<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[XQFFFF的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/XQFFFF</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; XQFFFF]]></copyright><item><title><![CDATA[note_optim copy]]></title><link>https://blog.youkuaiyun.com/XQFFFF/article/details/144825697</link><guid>https://blog.youkuaiyun.com/XQFFFF/article/details/144825697</guid><author>XQFFFF</author><pubDate>Mon, 30 Dec 2024 14:34:40 +0800</pubDate><description><![CDATA[Adadelta 是 Adagrad 的改进版本，它限制了累积梯度的增长，解决了学习率不断减小的问题。Nesterov 动量是 SGD 的一种变体，它在计算梯度之前先对当前参数进行一步预测，从而加速收敛。Adam 是一种结合了动量和 RMSProp 的优化算法。RMSProp 是一种自适应学习率方法，它通过对梯度平方的指数加权移动平均来调整学习率。Adagrad 是一种自适应学习率方法，它根据过去的梯度信息调整每个参数的学习率。AdamW 是 Adam 的变体，它通过权重衰减来正则化模型，防止过拟合。]]></description><category></category></item><item><title><![CDATA[note_einops copy]]></title><link>https://blog.youkuaiyun.com/XQFFFF/article/details/144825561</link><guid>https://blog.youkuaiyun.com/XQFFFF/article/details/144825561</guid><author>XQFFFF</author><pubDate>Mon, 30 Dec 2024 14:29:42 +0800</pubDate><description><![CDATA[Einops 是一个灵活且强大的库，用于操作张量（tensors）。它提供了一种简洁的方式来重塑、转置和组合张量。以下是一个简单的教程，介绍如何使用 Einops。]]></description><category></category></item><item><title><![CDATA[树莓派串口]]></title><link>https://blog.youkuaiyun.com/XQFFFF/article/details/136717611</link><guid>https://blog.youkuaiyun.com/XQFFFF/article/details/136717611</guid><author>XQFFFF</author><pubDate>Thu, 14 Mar 2024 17:48:03 +0800</pubDate><description><![CDATA[如果您的设备是可拆卸的，您还可以考虑创建一个udev规则，以便每次连接设备时都会应用正确的权限。这样，您不必手动更改权限。另外，请确保您的系统已正确配置串口。首先，确保您的用户具有足够的权限来访问该串口。安装Raspbian Jessie到SD卡上并在连接到网络的情况下启动树莓派。这将允许所有用户对该串口进行读写操作。]]></description><category></category></item><item><title><![CDATA[快速安装opencv]]></title><link>https://blog.youkuaiyun.com/XQFFFF/article/details/135940286</link><guid>https://blog.youkuaiyun.com/XQFFFF/article/details/135940286</guid><author>XQFFFF</author><pubDate>Tue, 30 Jan 2024 19:53:52 +0800</pubDate><description><![CDATA[原因是pip3用的是国外的源，只要使用sudo pip3 install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple/中国科学技术大学 http://pypi.mirrors.ustc.edu.cn/simple/中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/一般来说这样安装很慢。]]></description><category></category></item><item><title><![CDATA[树莓派换源]]></title><link>https://blog.youkuaiyun.com/XQFFFF/article/details/135938410</link><guid>https://blog.youkuaiyun.com/XQFFFF/article/details/135938410</guid><author>XQFFFF</author><pubDate>Tue, 30 Jan 2024 17:47:59 +0800</pubDate><description><![CDATA[【代码】树莓派换源。]]></description><category></category></item><item><title><![CDATA[vrilog设计流水灯]]></title><link>https://blog.youkuaiyun.com/XQFFFF/article/details/130048917</link><guid>https://blog.youkuaiyun.com/XQFFFF/article/details/130048917</guid><author>XQFFFF</author><pubDate>Wed, 17 Jan 2024 02:21:29 +0800</pubDate><description><![CDATA[always @ (*)            //用always块语句描述逻辑。]]