<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_2992427261]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/a1_s2_c3_</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; a1_s2_c3_]]></copyright><item><title><![CDATA[修改PyTorch预训练模型默认下载位置）]]></title><link>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/120684837</link><guid>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/120684837</guid><author>a1_s2_c3_</author><pubDate>Sun, 10 Oct 2021 12:43:13 +0800</pubDate><description><![CDATA[说明
使用torchvision.model加载预训练好的模型时，发现默认下载路径在系统盘下面的用户目录下（这个你执行的时候就会发现），即模型下载的默认路径

C:\用户名.cache\torch.checkpoints下，

修改方法

发现pytorch的默认下载路径是由load_state_dict_from_url函数进行控制，那么就好办了，只需要找到这个函数进行修改即可
由于我是下载vgg16，所以我先找到vgg.py源码，位于python路径
torchvision/models/vgg.py(]]></description><category></category></item><item><title><![CDATA[极大似然估计]]></title><link>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/119062335</link><guid>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/119062335</guid><author>a1_s2_c3_</author><pubDate>Sat, 24 Jul 2021 18:44:57 +0800</pubDate><description><![CDATA[极大似然估计
&nbsp; &nbsp; &nbsp; &nbsp; 以前多次接触过极大似然估计，但一直都不太明白到底什么原理，最近在看贝叶斯分类，对极大似然估计有了新的认识，总结如下：

贝叶斯决策
&nbsp; &nbsp; &nbsp; &nbsp; 首先来看贝叶斯分类，我们都知道经典的贝叶斯公式：


&nbsp; &nbsp; &nbsp; &nbsp; 其中：p(w)：为先验概率，表示每种类别分布的概率...]]></description><category></category></item><item><title><![CDATA[单独设置一页或者多页的页眉或者页脚]]></title><link>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/117112405</link><guid>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/117112405</guid><author>a1_s2_c3_</author><pubDate>Fri, 21 May 2021 11:03:00 +0800</pubDate><description><![CDATA[首先介绍一下分隔符里面的分节符，分节符里面有下一页和连续，分节符是用来分节的，每一节中可以有多页，自己设置，
连续：插入分节符并在同一页上开始新节。
下一页：插入分节符并在下一页上开始新界。

分节符和分页符一般都是看不见的，当我们编辑分节时，可以打开如下开关，就可以看到分节符了。

要单独设置这一节与上一节的页眉或者页码不同时，就是用分节分开，单独设置，同时要取消与上一节相同链接，
当点击页眉或者页脚时候，就会出现一个设计，取消链接到前一节，
然后就可以单独设置这一节的页眉或者页码了。


...]]></description><category></category></item><item><title><![CDATA[封面，多行字数不同，下划线对齐]]></title><link>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/117027236</link><guid>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/117027236</guid><author>a1_s2_c3_</author><pubDate>Wed, 19 May 2021 14:12:24 +0800</pubDate><description><![CDATA[像这样的如何快速对齐。

首先按住ctl选中图中的文字，然后选择分散对齐，

而下划线可以使用标尺来使其对齐


]]></description><category></category></item><item><title><![CDATA[高斯滤波]]></title><link>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/115918316</link><guid>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/115918316</guid><author>a1_s2_c3_</author><pubDate>Tue, 20 Apr 2021 20:36:19 +0800</pubDate><description><![CDATA[高斯滤波
1.图像为什么要滤波？
答：消除图像在数字化过程中产生或者混入的噪声。
2.滤波器如何理解？
答：滤波器就是一个卷积核。
高斯噪声
就是它的概率密度函数服从高斯分布（即正态分布）的一类噪声。
在这里插入图片描述
高斯函数

高斯滤波的两个重要的步骤就是先找到高斯模板然后在进行卷积
高斯核
举个例子：假设中心点的坐标为（0,0），那么取距离它最近的8个坐标点，假设∂=1.5，

这个时候还要确保这9个数和为1，这9个点的总权重为0.1787147，因此上面9个值每一个值除以0.4787147
得到最]]></description><category></category></item><item><title><![CDATA[isolation forest]]></title><link>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/115312577</link><guid>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/115312577</guid><author>a1_s2_c3_</author><pubDate>Mon, 29 Mar 2021 21:53:50 +0800</pubDate><description><![CDATA[isolation forest 孤立森林
一种适用于 连续数据 的 无监督 异常检测方法。
提到森林，自然少不了树，毕竟森林是由树构建的，isolation Tree（简称ITree），
iTree是一种随机二叉树，每一个结点要么有两个子节点，要么就是叶子结点，
给定一堆数据集D，这里D的所有属性都是连续型的变量，
ITree的构成过程：
1随机选择一个属性Attr
2随机选择该属性的一个值Value
3根据Attr对每一条记录进行分类，把Attr小于Value的记录放在左子节点，大于的放在右子节点
4然]]></description><category></category></item><item><title><![CDATA[Embedding]]></title><link>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/115147150</link><guid>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/115147150</guid><author>a1_s2_c3_</author><pubDate>Tue, 23 Mar 2021 22:04:12 +0800</pubDate><description><![CDATA[Embedding
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-lDHmNyFr-1616508270015)(file:///C:/Users/ADMINI~1/AppData/Local/Temp/msohtmlclip1/01/clip_image001.png)]
embedding的本质就是用一个较低维度的向量来代替较高纬度的原始特征
Word2vec 之 Skip-Gram 模型，下面只进行简单描述

