<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[YYSTINTERNET的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/YYSTINTERNET</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; YYSTINTERNET]]></copyright><item><title><![CDATA[C++实现多项式拟合求系数]]></title><link>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/136192052</link><guid>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/136192052</guid><author>YYSTINTERNET</author><pubDate>Tue, 20 Feb 2024 15:49:15 +0800</pubDate><description><![CDATA[【代码】C++实现多项式拟合求系数。]]></description><category></category></item><item><title><![CDATA[C盘满了怎么办？重装系统？错，一条命令即可解决！]]></title><link>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/129432562</link><guid>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/129432562</guid><author>YYSTINTERNET</author><pubDate>Thu, 09 Mar 2023 22:17:30 +0800</pubDate><description><![CDATA[【代码】C盘满了怎么办？重装系统？错，一条命令即可解决！]]></description><category></category></item><item><title><![CDATA[Redis和计算机网络、操作系统、设计模式]]></title><link>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/127195169</link><guid>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/127195169</guid><author>YYSTINTERNET</author><pubDate>Sun, 11 Dec 2022 11:59:25 +0800</pubDate><description><![CDATA[最常用来做缓存，实现分布式缓存的首先中间件；可以作为计算工具，能用很小的代价，统计PV/UV,用户在线天数等数据；Redis可以用来做什么？]]></description><category></category></item><item><title><![CDATA[Spring专项练习和Java基础、数据库]]></title><link>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/126994693</link><guid>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/126994693</guid><author>YYSTINTERNET</author><pubDate>Fri, 07 Oct 2022 15:42:46 +0800</pubDate><description><![CDATA[SELECT userid, SUM(IF(`subject`='语文',score,0)) as '语文', SUM(IF(`subject`='数学',score,0)) as '数学', SUM(IF(`subject`='英语',score,0)) as '英语', SUM(IF(`subject`='政治',score,0)) as '政治'  FROM tb_score  GROUP BY userid。]]></description><category></category></item><item><title><![CDATA[Java工程师面试题]]></title><link>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/126002536</link><guid>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/126002536</guid><author>YYSTINTERNET</author><pubDate>Sun, 25 Sep 2022 16:02:43 +0800</pubDate><description><![CDATA[Java数据类型包括基本数据类型和引用数据类型两大类。基本数据类型有8个，可以分为4个小类，分别是整数类型（byte/short/int/long）、浮点数（float/double）、字符类型（char）、布尔类型（boolean）。其中，4个整数类型中，int类型最为常用。2个浮点类型中，double最为常用。另外，在这8个基本类型中，除了布尔类型之外的其他7个类型，都可以看做数字类型，它们相互之间可以进行类型转换。]]></description><category></category></item><item><title><![CDATA[大疆笔试题]]></title><link>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/126216332</link><guid>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/126216332</guid><author>YYSTINTERNET</author><pubDate>Mon, 08 Aug 2022 09:47:11 +0800</pubDate><description><![CDATA[1).卷积神经网络广泛应用于图像处理，如果一张尺寸为2M，通道数为3的彩色图像通过一个3*3*4的带偏置卷积层提取同样尺寸的特征，需要（）M次乘法计算，该卷积层有（）个参数。4).已知抓娃娃机，抓中的概率用P表示，P在0-1概率密度函数都是二次函数，顶点在0.5，且没有人将P设置为1，该娃娃机的概率密度函数为f(P)=__________。3).相机对焦在超焦距的位置时，可以获得最深的景深，如果此时的超焦距为2m，则可以清晰成像的最近距离是____m。2).关于sigmoid激活函数，以下说法正确的是（）.]]></description><category></category></item><item><title><![CDATA[链表、树和图专项练习]]></title><link>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/125509361</link><guid>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/125509361</guid><author>YYSTINTERNET</author><pubDate>Wed, 20 Jul 2022 09:31:03 +0800</pubDate><description><![CDATA[B树二叉树，每个结点只存储一个关键字，等于则命中，小于走左结点，大于走右结点；B-树多路搜索树，每个结点存储向上取整M/2-1到M-1个关键字，非叶子结点存储指向关键字范围的子结点；B+树在B-树基础上，为叶子结点增加链表指针，所有关键字都在叶子结点中出现，非叶子结点作为叶子结点的索引；B*树在B+树基础上，为非叶子结点也增加链表指针，将结点的最低利用率从1/2提高到2/3。例如e=n-1=n0+n1+n2+n3+n4+n5-1，e=n0*0+n1*1+n2*2+n3*3+n4*4+n5*5。...]]></description><category></category></item><item><title><![CDATA[字符串专项练习]]></title><link>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/125463480</link><guid>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/125463480</guid><author>YYSTINTERNET</author><pubDate>Tue, 28 Jun 2022 15:54:24 +0800</pubDate><description><![CDATA[%s：打印字符串时使用的转换说明。%后加（数字）修饰符：表示打印的最小字段宽度，如%6s。%后加（.数字）修饰符：对%s转换来说，表示待打印字符的最大数量，如%.3s。%后加（-）修饰符：表示待打印项左对齐，即从字段的左侧开始打印该项，如%-6s。综上，使用%-6.3s转换说明，可成功打印出一个字段宽度为6的左对齐字符串中的前3个字符。正数：原码=补码；负数补码：符号位不变，其余位取反加1.String的值时不可变的，这就导致每次对String的操作都会产生新的String对象，不仅效率低，而且浪费大量优先]]></description><category></category></item><item><title><![CDATA[数据结构 专项练习]]></title><link>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/124182045</link><guid>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/124182045</guid><author>YYSTINTERNET</author><pubDate>Sat, 25 Jun 2022 19:51:26 +0800</pubDate><description><![CDATA[二维数组初始化的方法是：int a[3][3]={{1},{2},{3}}。
	 二维数组声明时一定要指定列数，单引号表示字符，不能用来给二维数组赋值。
	在一个8个int数据的数组中随机给出数组的数据，找出最大和第二大元素一定需要进行9次比较。方法按照8进4,4进2,2进1得到最大值，然后次大值一定是被最大值PK下去的，在进行2次比较得到次大的数。
	在Java中，声明一个数组是，不能直接限定数组长度，只有在创建实例化对象时，才能给定数组长度。（记住，记住）
	稀疏矩阵一般的压缩存储方式为三元组和十字链表]]></description><category></category></item><item><title><![CDATA[从变分编码、信息瓶颈到正态分布：论遗忘的重要性（转载PaperWeekly）]]></title><link>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/125365955</link><guid>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/125365955</guid><author>YYSTINTERNET</author><pubDate>Mon, 20 Jun 2022 09:28:14 +0800</pubDate><description><![CDATA[简单来说，VAE 的优化目标是：其中 q(z) 是标准正态分布，p(z|x),q(x|z) 是条件正态分布，分别对应编码器、解码器。具体细节可以参考再谈变分自编码器VAE：从贝叶斯观点出发。这个目标最终可以简化为：显然，它可以分开来看：  这一项相当于普通的自编码器损失（加上了重参数），  是后验分布与先验分布的 KL 散度。第一项是希望重构损失越小越好，也就是希望中间的隐变量 z 能尽可能保留更多的信息，第二项是要隐变量空间跟正态分布对齐，意思是希望隐变量的分布更加规整一些。与自编码器的比较所以，相比普通]]></description><category></category></item><item><title><![CDATA[Vision Transformer]]></title><link>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/125102824</link><guid>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/125102824</guid><author>YYSTINTERNET</author><pubDate>Sun, 05 Jun 2022 09:41:47 +0800</pubDate><description><![CDATA[分为三个部分：