></description><category></category></item><item><title><![CDATA[循环神经网络RNN]]></title><link>https://blog.youkuaiyun.com/XQFFFF/article/details/135629207</link><guid>https://blog.youkuaiyun.com/XQFFFF/article/details/135629207</guid><author>XQFFFF</author><pubDate>Wed, 17 Jan 2024 02:20:52 +0800</pubDate><description><![CDATA[RNN 中最主要的参数是 input_size 和 hidden_size，其余的参数通常不用设置，采用默认值就可以了。类来搭建基于序列的循环神经网络，他的参数基本与。]]></description><category></category></item><item><title><![CDATA[Pytorch卷积层和池化层]]></title><link>https://blog.youkuaiyun.com/XQFFFF/article/details/135608491</link><guid>https://blog.youkuaiyun.com/XQFFFF/article/details/135608491</guid><author>XQFFFF</author><pubDate>Mon, 15 Jan 2024 20:24:32 +0800</pubDate><description><![CDATA[1.概念卷积层是用一个固定大小的矩形区去席卷原始数据，将原始数据分成一个个和卷积核大小相同的小块，然后将这些小块和卷积核相乘输出一个卷积值（注意这里是一个单独的值，不再是矩阵了）。2.作用特征提取卷积的本质就是用卷积核的参数来提取原始数据的特征，通过矩阵点乘的运算，提取出和卷积核特征一致的值，如果卷积层有多个卷积核，则神经网络会自动学习卷积核的参数值，使得每个卷积核代表一个特征。3.api（1）一维class（2）二维。]]></description><category></category></item><item><title><![CDATA[Pytorch设置早停止early stop]]></title><link>https://blog.youkuaiyun.com/XQFFFF/article/details/135606216</link><guid>https://blog.youkuaiyun.com/XQFFFF/article/details/135606216</guid><author>XQFFFF</author><pubDate>Mon, 15 Jan 2024 17:12:42 +0800</pubDate><description><![CDATA[早停止（Early Stopping）是。]]></description><category></category></item><item><title><![CDATA[Pytorch优化器与学习率]]></title><link>https://blog.youkuaiyun.com/XQFFFF/article/details/135604979</link><guid>https://blog.youkuaiyun.com/XQFFFF/article/details/135604979</guid><author>XQFFFF</author><pubDate>Mon, 15 Jan 2024 17:01:48 +0800</pubDate><description><![CDATA[每个Optimizer都维护一个的list，该list中维护需要优化的参数以及对应的属性设置。返回模型的全部参数，并将它们传入Adam函数构造出一个Adam优化器，并设置 learning rate=0.1。]]></description><category></category></item><item><title><![CDATA[pytorch欠拟合和过拟合]]></title><link>https://blog.youkuaiyun.com/XQFFFF/article/details/135602560</link><guid>https://blog.youkuaiyun.com/XQFFFF/article/details/135602560</guid><author>XQFFFF</author><pubDate>Mon, 15 Jan 2024 16:18:54 +0800</pubDate><description><![CDATA[影响欠拟合和过拟合的另一个重要因素是训练数据集的大小。一般来说，如果训练数据集中样本数过少，特别是比模型参数数量（按元素计）更少时，过拟合更容易发生。因此，在计算资源允许的范围之内，我们通常希望训练数据集大一些，特别是在模型复杂度较高时，例如层数较多的深度学习模型。机器学习中一个重要的话题便是模型的泛化能力，泛化能力强的模型才是好模型，对于训练好的模型，若在训练集表现非常好，在测试集表现很差，这可能是过拟合导致。尝试更复杂模型，如二次函数拟合不够，用三次函数拟合；，这可能是欠拟合导致, 这是泛化能力太强,]]></description><category></category></item><item><title><![CDATA[pytorch全连接层]]></title><link>https://blog.youkuaiyun.com/XQFFFF/article/details/135587773</link><guid>https://blog.youkuaiyun.com/XQFFFF/article/details/135587773</guid><author>XQFFFF</author><pubDate>Sun, 14 Jan 2024 20:47:22 +0800</pubDate><description><![CDATA[torch.nn.Linear(in_features, # 输入的神经元个数。out_features, # 输出神经元个数。bias=True # 是否包含偏置。注：super为用父类初始化方法来初始化子类。]]></description><category></category></item><item><title><![CDATA[pytorch感知机]]></title><link>https://blog.youkuaiyun.com/XQFFFF/article/details/135584375</link><guid>https://blog.youkuaiyun.com/XQFFFF/article/details/135584375</guid><author>XQFFFF</author><pubDate>Sun, 14 Jan 2024 20:08:11 +0800</pubDate><description><![CDATA[换句话说，损失函数衡量了模型的误差或损失，通常表示为L(y, f(x))，其中y是真实值，f(x)是模型的预测值。