上图的流程就是把文章的单词使用词向量来表示
（1）提取文章中]]></description><category></category></item><item><title><![CDATA[keras导入cifar数据集过慢的方式]]></title><link>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/114642240</link><guid>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/114642240</guid><author>a1_s2_c3_</author><pubDate>Wed, 10 Mar 2021 18:07:33 +0800</pubDate><description><![CDATA[解决办法是直接下载：http://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz
直接使用迅雷下载
下载下来的文件放到C:\Users\Administrator.keras/.keras/datasets/ 目录下，然后将文件名改名为cifar-10-batches-py.tar.gz
(x_train, y_train), (x_test, y_test) = cifar10.load_data()
跳过下载的过程，直接加载了

...]]></description><category></category></item><item><title><![CDATA[Anaconda完全入门指南]]></title><link>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/114392359</link><guid>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/114392359</guid><author>a1_s2_c3_</author><pubDate>Fri, 05 Mar 2021 13:29:24 +0800</pubDate><description><![CDATA[Anaconda 使用指南
参考文章:

致Python初学者：Anaconda入门使用指南
概述
很多学习python的初学者甚至学了有一段时间的人接触到anaconda或者其他虚拟环境工具时觉得无从下手, 其主要原因就是不明白这些工具究竟有什么用, 是用来做什么的, 为什么要这么做, 比如笔者一开始也是不明白为啥除了python之外我还需要这么一个东西, 他和python到底有啥联系和区别, 为啥能用来管理python.
在使用过之后我才逐渐发现其实anaconda等环境管理工具究竟在做啥, 以及为什么]]></description><category></category></item><item><title><![CDATA[TensorFlow2安装教程]]></title><link>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/114389207</link><guid>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/114389207</guid><author>a1_s2_c3_</author><pubDate>Fri, 05 Mar 2021 12:02:08 +0800</pubDate><description><![CDATA[TensorFlow2安装教程
 1 前言1.1 版本记录1.2 工具简介
  2 详细步骤及安装语句2.1 安装Anaconda2.2 TensoFlow安装2.3 验证是否成功2.4 PyCharm下载与安装2.5 PyCharm环境配置2.5.1 不唐初尝试
  
 

...]]></description><category></category></item><item><title><![CDATA[A Beginner‘s Guide To Understanding Convolutional Neural Networks Part 2]]></title><link>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/113476263</link><guid>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/113476263</guid><author>a1_s2_c3_</author><pubDate>Sun, 31 Jan 2021 15:15:44 +0800</pubDate><description><![CDATA[原文网址：http://blog.youkuaiyun.com/darkprince120/article/details/52996004  Introduction  
 &nbsp; &nbsp; &nbsp; &nbsp; 本文将会更加详细地介绍卷积网络。声明：现在我意识到有些内容相当复杂，甚至需要用一整篇文章才能解释清楚。为了内容详尽的同时尽量保证文章精简，我会将有关内容的参考文献链接到本文中。 
   Stri...]]></description><category></category></item><item><title><![CDATA[A Beginner‘s Guide To Understanding Convolutional Neural Networks（part 1）]]></title><link>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/113476021</link><guid>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/113476021</guid><author>a1_s2_c3_</author><pubDate>Sun, 31 Jan 2021 15:13:27 +0800</pubDate><description><![CDATA[原文网址：http://blog.youkuaiyun.com/darkprince120/article/details/52807029 
   
  
 Introduction 

  
 
 &nbsp; &nbsp; &nbsp; &nbsp; 卷积神经网络CNN，虽然它听起来就像是生物学、数学和计算机的奇怪混杂产物，但在近些年的机器视觉领域，它是最具影响力的创新结果。随着Alex Krizhevsky开始使用神...]]></description><category></category></item><item><title><![CDATA[优快云 写作小技巧—— 如何转载别人好的优快云博客]]></title><link>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/113475466</link><guid>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/113475466</guid><author>a1_s2_c3_</author><pubDate>Sun, 31 Jan 2021 15:07:04 +0800</pubDate><description><![CDATA[鼠标右击–检查–console—control + o 调出搜索栏—article_content

