<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Spuer_Tiger]]></title><description><![CDATA[（づ￣3￣）づ╭❤～ 专注于挖掘C++、Python、人工智能、数学理论知识领域的养成系博主！与阿里云、腾讯云有合作，关注我，可享受福利折扣。]]></description><link>https://blog.youkuaiyun.com/acceptedday</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; acceptedday]]></copyright><item><title><![CDATA[活体检测技术哪家强？实测N种场景告诉你答案]]></title><link>https://blog.youkuaiyun.com/acceptedday/article/details/125166992</link><guid>https://blog.youkuaiyun.com/acceptedday/article/details/125166992</guid><author>acceptedday</author><pubDate>Tue, 07 Jun 2022 16:53:08 +0800</pubDate><description><![CDATA[活体检测是在一些身份验证场景确定对象真实生理特征的方法，在人脸识别应用中，活体检测能通过眨眼、张嘴、摇头、点头等组合动作（配合式），使用人脸关键点定位和人脸追踪等技术，验证用户是否为真实活体操作。目前活体检测的方式主要分为三种，分别是：配合式活体检测、静默式活体检测、双目活体检测。
因为，得有双目摄像头，而我们涉及身份验证的场景基本上都是在手机上验证，众所周知，手机的摄像头大多数是单目摄像头。除此之外，还有一个原因就是双目摄像头贵。然后 第一，安全且检测精度高；第二，操作简单，不需要过多的动作配合.....]]></description><category></category></item><item><title><![CDATA[医学影像：静息态fmri数据的预处理]]></title><link>https://blog.youkuaiyun.com/acceptedday/article/details/124551354</link><guid>https://blog.youkuaiyun.com/acceptedday/article/details/124551354</guid><author>acceptedday</author><pubDate>Tue, 03 May 2022 10:15:49 +0800</pubDate><description><![CDATA[本文主要详细介绍了静息态fmri数据的预处理，什么是静息态功能核磁共振，以及从理论部分到实践部分，深度地讲解记录其中的细节，内容中的截图源自于暑期天津医科大学的功能项脑影像培训班，本文仅供学习参考，如有侵权，联系后将立即删除。]]></description><category></category></item><item><title><![CDATA[以云服务器产品为例，深度分析比对华为云、阿里云、腾讯云]]></title><link>https://blog.youkuaiyun.com/acceptedday/article/details/123405263</link><guid>https://blog.youkuaiyun.com/acceptedday/article/details/123405263</guid><author>acceptedday</author><pubDate>Fri, 11 Mar 2022 10:00:00 +0800</pubDate><description><![CDATA[市场背景
数据显示，在经济运行缓中趋稳和各项惠企纾困政策效应等因素共同作用下，2021年11月中小企业发展指数结束连续7个月的下跌态势，回升至86.3，比上月上升0.2点，在2021年三季度以来经济下行的大背景下，这个积极的趋势显得格外突出。 但在第四季度中，中小企业迎来一波迅速回升，并且增长势头很可能延续至2022年。 （源自中国中小企业协会的相关研究报告）
工信部也将在“十四五”时期实施“中小企业数字化促进工程”，到2022年底，组织100家以上工业互联网平台和数字化转型服务商为10万家以上中小企业提供]]></description><category></category></item><item><title><![CDATA[Datawhale开源学习：Linux系统基本操作的详细记录]]></title><link>https://blog.youkuaiyun.com/acceptedday/article/details/122008496</link><guid>https://blog.youkuaiyun.com/acceptedday/article/details/122008496</guid><author>acceptedday</author><pubDate>Sat, 18 Dec 2021 09:30:33 +0800</pubDate><description><![CDATA[文章目录1.使用命令行登录指定的Linux环境2.在目录下创建文件夹、删除文件夹3.在目录下下载文件、阅读文件、传输文件4.在目录下使用vi或vim编辑文件5.在目录下创建py文件，并运行6.在目录下创建py目录，并使用import导入(有坑)7.在Linux系统中后台运行应用程序，并打印日志
1.使用命令行登录指定的Linux环境
ssh工具有很多，我们当然选择免费又美观的一款啦，https://blog.youkuaiyun.com/puss0/article/details/103390947，可参考这篇博客，这]]></description><category></category></item><item><title><![CDATA[1024，鸽了1024篇博文的我。。。]]></title><link>https://blog.youkuaiyun.com/acceptedday/article/details/120926716</link><guid>https://blog.youkuaiyun.com/acceptedday/article/details/120926716</guid><author>acceptedday</author><pubDate>Sat, 23 Oct 2021 21:41:19 +0800</pubDate><description><![CDATA[1024，鸽了1024篇博文的我。。。
最近，硕士研究生刚开学，鉴于小菜鸡的我刚开始我的“填坑”之路，很忙，对，真的！！！

