<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[aabb7654321的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/aabb7654321</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; aabb7654321]]></copyright><item><title><![CDATA[跳出内循环，继续下一次外循环的写法]]></title><link>https://blog.youkuaiyun.com/aabb7654321/article/details/101534141</link><guid>https://blog.youkuaiyun.com/aabb7654321/article/details/101534141</guid><author>aabb7654321</author><pubDate>Wed, 18 Sep 2019 19:56:00 +0800</pubDate><description><![CDATA[跳出内循环，继续外循环:
def work():                                  #定义函数
    for i in range(5):    
        for j in range(5):
            for k in range(5):
               if k=3:
                  break...]]></description><category></category></item><item><title><![CDATA[ImportError: cannot import name 'BaseDataset' from 'src.dataset']]></title><link>https://blog.youkuaiyun.com/aabb7654321/article/details/101534137</link><guid>https://blog.youkuaiyun.com/aabb7654321/article/details/101534137</guid><author>aabb7654321</author><pubDate>Thu, 12 Sep 2019 17:10:00 +0800</pubDate><description><![CDATA[因为我进行了相互调用，我在父类中调用了子类。
from src.dataset import BaseDataset
class PSINSDataset(BaseDataset):

from src.main import PSINSDataset
class BaseDataset(Dataset):


转载于:https://www.cnblogs.com/xym4869/p/...]]></description><category></category></item><item><title><![CDATA[神经网络中的反向传播法]]></title><link>https://blog.youkuaiyun.com/aabb7654321/article/details/101534139</link><guid>https://blog.youkuaiyun.com/aabb7654321/article/details/101534139</guid><author>aabb7654321</author><pubDate>Wed, 28 Aug 2019 12:22:00 +0800</pubDate><description><![CDATA[直观理解反向传播法




















反向传播算法其实就是链式求导法则的应用。按照机器学习的通用套路，我们先确定神经网络的目标函数，然后用随机梯度下降优化算法去求目标函数最小值时的参数值。
反向传播算法
损失函数与正则化项
假设我们有一个固定样本集\(\{(x^{(1)},y^{(1)}),···,(x^{(m)},y^{(m)})\}\)它包含m个样本。我们可以用...]]></description><category></category></item><item><title><![CDATA[Pytorch中ndarray tensor list互转]]></title><link>https://blog.youkuaiyun.com/aabb7654321/article/details/101534133</link><guid>https://blog.youkuaiyun.com/aabb7654321/article/details/101534133</guid><author>aabb7654321</author><pubDate>Tue, 27 Aug 2019 11:14:00 +0800</pubDate><description><![CDATA[1.ndarray-&gt;tensor :
b=torch.from_numpy(a)
2.tensor-&gt;ndarray:
b=a.numpy()

'''
但这么写会报错……
RuntimeError: Can't call numpy() on Variable that requires grad. Use var.detach().numpy() instead.
''...]]></description><category></category></item><item><title><![CDATA[Python运行语法错误：IndentationError: unindent does not match any outer indentation level]]></title><link>https://blog.youkuaiyun.com/aabb7654321/article/details/101533794</link><guid>https://blog.youkuaiyun.com/aabb7654321/article/details/101533794</guid><author>aabb7654321</author><pubDate>Fri, 16 Aug 2019 10:32:00 +0800</pubDate><description><![CDATA[python脚本没有对齐。新的Python语法，是不支持的代码对齐中，混用TAB和空格的。


转载于:https://www.cnblogs.com/xym4869/p/11362355.html]]></description><category></category></item><item><title><![CDATA[module 'torch' has no attribute 'gesv']]></title><link>https://blog.youkuaiyun.com/aabb7654321/article/details/101534134</link><guid>https://blog.youkuaiyun.com/aabb7654321/article/details/101534134</guid><author>aabb7654321</author><pubDate>Thu, 15 Aug 2019 20:00:00 +0800</pubDate><description><![CDATA[新版torch不支持gesv，使用solve函数。
Kt, _ = torch.gesv(P.mm(H.t()).t(), S)
改成
Kt, _ = torch.solve(P.mm(H.t()).t(), S)


