forall i 
平均曲率 
limlen(γ)→01len(γ)∫v∈γ(vi−v)ds=H(vi)nilimlen(γ)→01len(γ)∫v∈γ(vi−v)ds=H(vi)ni\lim_{len(\gamma)\to0}\...]]></description><category></category></item><item><title><![CDATA[数学建模作业一]]></title><link>https://blog.youkuaiyun.com/TigerTai98/article/details/79628751</link><guid>https://blog.youkuaiyun.com/TigerTai98/article/details/79628751</guid><author>TigerTai98</author><pubDate>Tue, 20 Mar 2018 17:19:18 +0800</pubDate><description><![CDATA[人口模型

PB15000105 肖映泰 
深圳在改革开放后迎来了巨大的发展，本人从深圳统计局获取了深圳市1979-2016年来的人口数，希望通过建立适当的模型预测深圳市接下来的人口增长情况，用以给出合理的政策建议。 
 
这里我们采用第三列数据，即分析总人口变化规律



下面主要从两个模型入手分析和预测人口变化情况

一、指数增长模型——Malthus模型 
1.模型假设 
基本假设：人口的自...]]></description><category></category></item><item><title><![CDATA[NormFace]]></title><link>https://blog.youkuaiyun.com/TigerTai98/article/details/79339083</link><guid>https://blog.youkuaiyun.com/TigerTai98/article/details/79339083</guid><author>TigerTai98</author><pubDate>Tue, 20 Feb 2018 10:22:09 +0800</pubDate><description><![CDATA[NormFace

NormFace: L2 HyperSphere Embedding for Face Verification

http://www.cs.jhu.edu/~alanlab/Pubs17/wang2017normface.pdf




  Baseline Model
  Original Accuracy
  Finetune Using Normalization

...]]></description><category></category></item><item><title><![CDATA[1.Tensorflow安装--基于Windows]]></title><link>https://blog.youkuaiyun.com/TigerTai98/article/details/79297142</link><guid>https://blog.youkuaiyun.com/TigerTai98/article/details/79297142</guid><author>TigerTai98</author><pubDate>Fri, 09 Feb 2018 12:04:15 +0800</pubDate><description><![CDATA[Tensorflow安装–基于Windows

现在tensorflow支持windows下3.5以上的python安装，这里我们采用python3.5.2安装

1.安装Python3.5.2 
python3.5.2安装地址 
在上面的网站上找到python3.5.2版本，选一个链接进行安装，我选的是Download Windows x86-64 executable installer

2...]]></description><category></category></item><item><title><![CDATA[1.Tensorflow 安装 --基于 Ubuntu]]></title><link>https://blog.youkuaiyun.com/TigerTai98/article/details/79294180</link><guid>https://blog.youkuaiyun.com/TigerTai98/article/details/79294180</guid><author>TigerTai98</author><pubDate>Thu, 08 Feb 2018 22:35:14 +0800</pubDate><description><![CDATA[Tensorflow安装–基于Ubuntu

最开始阶段，我们需要安装Tensorflow，而在Ubntu系统下，安装Tensorflow是很简单的 
1.安装pip 



$ sudo apt-get install python-pip python-dev

2.安装virtualenv虚拟环境

$ sudo pip install virtualenv --upgrade

3.创建新...]]></description><category></category></item><item><title><![CDATA[eigenface]]></title><link>https://blog.youkuaiyun.com/TigerTai98/article/details/79181256</link><guid>https://blog.youkuaiyun.com/TigerTai98/article/details/79181256</guid><author>TigerTai98</author><pubDate>Sat, 27 Jan 2018 16:22:15 +0800</pubDate><description><![CDATA[eigenface实现人脸识别