5.网络训练




 6.网络验证




7.预测结果]]></description><category></category></item><item><title><![CDATA[Transformer相关理解]]></title><link>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/124871274</link><guid>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/124871274</guid><author>YYSTINTERNET</author><pubDate>Thu, 02 Jun 2022 16:18:08 +0800</pubDate><description><![CDATA[1.何为注意力机制

人生来就有Attention注意力机制，看任何画面，我们会自动聚焦到特定位置特定物体上。对于输入给网络的任何模态，不管是图像、文本、点云还是其他，我们都希望网络通过训练能够自动聚焦到有意义的位置，例如图像分类和检测任务，网络通过训练能够自动聚焦到待分类物体和待检测物体上。

2.图片分类

图片分类中通常不需要解码器模块，所以我们只需要关注编码器部分，其中主要是位置编码模块 Positional Encoding、多头自注意力模块 Muti-Head Attention、前向网络模块 ]]></description><category></category></item><item><title><![CDATA[EfficientNetV2网络]]></title><link>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/125077890</link><guid>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/125077890</guid><author>YYSTINTERNET</author><pubDate>Thu, 02 Jun 2022 15:35:23 +0800</pubDate><description><![CDATA[注意：在源码中stage6的输出Channels是等于256并不是表格中的272，stage7的输出Channels是1280并不是表格中的1792。 


5.网路训练




6.验证]]></description><category></category></item><item><title><![CDATA[EfficientNet网络]]></title><link>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/125040726</link><guid>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/125040726</guid><author>YYSTINTERNET</author><pubDate>Tue, 31 May 2022 20:49:54 +0800</pubDate><description><![CDATA[1.网络优化方式