转载于:https://www.cnblogs.com/xym4869/p/11360206.html]]></description><category></category></item><item><title><![CDATA[极大似然估计]]></title><link>https://blog.youkuaiyun.com/aabb7654321/article/details/101534131</link><guid>https://blog.youkuaiyun.com/aabb7654321/article/details/101534131</guid><author>aabb7654321</author><pubDate>Wed, 14 Aug 2019 18:50:00 +0800</pubDate><description><![CDATA[原文链接：https://blog.youkuaiyun.com/zengxiantao1994/article/details/72787849
贝叶斯决策
贝叶斯分类
贝叶斯公式：\[p(w|x)=\frac{p(x|w)p(w)}{p(x)}\]
其中：p(w)：为先验概率，表示每种类别分布的概率；\(p(x|w)\)为类条件概率，表示在某种类别前提下，某事发生的概率；\(p(w|x)\)为后...]]></description><category></category></item><item><title><![CDATA[Gaussian Processes]]></title><link>https://blog.youkuaiyun.com/aabb7654321/article/details/101534130</link><guid>https://blog.youkuaiyun.com/aabb7654321/article/details/101534130</guid><author>aabb7654321</author><pubDate>Tue, 13 Aug 2019 09:57:00 +0800</pubDate><description><![CDATA[原文地址：https://borgwang.github.io/ml/2019/07/28/gaussian-processes.html
一元高斯分布
概率密度函数：\[p(x) = \frac{1}{\sigma\sqrt{2\pi}}\mathrm{exp}(-\frac{(x-\mu)^2}{2\sigma^2}) \tag{1}\]
其中\(\mu\)和\(\sigma\)分别...]]></description><category></category></item><item><title><![CDATA[保存tensor至本地文件]]></title><link>https://blog.youkuaiyun.com/aabb7654321/article/details/101534129</link><guid>https://blog.youkuaiyun.com/aabb7654321/article/details/101534129</guid><author>aabb7654321</author><pubDate>Mon, 12 Aug 2019 10:57:00 +0800</pubDate><description><![CDATA[path_temp = '../m39_data/temp3'  #文件目录
file_name = os.path.join(path_temp, "setQ.txt")
Q = np.array(iekf.Q.detach().numpy())  # tensor转换成array
np.savetxt(file_name, Q)


转载于:https://www.cnblogs.c...]]></description><category></category></item><item><title><![CDATA[Jensen不等式]]></title><link>https://blog.youkuaiyun.com/aabb7654321/article/details/101533793</link><guid>https://blog.youkuaiyun.com/aabb7654321/article/details/101533793</guid><author>aabb7654321</author><pubDate>Sat, 10 Aug 2019 17:11:00 +0800</pubDate><description><![CDATA[转载自：碎片化学习之数学（一）：Jensen不等式

定义：对于一个凸函数\(f\)，都有函数值的期望大于等于期望的函数值：\[E[f(x)]\geq f(E[x])\]上式当中\(x\)是一个随机变量，它可以是离散的或者连续的，假设\(x~p(x)\) 。
回顾一下凸函数的定义：对于任意的值\(x_1,x_2\)，且对任意的\(0\leq t \leq 1\)，都有：\[tf(x_1)...]]></description><category></category></item><item><title><![CDATA[超算使用说明]]></title><link>https://blog.youkuaiyun.com/aabb7654321/article/details/101534128</link><guid>https://blog.youkuaiyun.com/aabb7654321/article/details/101534128</guid><author>aabb7654321</author><pubDate>Sat, 10 Aug 2019 11:23:00 +0800</pubDate><description><![CDATA[1.打开putty，输入连接账号和密码，点击save保存以后都可以直接使用。