我在忙什么？
忙于脑网络的学习，还有神经网络架构方面的研究摸索。。。那么本文会很干嘛？不，没有，莫得时间写“硬干”文，所以这篇博客给大家分享一些我收藏的不错的网站。




不想听菜鸡废话的→
直接截图↓




超分辨率、原创、二次元、三次元壁纸网站
https://wallhaven.cc/latest?page=2


超分辨率、高速稳定的电影&amp;追剧网站
https:/]]></description><category></category></item><item><title><![CDATA[❤️数据科学-Pandas、Numpy、Matplotlib秘籍之精炼总结]]></title><link>https://blog.youkuaiyun.com/acceptedday/article/details/120150373</link><guid>https://blog.youkuaiyun.com/acceptedday/article/details/120150373</guid><author>acceptedday</author><pubDate>Tue, 07 Sep 2021 10:13:46 +0800</pubDate><description><![CDATA[最近，很多小伙伴在后台私信我，咨询有没有数据处理及可视化的相关系统教程？我的回复是，这些库只是工具，无需花费很长的时间牢记这些命令的使用，学习一遍之后整理好笔记即可，遗忘之时再查找这些笔记使用即可。
本文是博主本人结合自己的使用经验以及各大博主的分享精炼汇总而成，耗时进半个月的时候，翻阅博客和参考资料无数，最后精选了最实用、常用、好用的“Pandas、Numpy、Matplotlib”三大神兵利器的方法使用攻略。]]></description><category></category></item><item><title><![CDATA[❤️解决非线性回归问题的机器学习方法总结：多项式线性模型、广义线性(GAM)模型、回归树模型、支持向量回归(SVR)模型]]></title><link>https://blog.youkuaiyun.com/acceptedday/article/details/119861663</link><guid>https://blog.youkuaiyun.com/acceptedday/article/details/119861663</guid><author>acceptedday</author><pubDate>Mon, 23 Aug 2021 09:08:21 +0800</pubDate><description><![CDATA[本文主要总结了解决非线性回归问题的机器学习方法，其中包括多项式线性模型、广义线性(GAM)模型、回归树模型、支持向量回归(SVR)模型，每个模型的方法都有其特点。

多项式线性模型和GAM模型侧重于经验风险误差最小化，容易过拟合；回归树模型和SVR模型侧重于结构风险最小化，对异常值数据更不敏感，回归树模型可通过剪枝和压缩的方式去降低过拟合的风险，SVR模型具有较好的区间内鲁棒能力。]]></description><category></category></item><item><title><![CDATA[模糊c–均值聚类算法的原理解释及推导]]></title><link>https://blog.youkuaiyun.com/acceptedday/article/details/119834926</link><guid>https://blog.youkuaiyun.com/acceptedday/article/details/119834926</guid><author>acceptedday</author><pubDate>Sat, 21 Aug 2021 08:57:10 +0800</pubDate><description><![CDATA[模糊????–均值聚类算法的原理推导及解释
前置知识：????–均值聚类的缺陷

