<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Xqing_2016的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Xqing_2016</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Xqing_2016]]></copyright><item><title><![CDATA[Windows FTP 服务器实现只能上传不能下载或删除]]></title><link>https://blog.youkuaiyun.com/Xqing_2016/article/details/125053508</link><guid>https://blog.youkuaiyun.com/Xqing_2016/article/details/125053508</guid><author>Xqing_2016</author><pubDate>Fri, 03 Jun 2022 10:35:46 +0800</pubDate><description><![CDATA[Window 设置 FTP 服务器，学生只能上传不能下载或删除

]]></description><category></category></item><item><title><![CDATA[Image-Based PM2.5 Prediction 论文两篇（20/21）]]></title><link>https://blog.youkuaiyun.com/Xqing_2016/article/details/122920282</link><guid>https://blog.youkuaiyun.com/Xqing_2016/article/details/122920282</guid><author>Xqing_2016</author><pubDate>Mon, 14 Feb 2022 11:20:35 +0800</pubDate><description><![CDATA[目录2021：PM2.5 Monitoring: Use Information Abundance Measurement and Wide and Deep Learning2020：FEATURE ENHANCEMENT AND FUSION FOR IMAGE-BASED PARTICLE MATTER ESTIMATION WITH F-MSE LOSS
2021：PM2.5 Monitoring: Use Information Abundance Measurement and Wide an]]></description><category></category></item><item><title><![CDATA[PyTorch 自定义卷积模板，backward 报错 RuntimeError: one of the variables needed for gradient computation has b]]></title><link>https://blog.youkuaiyun.com/Xqing_2016/article/details/120562053</link><guid>https://blog.youkuaiyun.com/Xqing_2016/article/details/120562053</guid><author>Xqing_2016</author><pubDate>Thu, 30 Sep 2021 10:44:28 +0800</pubDate><description><![CDATA[PyTorch 自定义卷积模板，backward 报错 RuntimeError: one of the variables needed for gradient computation has been modified by an inplace operation问题，如题目所述原代码更正方案一更正方案二
问题，如题目所述
主要原因是 Tensor 变量有 “就地更改” 的，比如 ReLU(inplace=True)，或者有 +=, -= 操作符，需要声明新的变量并赋值。自己的问题主要是在 slic]]></description><category></category></item><item><title><![CDATA[AttributeError: ‘Conv2d‘ object has no attribute ‘padding_mode‘ 报错]]></title><link>https://blog.youkuaiyun.com/Xqing_2016/article/details/112931869</link><guid>https://blog.youkuaiyun.com/Xqing_2016/article/details/112931869</guid><author>Xqing_2016</author><pubDate>Thu, 21 Jan 2021 13:34:16 +0800</pubDate><description><![CDATA[问题描述
类似的问题还有 ‘ConvTranspose2d’ object has no attribute ‘padding_mode’ 等，主要原因是 PyTorch 版本不匹配，相比之前的版本如 PyTorch 1.0 后面的版本可能新增了 ‘padding_mode’ 属性。
解决方案

直接退回到pytorch1.0版本
改相应函数（如conv2d）内部的 forward()