增加网络的深度depth能够得到更加丰富、复杂的特征并且能够很好的应用到其它任务中。但网络的深度过深会面临梯度的消失，训练困难的问题。
	增加网络的宽度width能够获得更高细粒度的特征并且也更容易训练，但对于width很大而深度较浅的网络往往很难学习到更深层次的特征。（即增加卷积核的个数，特征矩阵的channels）
	增加输入网络的图像分辨率能够潜在的获得更高细粒度的特征模板，但对于非常高的输入分辨率、准确率的增益也会减小，并且大分辨率图像会增加计算量。
	同时增加网络的深度dept]]></description><category></category></item><item><title><![CDATA[Pytorch错误之SystemExit: 2解决方法]]></title><link>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/125072953</link><guid>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/125072953</guid><author>YYSTINTERNET</author><pubDate>Tue, 31 May 2022 20:35:19 +0800</pubDate><description><![CDATA[2.正确行 




具体我也不清楚为什么，加上错误就解决了！]]></description><category></category></item><item><title><![CDATA[Image Classification （卷积神经网络基础）]]></title><link>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/124877960</link><guid>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/124877960</guid><author>YYSTINTERNET</author><pubDate>Mon, 30 May 2022 09:21:53 +0800</pubDate><description><![CDATA[1.激活函数

1.1.sigmoid激活函数



缺点：Sigmoid激活函数饱和时梯度值非常小，故网络层数较深时易出现梯度消失。

1.2.ReLU激活函数



缺点：当反向传播过程中有一个非常大的梯度经过时，反向传播更新后可能导致权重分布中心小于0，导致该处的倒数始终为0，反向传播无法更新权重，即进入失活状态。

2.卷积层





目的：进行图像特征提取
	在卷积过程中，矩阵经卷积操作后的尺寸由以下几个因数决定：
输入图片大小W×W
	Filter大小F×F
	步长S
	padding的像..]]></description><category></category></item><item><title><![CDATA[ShuffleNet神经网络]]></title><link>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/125011015</link><guid>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/125011015</guid><author>YYSTINTERNET</author><pubDate>Mon, 30 May 2022 09:19:34 +0800</pubDate><description><![CDATA[1.ShuffleNet V1网络架构


ShuffleNet v1网络



2.ShuffleNet V2网络架构


ShuffleNet V2网络

3.代码实现

3.1.model.py


from typing import List,Callable
import torch 
from torch import Tensor
import torch.nn as nn

def channel_shuffle(x:Tensor,groups:int)-&gt;Tensor:
    b]]></description><category></category></item><item><title><![CDATA[MobileNet v1、v2，v3网络模型]]></title><link>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/124967186</link><guid>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/124967186</guid><author>YYSTINTERNET</author><pubDate>Thu, 26 May 2022 15:32:16 +0800</pubDate><description><![CDATA[1.网络模型整体架构

1.1.MobileNet v1网络

MobileNet v1网络是由Google团队在2017年提出的，专注于移动端或者嵌入式设备中的轻量级CNN网络。相比传统卷积神经网络，在准确率小幅降低的前提下大大减少模型参数与运算量。（相比VGG16准确率减小了0.9%，但模型参数只有VGG的1/32）。网络中的亮点有：

Depthwise Convolution（大大减少运算量和参数数量）
	增加超参数α、β

mobilenet v1网络模型

1.2.MobileNet v2网络.]]></description><category></category></item><item><title><![CDATA[Resnet网络模型以及迁移学习]]></title><link>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/124935056</link><guid>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/124935056</guid><author>YYSTINTERNET</author><pubDate>Wed, 25 May 2022 15:29:54 +0800</pubDate><description><![CDATA[1.网络中的亮点

超深的网络结构（突破1000层）
	提出residual模块
	使用batch normalization加速训练（丢弃dropout）
2.
]]></description><category></category></item><item><title><![CDATA[GoogleNet网络模型]]></title><link>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/124934457</link><guid>https://blog.youkuaiyun.com/YYSTINTERNET/article/details/124934457</guid><author>YYSTINTERNET</author><pubDate>Mon, 23 May 2022 21:02:43 +0800</pubDate><description><![CDATA[1.网络架构



2.网络搭建


import torch.nn as nn
import torch
import torch.nn.functional as F


class GoogLeNet(nn.Module):
    def __init__(self, num_classes=1000, aux_logits=True, init_weights=False):
        super(GoogLeNet, self).__init__()
        self.aux_lo]]></description><category></category></item></channel></rss>