算法要求每个样本数据点在一次迭代过程中只能被划分到某个特定的簇中。
样本数据并非都满足这种非此即彼的刚性划分。

在k-均值聚类存在缺陷的情况下，我们提出了模糊c-均值聚类算法。
核心部分：模糊????–均值聚类
基本思想：

使用模糊数学中属于[0,1]区间的隶属度指的是度量单个样本隶属于各个簇的程度。
规定每个样本到所有簇的隶属度之和均为1，若某个样本到某个簇的隶属度为1，则表示该样本完全隶属于该簇。

原理推导：


如]]></description><category></category></item><item><title><![CDATA[BP算法的原理解释和推导]]></title><link>https://blog.youkuaiyun.com/acceptedday/article/details/119761961</link><guid>https://blog.youkuaiyun.com/acceptedday/article/details/119761961</guid><author>acceptedday</author><pubDate>Tue, 17 Aug 2021 17:44:38 +0800</pubDate><description><![CDATA[BP算法的原理解释和推导
已知的神经网络结构：

且已知的条件：

a(j)=f(z(j))\mathbf{a}^{\left( \mathbf{j} \right)}=\mathbf{f}\left( \mathbf{z}^{\left( \mathbf{j} \right)} \right)a(j)=f(z(j))
z(j)=W(j)a(j−1)+b(j)，而θ(j)={W(j),b(j)}\mathbf{z}^{\left( \mathbf{j} \right)}=\mathbf{W}^{\left(]]></description><category></category></item><item><title><![CDATA[❤️【独家】挑战全网最通俗易懂的神经网络的表达能力解释]]></title><link>https://blog.youkuaiyun.com/acceptedday/article/details/119724914</link><guid>https://blog.youkuaiyun.com/acceptedday/article/details/119724914</guid><author>acceptedday</author><pubDate>Mon, 16 Aug 2021 08:49:18 +0800</pubDate><description><![CDATA[❤️【独家】挑战全网最通俗易懂的神经网络的表达能力解释
如上图所示，是初学者对于神经网络非线性表达能力最直观的印象图，在w=1的情况下，我们通过改变偏置项b能够改变输出函数y=0.5的分界位置。改变权重参数w，即改变输出函数y的坡度（“平缓”/“陡峭”）；改变偏置项b，即改变输出函数y=0.5的分界位置。当我们的网络结构足够复杂的时候，我们的函数图像将会迎来它的表达能力的“巅峰”]]></description><category></category></item><item><title><![CDATA[Adaboost算法的原理推导及解释]]></title><link>https://blog.youkuaiyun.com/acceptedday/article/details/119610534</link><guid>https://blog.youkuaiyun.com/acceptedday/article/details/119610534</guid><author>acceptedday</author><pubDate>Wed, 11 Aug 2021 16:47:51 +0800</pubDate><description><![CDATA[AdaBoost是一种具有自适应性质的Boosting集成学习算法，自适应性主要表现在自动提升被错误预测样本的权重，自动减少被正确预测样本的权重，使得弱学习器训练过程能够根据模型预测性能自动进行调整。]]></description><category></category></item><item><title><![CDATA[EM算法的原理推导及解释]]></title><link>https://blog.youkuaiyun.com/acceptedday/article/details/119356482</link><guid>https://blog.youkuaiyun.com/acceptedday/article/details/119356482</guid><author>acceptedday</author><pubDate>Tue, 03 Aug 2021 18:50:45 +0800</pubDate><description><![CDATA[本质上，EM算法针对于存在明显可疑的隐藏变量z，该变量影响着直观的样本数据的分布情况（即：方差、均值等），但是我们又无法得知和计算出准确的隐藏变量z。