 if not hasattr(self, 'padding_mode'):
     self.padding_mod]]></description><category></category></item><item><title><![CDATA[论文笔记：去雾、超分和 Makeup（Cycle GAN 相关 4 篇）]]></title><link>https://blog.youkuaiyun.com/Xqing_2016/article/details/107439913</link><guid>https://blog.youkuaiyun.com/Xqing_2016/article/details/107439913</guid><author>Xqing_2016</author><pubDate>Sun, 19 Jul 2020 10:49:09 +0800</pubDate><description><![CDATA[目录1. Domain Adaptation for Image Dehazing (Yuanjie Shao, 2020)2. Cycle-Dehaze: Enhanced CycleGAN for Single Image Dehazing (Deniz Engin, 2018)3. Closed-loop Matters: Dual Regression Networks for Single Image Super-Resolution (Yong Guo, 2020)4. PairedCycleG]]></description><category></category></item><item><title><![CDATA[论文笔记：Domain Adaptation for Image Dehazing]]></title><link>https://blog.youkuaiyun.com/Xqing_2016/article/details/107375096</link><guid>https://blog.youkuaiyun.com/Xqing_2016/article/details/107375096</guid><author>Xqing_2016</author><pubDate>Thu, 16 Jul 2020 09:55:31 +0800</pubDate><description><![CDATA[目录摘要1. Introduction2. Related work2.1. Single Image Dehazing2.2. Domain Adaptation3. Proposed Method3.2. Image Translation Module The3.4. Training Losses
论文信息：Domain Adaptation for Image Dehazing arXiv:2005.04668v1
摘要
目前大多数 learning-based 方法在合成雾图上训练去雾模型，很难]]></description><category></category></item><item><title><![CDATA[论文笔记：Dark Channel Prior - Kaiming He（2）]]></title><link>https://blog.youkuaiyun.com/Xqing_2016/article/details/107004922</link><guid>https://blog.youkuaiyun.com/Xqing_2016/article/details/107004922</guid><author>Xqing_2016</author><pubDate>Sun, 28 Jun 2020 18:28:03 +0800</pubDate><description><![CDATA[目录Haze Removal Using Dark Channel Prior4.2. Soft Matting
前一篇博客介绍了论文的摘要、引言、背景以及暗通道先验部分，接下来继续介绍文章中余下的部分。
Haze Removal Using Dark Channel Prior
4.2. Soft Matting
注意到公式（1）与图像抠图方程（image matting equation）有着相似的形式，所以我们采用了一个 soft matting 算法来改善透射（transmission）。

sof]]></description><category></category></item><item><title><![CDATA[论文笔记：Dark Channel Prior - Kaiming He（1）]]></title><link>https://blog.youkuaiyun.com/Xqing_2016/article/details/106992170</link><guid>https://blog.youkuaiyun.com/Xqing_2016/article/details/106992170</guid><author>Xqing_2016</author><pubDate>Sun, 28 Jun 2020 11:36:45 +0800</pubDate><description><![CDATA[目录摘要1. Introduction2. Background3. Dark Channel Prior4. Haze Removal Using Dark Channel Prior4.1. Estimating the Transmission4.2. Soft Matting
论文标题：Single Image Haze Removal Using Dark Channel Prior，一作：何凯明。
摘要
提出暗通道先验（dark channel prior）去除单一输入图像中的雾霾，该理论基于一]]></description><category></category></item><item><title><![CDATA[《MATLAB Deep Learning》Ch4 & Ch5 学习笔记]]></title><link>https://blog.youkuaiyun.com/Xqing_2016/article/details/106568918</link><guid>https://blog.youkuaiyun.com/Xqing_2016/article/details/106568918</guid><author>Xqing_2016</author><pubDate>Fri, 05 Jun 2020 17:14:15 +0800</pubDate><description><![CDATA[目录Ch4 - Neural Network and ClassificationBinary ClassificationMulticlass ClassificationCh5 - Deep Learning
Ch4 - Neural Network and Classification
Binary Classification
二分类问题只需要一个输出层结点，因为我们只需指定一个阈值 threshold 就可以把结果分为两类。
当我们使用 Sigmoid 激活函数 + 交叉熵损失函数时，输出层误差有]]></description><category></category></item><item><title><![CDATA[《MATLAB Deep Learning》Ch3 - Training of Multi-Layer Neural Network 学习笔记]]></title><link>https://blog.youkuaiyun.com/Xqing_2016/article/details/106526385</link><guid>https://blog.youkuaiyun.com/Xqing_2016/article/details/106526385</guid><author>Xqing_2016</author><pubDate>Wed, 03 Jun 2020 17:42:21 +0800</pubDate><description><![CDATA[目录Back-propagation algorithmMomentumCost Function and Learning Rule
Back-propagation algorithm
由于隐藏层的误差项没有被很好地定义（不像输出层有真实值 did_idi​），多层神经网络的发展停滞了许久。1986年，后向传播算法 Back-propagation algorithm 的引入解决了这个问题。
考虑一个三层网络（输入—隐藏—输出），下面是隐藏层到输出层的转换：