2.进入要上传的文件夹的上一层，使用git将项目上传上去：
scp -r XXX(项目名/文件夹名) username@ip:超算目录   //上传文件夹
scp XXX(文件名) username@ip:超算目录  //上传文件

3.putty进入超算项目中存在main函数的目录
如果前台运行，命令是
p...]]></description><category></category></item><item><title><![CDATA[神经网络基础]]></title><link>https://blog.youkuaiyun.com/aabb7654321/article/details/101534126</link><guid>https://blog.youkuaiyun.com/aabb7654321/article/details/101534126</guid><author>aabb7654321</author><pubDate>Wed, 07 Aug 2019 17:20:00 +0800</pubDate><description><![CDATA[转载自：神经网络基础,深度学习系列（1）：神经网络与反向传播算法
神经元模型
1943年，McCulloch和Pitts将上图的神经元结构用一种简单的模型进行了表示，构成了一种人工神经元模型，也就是我们现在经常用到的“M-P神经元模型”，如下图所示：

从上图M-P神经元模型可以看出，神经元的输出：\[y=f(\sum_{i=1}^nw_ix_i-\theta)\]
其中\(\theta...]]></description><category></category></item><item><title><![CDATA[梯度下降法的三种形式BGD、SGD以及MBGD]]></title><link>https://blog.youkuaiyun.com/aabb7654321/article/details/101534124</link><guid>https://blog.youkuaiyun.com/aabb7654321/article/details/101534124</guid><author>aabb7654321</author><pubDate>Tue, 06 Aug 2019 17:36:00 +0800</pubDate><description><![CDATA[转载自：梯度下降法的三种形式BGD、SGD以及MBGD
在应用机器学习算法时，我们通常采用梯度下降法来对采用的算法进行训练。其实，常用的梯度下降法还具体包含有三种不同的形式，它们也各自有着不同的优缺点。
下面我们以线性回归算法来对三种梯度下降法进行比较。
Basic
一般线性回归函数的假设函数为：\[h_\theta = \sum_{j=0}^n\theta_jx_j\]
对应的能量函数...]]></description><category></category></item><item><title><![CDATA[一元线性回归与代价函数（损失函数）]]></title><link>https://blog.youkuaiyun.com/aabb7654321/article/details/101534122</link><guid>https://blog.youkuaiyun.com/aabb7654321/article/details/101534122</guid><author>aabb7654321</author><pubDate>Tue, 06 Aug 2019 15:54:00 +0800</pubDate><description><![CDATA[转载自：线性回归与非线性回归：1.0一元线性回归与代价函数（损失函数）

回归分析：用来建立方程模拟两个或者多个变量之间如何关联
因变量：被预测的变量（结果/标签），输出
自变量：被用来进行预测的变量（特征），输入
一元线性回归：包含一个自变量与一个因变量，并且变量的关系用一条直线来模拟


一元线性回归
公式：\(h_\theta = \theta_0+\theta_1x\)
方程对应...]]></description><category></category></item><item><title><![CDATA[墨卡托投影]]></title><link>https://blog.youkuaiyun.com/aabb7654321/article/details/101534121</link><guid>https://blog.youkuaiyun.com/aabb7654321/article/details/101534121</guid><author>aabb7654321</author><pubDate>Mon, 05 Aug 2019 14:49:00 +0800</pubDate><description><![CDATA[转载自：墨卡托投影实现，墨卡托投影，WGS84坐标与web墨卡托投影坐标转换
1.墨卡托投影：
又称正轴等角圆柱投影，由荷兰地图学家墨卡托(G.Mercator)于1569年创拟。假设地球被套在一个圆柱中，赤道与圆柱相切，然后在地球中心放一盏灯，把球面上的图形投影到圆柱体上，再把圆柱体展开，就形成以一幅墨卡托投影的世界地图（如下图）。因其等角特性，广泛应用与航空、航海中。