复制即可

]]></description><category></category></item><item><title><![CDATA[The 9 Deep Learning Papers You Need To Know About (Understanding CNNs Part 3）]]></title><link>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/113448292</link><guid>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/113448292</guid><author>a1_s2_c3_</author><pubDate>Sat, 30 Jan 2021 23:03:44 +0800</pubDate><description><![CDATA[英文博客：https://adeshpande3.github.io/adeshpande3.github.io/The-9-Deep-Learning-Papers-You-Need-To-Know-About.html 
   
 原文网址：http://blog.youkuaiyun.com/darkprince120/article/details/53024714 
   
  
 
  &nbsp;...]]></description><category></category></item><item><title><![CDATA[2019-2020 ICPC Asia Yinchuan Regional Contest【银川现场赛】]]></title><link>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/104429513</link><guid>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/104429513</guid><author>a1_s2_c3_</author><pubDate>Tue, 17 Mar 2020 21:39:21 +0800</pubDate><description><![CDATA[A. Girls Band Party
题目链接
Description
You are currently playing a game called “Garupa”. In an event of the game, you are trying to get more event points. You have nn cards, each with its own name, colo...]]></description><category></category></item><item><title><![CDATA[关于Arduino&SSD1306OLED（IIC）显示的学习]]></title><link>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/104931929</link><guid>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/104931929</guid><author>a1_s2_c3_</author><pubDate>Tue, 17 Mar 2020 21:38:12 +0800</pubDate><description><![CDATA[1、 前期准备

arduino UNO开发板
O...]]></description><category></category></item><item><title><![CDATA[合并回文子串]]></title><link>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/104315548</link><guid>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/104315548</guid><author>a1_s2_c3_</author><pubDate>Fri, 14 Feb 2020 17:26:55 +0800</pubDate><description><![CDATA[题目：
输入两个字符串A和B，合并成一个串C，属于A和B的字符在C中顺序保持不变。如"abc"和"xyz"可以被组合成"axbycz"或"abxcyz"等。
我们定义字符串的价值为其最长回文子串的长度（回文串表示从正反两边看完全一致的字符串，如"aba"和"xyyx"）。
需要求出所有可能的C中价值最大的字符串，输出这个最大价值即可
输入描述:
第一行一个整数T(T ≤ 50)。
接下来2T行，每...]]></description><category></category></item><item><title><![CDATA[数码]]></title><link>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/104267029</link><guid>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/104267029</guid><author>a1_s2_c3_</author><pubDate>Tue, 11 Feb 2020 18:03:15 +0800</pubDate><description><![CDATA[题目
给定两个整数l和r,对于任意x,满足l≤x≤r,把x所有约数写下来。
对于每个写下来的数，只保留最高位的那个数码。求[1,9]中每个数码出现的次数.
1≤l≤r≤10^9

解析：
如果正面去想每个数的约数，绝对超时，反过来如果a*b属于[l,r]，那么a,b是符合条件的约数，
首先考虑约数i会被统计r/i-（l-1）/i次，鉴于其形式相同，考虑怎么统计r/i
分块
1、当约数i&lt;sq...]]></description><category></category></item><item><title><![CDATA[差分约束]]></title><link>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/103256646</link><guid>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/103256646</guid><author>a1_s2_c3_</author><pubDate>Tue, 26 Nov 2019 15:12:53 +0800</pubDate><description><![CDATA[概念
如果一个系统由n个变量和m个约束条件组成，形成m个形如ai-aj≤k的不等式(i,j∈[1,n],k为常数),则称其为差分约束系统。
求a[i]-a[j] 最小值。

与最短路的联系
先给出结论：求解差分约束系统，都可以转化成图论的单源最短路径（或最长路径）问题。
我们观察上面例子中的不等式，都是x[i] - x[j] &lt;= a[k]，可以进行移项，成为x[i] &lt;= x[j] ...]]></description><category></category></item><item><title><![CDATA[第k短路]]></title><link>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/103255818</link><guid>https://blog.youkuaiyun.com/a1_s2_c3_/article/details/103255818</guid><author>a1_s2_c3_</author><pubDate>Tue, 26 Nov 2019 14:47:56 +0800</pubDate><description><![CDATA[A* （A-Star) 算法是一种静态路网中求解最短路径最有效的直接搜索方法，也是解决许多搜索问题的有效算法。算法中的距离估算值与实际值越接近，最终搜索速度越快。公式表示为： 
其中，f(n)  是从初始状态经由状态到目标状态的代价估计，
g(n) 是在状态空间中从初始状态到状态的实际代价，
h(n)  是从状态到目标状态的最佳路径的估计代价。
（对于路径搜索问题，状态就是图中的节点，代价就是距离...]]></description><category></category></item></channel></rss>