由前面的章节，我们已经知道对于隐藏层—输出]]></description><category></category></item><item><title><![CDATA[《MATLAB Deep Learning》Ch1 & Ch2 学习笔记]]></title><link>https://blog.youkuaiyun.com/Xqing_2016/article/details/106517188</link><guid>https://blog.youkuaiyun.com/Xqing_2016/article/details/106517188</guid><author>Xqing_2016</author><pubDate>Wed, 03 Jun 2020 11:11:04 +0800</pubDate><description><![CDATA[我是目录前言Ch1 - Machine LearningCh2 - Neural Networkdelta 法则SGD, Batch, and Mini BatchCh3 - Training of Multi-Layer Neural Network
前言
《MATLAB Deep Learning》，Phil Kim.  这本书实在太适合入门了，作者用平实易懂的语言由浅入深地介绍了深度学习的各个方面。书中并没有太多的公式，配套代码也很简洁。不过，若是想进一步深究背后的数学原理，还得参考其他书籍、文献。
]]></description><category></category></item><item><title><![CDATA[李航：统计学习方法 学习笔记 6 logistic回归与最大熵模型]]></title><link>https://blog.youkuaiyun.com/Xqing_2016/article/details/106347292</link><guid>https://blog.youkuaiyun.com/Xqing_2016/article/details/106347292</guid><author>Xqing_2016</author><pubDate>Fri, 29 May 2020 23:38:42 +0800</pubDate><description><![CDATA[目录1. logistic分布函数
1. logistic分布函数



]]></description><category></category></item><item><title><![CDATA[李航：统计学习方法 学习笔记 5 决策树三问]]></title><link>https://blog.youkuaiyun.com/Xqing_2016/article/details/106309903</link><guid>https://blog.youkuaiyun.com/Xqing_2016/article/details/106309903</guid><author>Xqing_2016</author><pubDate>Mon, 25 May 2020 11:53:34 +0800</pubDate><description><![CDATA[我是一个目录1. 随机变量X的信息熵的上界2. 决策树中的信息增益特征选择法能否运用到其他模型？3. CART树剪枝
1. 随机变量X的信息熵的上界


参考：关于信息熵最大值的讨论。
2. 决策树中的信息增益特征选择法能否运用到其他模型？
个人感觉不可以，因为决策树中分类是基于if-then集合规则或条件概率的，不同模型的分类评价方法可能不一样。例如，利用信息增益筛选出来的特征对感知机不一定适用，也即if-then规则和决策超平面不一定相容。
3. CART树剪枝
先占个坑。

...]]></description><category></category></item><item><title><![CDATA[李航：统计学习方法 学习笔记 4 朴素贝叶斯法三问]]></title><link>https://blog.youkuaiyun.com/Xqing_2016/article/details/106300422</link><guid>https://blog.youkuaiyun.com/Xqing_2016/article/details/106300422</guid><author>Xqing_2016</author><pubDate>Sat, 23 May 2020 17:41:40 +0800</pubDate><description><![CDATA[李航：统计学习方法 学习笔记 4 朴素贝叶斯法三问1. 贝叶斯定理2. 条件数学期望3. 极大似然估计法
1. 贝叶斯定理


2. 条件数学期望

参考：https://wenku.baidu.com/view/cda1980e52ea551810a687c5.html

3. 极大似然估计法
参见概率论教材。

...]]></description><category></category></item><item><title><![CDATA[李航：统计学习方法 学习笔记 3 K近邻法两问]]></title><link>https://blog.youkuaiyun.com/Xqing_2016/article/details/106273345</link><guid>https://blog.youkuaiyun.com/Xqing_2016/article/details/106273345</guid><author>Xqing_2016</author><pubDate>Fri, 22 May 2020 22:04:32 +0800</pubDate><description><![CDATA[李航：统计学习方法 学习笔记 3 K近邻法两问1. LpL_{p}Lp​距离p趋向无穷时...2. KD树的搜索
1. LpL_{p}Lp​距离p趋向无穷时…


2. KD树的搜索
书上只是给了KD树的最近邻搜索算法，并未说明如何扩展到K近邻。暂时也未查到相关资料，先记一下。

...]]></description><category></category></item><item><title><![CDATA[李航：统计学习方法 学习笔记 2 感知机三问]]></title><link>https://blog.youkuaiyun.com/Xqing_2016/article/details/106214738</link><guid>https://blog.youkuaiyun.com/Xqing_2016/article/details/106214738</guid><author>Xqing_2016</author><pubDate>Tue, 19 May 2020 19:55:53 +0800</pubDate><description><![CDATA[李航：统计学习方法 学习笔记 2 感知机三问1. 空间中任意一点x0到超平面S的距离公式推导2. Novikoff 定理中为何可以直接令 ∣∣w^opt∣∣=1||\hat w_{opt}||=1∣∣w^opt​∣∣=1 ？
1. 空间中任意一点x0到超平面S的距离公式推导