采用PCA方法，利用YALE的人脸数据库做人脸识别，15个人，165张图片，每张图片大小为100*100

这里yale文件中是源图片，通过changename.py将名字更改，存放到picture文件下





eigenface具体步骤 
1.读取训练所需要的图片，这里使用subjectxx.normal.bmp文件，共15张图片，每张图片拉直为一个（1，1]]></description><category></category></item><item><title><![CDATA[windows10 dlib19 andaconda python3.6]]></title><link>https://blog.youkuaiyun.com/TigerTai98/article/details/78392799</link><guid>https://blog.youkuaiyun.com/TigerTai98/article/details/78392799</guid><author>TigerTai98</author><pubDate>Mon, 30 Oct 2017 14:37:37 +0800</pubDate><description><![CDATA[非常简洁的安装dlib19.07环境：WINDOWS10 anaconda py3.6 
准备材料：需要将anaconda 的pip 路径加入环境变量（注意需要排除windows本身含有的python 的pip的影响，这个可以通过改名等方式实现，总之，注意将pip安装到anaconda目录下)资源下载：这里是wheel文件的下载，直接pip install就可以安装，非常方便。点击下载whl文件]]></description><category></category></item><item><title><![CDATA[python 列表操作]]></title><link>https://blog.youkuaiyun.com/TigerTai98/article/details/78370229</link><guid>https://blog.youkuaiyun.com/TigerTai98/article/details/78370229</guid><author>TigerTai98</author><pubDate>Fri, 27 Oct 2017 22:54:13 +0800</pubDate><description><![CDATA[Think Python 列表相关操作# -*- coding: utf-8 -*-
"""
Created on Fri Oct 27 22:05:42 2017@author: 123
"""cheeses=['Cheddar','Edam','Gouda']
numbers=[42,123]
empty=[]
print(cheeses,numbers,empty)#list支持赋值，但是字符]]></description><category></category></item><item><title><![CDATA[python pandas基础]]></title><link>https://blog.youkuaiyun.com/TigerTai98/article/details/76796533</link><guid>https://blog.youkuaiyun.com/TigerTai98/article/details/76796533</guid><author>TigerTai98</author><pubDate>Mon, 07 Aug 2017 00:23:54 +0800</pubDate><description><![CDATA[读取文档#导入csv函数
food_info=pandas.read_csv("food_info.csv")
print(type(food_info))
print(food_info.dtypes)
基本操作#帮助文档
print(help(pandas.read_csv))
food_info.head(3)#前三行数据
food_info.tail(5)#后5行数据
food_info.c]]></description><category></category></item><item><title><![CDATA[python numpy基础]]></title><link>https://blog.youkuaiyun.com/TigerTai98/article/details/76796451</link><guid>https://blog.youkuaiyun.com/TigerTai98/article/details/76796451</guid><author>TigerTai98</author><pubDate>Mon, 07 Aug 2017 00:14:00 +0800</pubDate><description><![CDATA[基本类型import numpy
#向量
vector=numpy.array([5,10,15,20])
vector==10
#矩阵
matrix=numpy.array([[5,10,15],[20,25,30],[35,40,45]])
matrix==25类型转化astype函数 
dtype函数vector1=numpy.array(["1","2","3"])
print(vector]]></description><category></category></item><item><title><![CDATA[python 实现 kNN 算法]]></title><link>https://blog.youkuaiyun.com/TigerTai98/article/details/76645534</link><guid>https://blog.youkuaiyun.com/TigerTai98/article/details/76645534</guid><author>TigerTai98</author><pubDate>Thu, 03 Aug 2017 19:15:24 +0800</pubDate><description><![CDATA[kNN算法1.准备带有标签的数据（需要转换成矩阵格式） 
2.提供一个待分类的数据 
3.求待分类数据与每一个带标签的数据的”距离“ 
4.选取“距离”最小的k个带标签数据 
5.求k个数据中出现频率最高的数据得出分类结果python 代码实现from numpy import *
import operator#inX为待分类数据，dataSet为数据，labels为标签
def classify]]></description><category></category></item><item><title><![CDATA[Python 第5章 条件和递归]]></title><link>https://blog.youkuaiyun.com/TigerTai98/article/details/73693282</link><guid>https://blog.youkuaiyun.com/TigerTai98/article/details/73693282</guid><author>TigerTai98</author><pubDate>Sat, 24 Jun 2017 18:20:45 +0800</pubDate><description><![CDATA[向下取整和求余数hour=105//60 
##hour=1minute=105%60 
##minute=45键盘输入text=input();
name=input("What is your name?\n");两种递归##先后顺序不同，输出顺序不同
def print_up(n):
    if (n < 0):
        return
    print_up(n-1)
    pr]]></description><category></category></item><item><title><![CDATA[机器学习：python 实现一个linear regression]]></title><link>https://blog.youkuaiyun.com/TigerTai98/article/details/72956331</link><guid>https://blog.youkuaiyun.com/TigerTai98/article/details/72956331</guid><author>TigerTai98</author><pubDate>Fri, 09 Jun 2017 12:14:16 +0800</pubDate><description><![CDATA[1.原理介绍linear regression步骤： 
1.导入数据 
2.将数据分为训练集合测试集 
（linear regression 分为x_train, x_text, y_train, y_test） 
3.导入线性回归算法 
利用训练集计算出模型参数 
4.模型检验 
利用测试集测试真实值和预测值的差异 
（用x_test计算出y_predict，与y_test做比较，计算误差） 
5]]></description><category></category></item><item><title><![CDATA[MFC基本绘图函数（1）]]></title><link>https://blog.youkuaiyun.com/TigerTai98/article/details/72918065</link><guid>https://blog.youkuaiyun.com/TigerTai98/article/details/72918065</guid><author>TigerTai98</author><pubDate>Thu, 08 Jun 2017 15:46:56 +0800</pubDate><description><![CDATA[简单数据类型Windows POINT,RECT,SIZE结构体封装：typedef struct tagPOINT
{
    LONG x;
    LONG y;
}POINT,*PPOINT;typedef struct tagSIZE
{   
    LONG cx;
    LONG cy;
}SIZE,*PSIZE;typedef struct _RECT
{
    LONG le]]></description><category></category></item></channel></rss>