于是，我们采用迭代的方式，设定已知模型的参数初值，然后结合已有的样本信息将隐藏变量z的期望以累计的形式进行表示出，然后进一步对当前的参数偏导求解更新新一轮的参数。]]></description><category></category></item><item><title><![CDATA[支持向量机(SVM)的原理推导及解释]]></title><link>https://blog.youkuaiyun.com/acceptedday/article/details/119293435</link><guid>https://blog.youkuaiyun.com/acceptedday/article/details/119293435</guid><author>acceptedday</author><pubDate>Sun, 01 Aug 2021 09:35:30 +0800</pubDate><description><![CDATA[文章目录支持向量机(SVM)的原理推导及解释1.线性可分支持向量机(linear support vector machine in linearly separable case)2.线性支持向量机(linear support vector machine)3.非线性支持向量机(non-linear support vector machine)
支持向量机(SVM)的原理推导及解释
支持向量机的本质：选出最优的分类超平面（标准：离超平面最近距离的样本点最远的超平面）。
假定超平面方程WTx+b=0\m]]></description><category></category></item><item><title><![CDATA[python：水果与设计模式-适配器模式]]></title><link>https://blog.youkuaiyun.com/acceptedday/article/details/118714579</link><guid>https://blog.youkuaiyun.com/acceptedday/article/details/118714579</guid><author>acceptedday</author><pubDate>Wed, 14 Jul 2021 00:21:17 +0800</pubDate><description><![CDATA[适配器模式（Adapter Pattern）：属于结构型模式，它 结合了两个独立接口的功能，作为两个不兼容的接口之间的桥梁 。这种模式涉及到一个单一的类，该类负责加入独立的或不兼容的接口功能。
例如，读卡器是作为内存卡和笔记本之间的适配器。您将内存卡插入读卡器，再将读卡器插入笔记本，这样就可以通过笔记本来读取内存卡。
意图： 将一个类的接口转换成客户希望的另外一个接口。适配器模式使得原本由于接口不兼容而不能一起工作的那些类可以一起工作。
主要解决： 主要解决在软件系统中，常常要将一些"现存的对象"放到新的环]]></description><category></category></item><item><title><![CDATA[❤ 挑战C站最强C++ STL标准库总结（内含大量示例）]]></title><link>https://blog.youkuaiyun.com/acceptedday/article/details/118529280</link><guid>https://blog.youkuaiyun.com/acceptedday/article/details/118529280</guid><author>acceptedday</author><pubDate>Tue, 06 Jul 2021 21:24:24 +0800</pubDate><description><![CDATA[前言
最近博主为了准备七月份的百度之星的算法比赛，把C++ STL的相关语法又重新学习了一遍，然后整理成此文，本文内含string、vector、deque、stack、queue、list、set、map共9种容器的概念及常用操作语法，以及对STL的遍历、查找、排序、替换、算术生成等常用算法的用法和示例，供读者阅读收藏，学习参考。