参考 空间中任意一点到超平面距离的公式推导。
2. Novikoff 定理中为何可以直接令 ∣∣w^opt∣∣=1||\hat w_{opt}||=1∣∣w^opt​∣∣=1 ？
将偏置b并入权重向量w，则有 w^=(wT,b)T\]]></description><category></category></item><item><title><![CDATA[李航：统计学习方法 学习笔记 1 统计学习方法概论]]></title><link>https://blog.youkuaiyun.com/Xqing_2016/article/details/106189828</link><guid>https://blog.youkuaiyun.com/Xqing_2016/article/details/106189828</guid><author>Xqing_2016</author><pubDate>Mon, 18 May 2020 15:40:56 +0800</pubDate><description><![CDATA[李航：统计学习方法 学习笔记 1 统计学习方法概论前言1.1 统计学习1.2 监督学习1.3 统计学习三要素1.3.1 损失函数和风险函数1.3.2 经验风险最小化和结构风险最小化1.4 模型评估与模型选择1.5 其他...
前言
考研终于告一段落，接下来是安心等待入学。想利用这段时间系统学习一下机器学习基础，简单记录一下自己的学习过程，也算是对自己的一种监督。
1.1 统计学习

统计学习（statistics learning）关注概率统计模型，也称为统计机器学习（statistics machine ]]></description><category></category></item><item><title><![CDATA[求给定数组的最长递增子序列（记录子序列的值）]]></title><link>https://blog.youkuaiyun.com/Xqing_2016/article/details/104707568</link><guid>https://blog.youkuaiyun.com/Xqing_2016/article/details/104707568</guid><author>Xqing_2016</author><pubDate>Sat, 07 Mar 2020 00:07:06 +0800</pubDate><description><![CDATA[动态规划（dp）求最长递增子序列的长度L，参照模板即可，这里给一下记录并输出该子序列值的方法：开一个pre[]数组记录下标即可，然后用递归形式输出。
#include &lt;iostream&gt;
#include &lt;cstdio&gt;
#include &lt;vector&gt;
#include &lt;cstring&gt;

using namespace std;

con...]]></description><category></category></item><item><title><![CDATA[维特比算法实现 李航《统计学习方法》]]></title><link>https://blog.youkuaiyun.com/Xqing_2016/article/details/99715081</link><guid>https://blog.youkuaiyun.com/Xqing_2016/article/details/99715081</guid><author>Xqing_2016</author><pubDate>Mon, 19 Aug 2019 10:36:07 +0800</pubDate><description><![CDATA[% 维特比算法实现
% 参考：李航《统计学习方法》 P208
% Author: xueqing, 2019-08-19

%% 输入
%   A： 盒子状态转移矩阵
%   B： 观测概率矩阵;
%   pi：初始概率分布
%   Ou:  观测序列
A  = [0.5, 0.2, 0.3; 0.3, 0.5, 0.2; 0.2, 0.3, 0.5];
B  = [0.5, 0.5; 0.4, ...]]></description><category></category></item><item><title><![CDATA[《剑指offer》面试题14：剪绳子 贪婪算法 证明]]></title><link>https://blog.youkuaiyun.com/Xqing_2016/article/details/87901262</link><guid>https://blog.youkuaiyun.com/Xqing_2016/article/details/87901262</guid><author>Xqing_2016</author><pubDate>Sun, 24 Feb 2019 11:42:53 +0800</pubDate><description><![CDATA[题目： 给你一根长度为n绳子，请把绳子剪成m段（m、n都是整数，n&amp;amp;gt;1并且m&amp;amp;gt;1）。每段的绳子的长度记为k[0]、k[1]、……、k[m]。k[0] * k[1]*…*k[m]可能的最大乘积是多少？例如当绳子的长度是8时，我们把它剪成长度分别为2、3、3的三段，此时得到最大的乘积18。
贪婪解法： 当n大于等于5时，我们尽可能多的剪长度为3的绳子；当剩下的绳子长度为4时，把绳子剪成两段...]]></description><category></category></item></channel></rss>