常见的损失函数类型包括均方误差损失（Mean Squared Error，MSE）、交叉熵损失（Cross-Entropy Loss）、对数损失（Logarithmic Loss，Log Loss）、感知损失（Perceptron Loss）和汉明损失（Hamming Loss）等。而且，随着误差的减小，梯度也在减小，这有利于收敛，即使使用固定的学习速率，也能较快的收敛到最小值。]]></description><category></category></item><item><title><![CDATA[Pytorch入门]]></title><link>https://blog.youkuaiyun.com/XQFFFF/article/details/135574031</link><guid>https://blog.youkuaiyun.com/XQFFFF/article/details/135574031</guid><author>XQFFFF</author><pubDate>Sun, 14 Jan 2024 14:20:12 +0800</pubDate><description><![CDATA[1、Broadcasting(广播)也就是自动实现了若干unsqueeze和expand操作，以使两个Tensor的shape一致，从而完成某些操作（往往是加法）。2、Broadcasting能够实现自动维度扩展，有点像上节学的expand的功能，但是是自动完成的，而且不需要像repeat那样对数据进行拷贝，可以节省内存。3、而两个向量要是broadcast的话，必须满足以下两个条件torch.cat是将两个拼接在一起torch.cat。]]></description><category></category></item><item><title><![CDATA[ROS话题订阅发布]]></title><link>https://blog.youkuaiyun.com/XQFFFF/article/details/134234321</link><guid>https://blog.youkuaiyun.com/XQFFFF/article/details/134234321</guid><author>XQFFFF</author><pubDate>Mon, 06 Nov 2023 21:35:54 +0800</pubDate><description><![CDATA[本文介绍了一个ros创建工作空间以及节点的方法]]></description><category></category></item><item><title><![CDATA[ROS安装]]></title><link>https://blog.youkuaiyun.com/XQFFFF/article/details/134231001</link><guid>https://blog.youkuaiyun.com/XQFFFF/article/details/134231001</guid><author>XQFFFF</author><pubDate>Sun, 05 Nov 2023 15:52:03 +0800</pubDate><description><![CDATA[发现了一个很方便的ros安装工具代码。]]></description><category></category></item><item><title><![CDATA[ros入门]]></title><link>https://blog.youkuaiyun.com/XQFFFF/article/details/133895539</link><guid>https://blog.youkuaiyun.com/XQFFFF/article/details/133895539</guid><author>XQFFFF</author><pubDate>Tue, 17 Oct 2023 23:20:44 +0800</pubDate><description><![CDATA[启动节点管理器rosmater。]]></description><category></category></item><item><title><![CDATA[python多线程、多进程（二）]]></title><link>https://blog.youkuaiyun.com/XQFFFF/article/details/133143547</link><guid>https://blog.youkuaiyun.com/XQFFFF/article/details/133143547</guid><author>XQFFFF</author><pubDate>Mon, 25 Sep 2023 20:06:14 +0800</pubDate><description><![CDATA[如果两个线程的运行顺序不同，他有可能产生不同的结果，或者造成执行的轨迹或行为不相同，这时我们就需要使用到多线程的同步。]]></description><category></category></item><item><title><![CDATA[python多线程、进程（一）]]></title><link>https://blog.youkuaiyun.com/XQFFFF/article/details/133039478</link><guid>https://blog.youkuaiyun.com/XQFFFF/article/details/133039478</guid><author>XQFFFF</author><pubDate>Wed, 20 Sep 2023 22:27:01 +0800</pubDate><description><![CDATA[进程是资源分配的最小单位，一个程序至少有一个进程。

线程是程序执行的最小单位，一个进程至少有一个线程。

一个进程中可以存在多个线程，在单核CPU中每个进程中同时刻只能运行一个线程，只有在多核CPU中才能存在线程并发的情况。]]></description><category></category></item><item><title><![CDATA[YOLO解决下载pycoco工具包]]></title><link>https://blog.youkuaiyun.com/XQFFFF/article/details/131743571</link><guid>https://blog.youkuaiyun.com/XQFFFF/article/details/131743571</guid><author>XQFFFF</author><pubDate>Sat, 15 Jul 2023 20:09:29 +0800</pubDate><description><![CDATA[将github上的pycoco包直接复制到conda的对应虚拟环境下，lib/sitepack/]]></description><category></category></item></channel></rss>