给大家推荐博主本人学习过的一个c++ STL质量极高的课程链接：C++进阶之STL ，很适合0基础想快速入门C++ STL的朋友，关于想进阶的朋友，可以去看候捷老师的C++S]]></description><category></category></item><item><title><![CDATA[python：水果与设计模式-原型模式]]></title><link>https://blog.youkuaiyun.com/acceptedday/article/details/118357136</link><guid>https://blog.youkuaiyun.com/acceptedday/article/details/118357136</guid><author>acceptedday</author><pubDate>Wed, 30 Jun 2021 11:15:48 +0800</pubDate><description><![CDATA[原型模式（Prototype Pattern）：属于创建型模式，它提供了一种创建对象的最佳方式。这种模式实现了一个原型接口，该接口用于创建当前对象的克隆。当直接创建对象的代价比较大时，则采用这种模式。
例如，一个对象需要在一个高代价的数据库操作之后被创建。我们可以缓存该对象，在下一个请求时返回它的克隆，在需要的时候更新数据库，以此来减少数据库调用。
意图： 用原型实例指定创建对象的种类，并且通过拷贝这些原型创建新的对象。
主要解决： 在运行期建立和删除原型。
何时使用：  1、当一个系统应该独立于它的产品创]]></description><category></category></item><item><title><![CDATA[python：水果与设计模式-建造者模式]]></title><link>https://blog.youkuaiyun.com/acceptedday/article/details/118155600</link><guid>https://blog.youkuaiyun.com/acceptedday/article/details/118155600</guid><author>acceptedday</author><pubDate>Wed, 23 Jun 2021 16:13:13 +0800</pubDate><description><![CDATA[建造者模式（Builder Pattern） ：属于创建型模式，它提供了一种创建对象的最佳方式。这种模式  使用多个简单的对象一步一步构建成一个复杂的对象，一个 Builder 类会一步一步构造最终的对象，且该 Builder类是独立于其他对象的。
意图： 将一个复杂的构建与其表示相分离，使得同样的构建过程可以创建不同的表示。
主要解决： 主要解决在软件系统中，有时候面临着"一个复杂对象"的创建工作，其通常由各个部分的子对象用一定的算法构成；由于需求的变化，这个复杂对象的各个部分经常面临着剧烈的变化，但是将]]></description><category></category></item><item><title><![CDATA[python：水果与设计模式-单例模式]]></title><link>https://blog.youkuaiyun.com/acceptedday/article/details/118001900</link><guid>https://blog.youkuaiyun.com/acceptedday/article/details/118001900</guid><author>acceptedday</author><pubDate>Thu, 17 Jun 2021 21:07:06 +0800</pubDate><description><![CDATA[单例模式（Singleton Pattern）：属于创建型模式，它提供了一种创建对象的最佳方式。这种模式涉及到一个单一的类，该类负责创建自己的对象，同时确保只有单个对象被创建。这个类提供了一种访问其唯一的对象的方式，可以直接访问，不需要实例化该类的对象。（注意：1、单例类只能有一个实例。2、单例类必须自己创建自己的唯一实例。3、单例类必须给所有其他对象提供这一实例。）
意图：  保证一个类仅有一个实例，并提供一个访问它的全局访问点。
主要解决： 一个全局使用的类频繁地创建与销毁。
何时使用： 当您想控制实例]]></description><category></category></item><item><title><![CDATA[python：水果与设计模式-抽象工厂模式]]></title><link>https://blog.youkuaiyun.com/acceptedday/article/details/117906413</link><guid>https://blog.youkuaiyun.com/acceptedday/article/details/117906413</guid><author>acceptedday</author><pubDate>Mon, 14 Jun 2021 16:08:26 +0800</pubDate><description><![CDATA[抽象工厂模式（Abstract Factory Pattern）：属于创建型模式，它提供了一种创建对象的最佳方式。在抽象工厂模式中，接口是负责创建一个相关对象的工厂，不需要显式指定它们的类，每个生成的工厂都能按照工厂模式提供对象。
意图：  提供一个创建一系列相关或相互依赖对象的接口，而无需指定它们具体的类。
主要解决： 主要解决接口选择的问题。
何时使用： 系统的产品有多于一个的产品族，而系统只消费其中某一族的产品。
如何解决： 在一个产品族里面，定义多个产品。
关键代码：  在一个工厂里聚合多个同类产品]]></description><category></category></item><item><title><![CDATA[Python：水果与设计模式-工厂模式]]></title><link>https://blog.youkuaiyun.com/acceptedday/article/details/117781683</link><guid>https://blog.youkuaiyun.com/acceptedday/article/details/117781683</guid><author>acceptedday</author><pubDate>Thu, 10 Jun 2021 15:43:58 +0800</pubDate><description><![CDATA[工厂模式（Factory Pattern）：属于创建型模式，它提供了一种创建对象的最佳方式。在工厂模式中，我们 在创建对象时不会对客户端暴露创建逻辑，并且是通过使用一个共同的接口来指向新创建的对象 。
意图： 定义一个创建对象的接口，让其子类自己决定实例化哪一个工厂类，工厂模式使其创建过程延迟到子类进行。
主要解决： 主要解决接口选择的问题。
何时使用： 我们明确地计划不同条件下创建不同实例时。
如何解决： 让其子类实现工厂接口。
关键代码： 创建过程在其子类执行。
应用实例：我想买一些水果（橘子、哈密瓜和]]></description><category></category></item></channel></rss>