公式参数：
...]]></description><category></category></item><item><title><![CDATA[pytorch中tensor数据和numpy数据转换中注意的一个问题]]></title><link>https://blog.youkuaiyun.com/aabb7654321/article/details/101534119</link><guid>https://blog.youkuaiyun.com/aabb7654321/article/details/101534119</guid><author>aabb7654321</author><pubDate>Mon, 05 Aug 2019 11:48:00 +0800</pubDate><description><![CDATA[转载自：(pytorch中tensor数据和numpy数据转换中注意的一个问题)[https://blog.youkuaiyun.com/nihate/article/details/82791277]
在pytorch中，把numpy.array数据转换到张量tensor数据的常用函数是torch.from_numpy(array)或者torch.Tensor(array)，第一种函数更常用。下面...]]></description><category></category></item><item><title><![CDATA[利用python做矩阵的简单运算（行列式、特征值、特征向量等的求解）]]></title><link>https://blog.youkuaiyun.com/aabb7654321/article/details/101534117</link><guid>https://blog.youkuaiyun.com/aabb7654321/article/details/101534117</guid><author>aabb7654321</author><pubDate>Mon, 05 Aug 2019 11:18:00 +0800</pubDate><description><![CDATA[import numpy as np
lis = np.mat([[1,2,3],[3,4,5],[4,5,6]])
print(np.linalg.inv(lis))  # 求矩阵的逆矩阵
[[-1.2009599e+16  3.6028797e+16 -2.4019198e+16]
 [ 2.4019198e+16 -7.2057594e+16  4.8038396e+16]
 [-...]]></description><category></category></item><item><title><![CDATA[numpy.linalg.svd函数]]></title><link>https://blog.youkuaiyun.com/aabb7654321/article/details/101534118</link><guid>https://blog.youkuaiyun.com/aabb7654321/article/details/101534118</guid><author>aabb7654321</author><pubDate>Mon, 05 Aug 2019 10:59:00 +0800</pubDate><description><![CDATA[转载自：python之SVD函数介绍
函数：np.linalg.svd(a,full_matrices=1,compute_uv=1)
参数：

a是一个形如\((M,N)\)的矩阵
full_matrices的取值为0或者1，默认值为1，这时u的大小为\((M,M)\)，v的大小为\((N,N)\) 。否则u的大小为\((M,K)\)，v的大小为\((K,N)\) ，\(K=min(M...]]></description><category></category></item><item><title><![CDATA[梯度裁剪（Clipping Gradient）：torch.nn.utils.clip_grad_norm]]></title><link>https://blog.youkuaiyun.com/aabb7654321/article/details/101534115</link><guid>https://blog.youkuaiyun.com/aabb7654321/article/details/101534115</guid><author>aabb7654321</author><pubDate>Sat, 03 Aug 2019 16:23:00 +0800</pubDate><description><![CDATA[torch.nn.utils.clip_grad_norm_(parameters, max_norm, norm_type=2)

1.（引用：【深度学习】RNN中梯度消失的解决方案（LSTM））
梯度裁剪原理：既然在BP过程中会产生梯度消失（就是偏导无限接近0，导致长时记忆无法更新），那么最简单粗暴的方法，设定阈值，当梯度小于阈值时，更新的梯度为阈值，如下图所示：

...]]></description><category></category></item><item><title><![CDATA[tf.matmul()报错expected scalar type Float but found Double]]></title><link>https://blog.youkuaiyun.com/aabb7654321/article/details/101534116</link><guid>https://blog.youkuaiyun.com/aabb7654321/article/details/101534116</guid><author>aabb7654321</author><pubDate>Sat, 03 Aug 2019 11:31:00 +0800</pubDate><description><![CDATA[tf.matmul(a,b)将矩阵a乘以矩阵b，生成a * b，这里的a,b要有相同的数据类型，否则会因为数据类型不匹配而出错。
如果出错，请看是前后分别是什么类型的，然后把数据类型进行转换。

转载于:https://www.cnblogs.com/xym4869/p/11294268.html...]]></description><category></category></item></channel></rss>