<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Rome was not built in a day.]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/baoli8425</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; baoli8425]]></copyright><item><title><![CDATA[匈牙利算法学习笔记]]></title><link>https://blog.youkuaiyun.com/baoli8425/article/details/127980460</link><guid>https://blog.youkuaiyun.com/baoli8425/article/details/127980460</guid><author>baoli8425</author><pubDate>Mon, 20 Feb 2023 19:31:07 +0800</pubDate><description><![CDATA[二分图通常针对无向图问题。假设GVEG=(V,E)GVE是一个无向图，节点集合VVV可以分割为两个互不相交的子集，并且图中每条边依附的两个节点都分属于这两个互不相交的子集，两个子集内的节点不相邻。]]></description><category></category></item><item><title><![CDATA[Vision Transformer学习笔记]]></title><link>https://blog.youkuaiyun.com/baoli8425/article/details/125556601</link><guid>https://blog.youkuaiyun.com/baoli8425/article/details/125556601</guid><author>baoli8425</author><pubDate>Mon, 24 Oct 2022 13:17:13 +0800</pubDate><description><![CDATA[最初提出是针对NLP领域，并且在NLP领域大获成功。这篇论文也是受到其启发，尝试将应用到CV领域。]]></description><category></category></item><item><title><![CDATA[YOLOv5-v6.0学习笔记]]></title><link>https://blog.youkuaiyun.com/baoli8425/article/details/122154078</link><guid>https://blog.youkuaiyun.com/baoli8425/article/details/122154078</guid><author>baoli8425</author><pubDate>Wed, 08 Jun 2022 12:59:55 +0800</pubDate><description><![CDATA[YOLOv5-6.0版本的Backbone主要分为Conv模块、CSPDarkNet53和SPPF模块。
YOLOv5在Conv模块中封装了三个功能：包括卷积(Conv2d)、Batch Normalization和激活函数，同时使用autopad(k, p)实现了padding的效果。其中YOLOv5-6.0版本使用Swish(或者叫SiLU)作为激活函数，代替了旧版本中的Leaky ReLU。Focus模块是YOLOv5旧版本中的一个模块，它的结构如下图所示。其中核心部分是对图片进行切片(slice..]]></description><category></category></item><item><title><![CDATA[李宏毅深度学习课程笔记（一）——Self-attention和Transformer]]></title><link>https://blog.youkuaiyun.com/baoli8425/article/details/123708620</link><guid>https://blog.youkuaiyun.com/baoli8425/article/details/123708620</guid><author>baoli8425</author><pubDate>Thu, 24 Mar 2022 21:16:11 +0800</pubDate><description><![CDATA[李宏毅深度学习课程笔记（一）——Self-attention和Transformer1. 前言2. Self-attention
视频课程链接：https://www.bilibili.com/video/BV1Xp4y1b7ih?
1. 前言

在过去的使用场景中，模型的输入通常只有一个单独的向量，而模型的输出则是预测的数值或类别，如上图。

但是假设输入的是一排向量（或序列），且向量的长度不是固定的，例如声音信号、语句、基因序列等，如上图。而对于模型输出而言，可以分为如下图所示的三种类型，即输入输出序列]]></description><category></category></item><item><title><![CDATA[吴恩达卷积神经网络章节笔记（三）——目标检测]]></title><link>https://blog.youkuaiyun.com/baoli8425/article/details/120583097</link><guid>https://blog.youkuaiyun.com/baoli8425/article/details/120583097</guid><author>baoli8425</author><pubDate>Fri, 19 Nov 2021 18:09:41 +0800</pubDate><description><![CDATA[吴恩达卷积神经网络——学习笔记（三）1. 目标定位 (Object Localization)1.1 基本概念1.2 标签定义1.3 损失函数2. 目标检测 (Object Detection)
视频课程链接：
https://www.bilibili.com/video/BV1FT4y1E74V?
笔记参考链接：
https://blog.youkuaiyun.com/weixin_36815313/article/details/105728919
1. 目标定位 (Object Localization)
1.1]]></description><category></category></item><item><title><![CDATA[吴恩达卷积神经网络章节笔记（二）——经典网络]]></title><link>https://blog.youkuaiyun.com/baoli8425/article/details/119567927</link><guid>https://blog.youkuaiyun.com/baoli8425/article/details/119567927</guid><author>baoli8425</author><pubDate>Sun, 24 Oct 2021 18:30:18 +0800</pubDate><description><![CDATA[ResidualBlock)来构建任意深度的神经网络，但是又能避免普通的卷积层堆积存在的信息丢失问题，保证前向信息流的顺畅，同时残差结构又能应对反向传播过程中的梯度消失问题，保证反向信息流的顺畅。对于非常深的深层神经网络来说，由于梯度消失和梯度爆炸的影响，隐藏层的权重更新缓慢甚至停滞，训练过程中网络的正、反向信息流动不顺畅，网络没有被充分训练，导致深层网络的效果还不如浅层网络。的结构并不复杂，而且网络结构很规整，同时卷积层的过滤器数量变化存在一定的规律，而它的主要缺点是需要训练的特征数量非常巨大。...]]></description><category></category></item><item><title><![CDATA[卷积神经网络（DenseNet）识别Fashion-MNIST数据集（Pytorch版）]]></title><link>https://blog.youkuaiyun.com/baoli8425/article/details/120189801</link><guid>https://blog.youkuaiyun.com/baoli8425/article/details/120189801</guid><author>baoli8425</author><pubDate>Thu, 09 Sep 2021 12:35:45 +0800</pubDate><description><![CDATA[卷积神经网络（DenseNet）识别Fashion-MNIST数据集（Pytorch版）1. 前言1.1 案例介绍1.2 环境配置1.3 模块导入2. 图像数据准备2.1 训练验证集的准备2.2 测试集的准备3. 卷积神经网络的搭建3.1 稠密块的创建3.2 过渡层的创建3.3 DenseNet网络的搭建4. 卷积神经网络训练与预测5. 运行程序
1. 前言
1.1 案例介绍
本案例使用Pytorch搭建一个DenseNet网络结构，用于Fashion-MNIST数据集的图像分类。针对该问题的分析可以分为数]]></description><category></category></item><item><title><![CDATA[卷积神经网络（ResNet-18）识别Fashion-MNIST数据集（Pytorch版）]]></title><link>https://blog.youkuaiyun.com/baoli8425/article/details/120071221</link><guid>https://blog.youkuaiyun.com/baoli8425/article/details/120071221</guid><author>baoli8425</author><pubDate>Sat, 04 Sep 2021 15:13:24 +0800</pubDate><description><![CDATA[卷积神经网络（ResNet-18）识别Fashion-MNIST数据集（Pytorch版）1. 前言1.1 案例介绍1.2 环境配置1.3 模块导入2. 图像数据准备2.1 训练验证集的准备2.2 测试集的准备3. 卷积神经网络的搭建3.1 残差块的创建3.2 ResNet模块的创建3.3 ResNet网络的创建4. 卷积神经网络训练与预测5. 运行程序
1. 前言
1.1 案例介绍
本案例使用Pytorch搭建一个ResNet网络结构，用于Fashion-MNIST数据集的图像分类。针对该问题的分析可以分]]></description><category></category></item><item><title><![CDATA[卷积神经网络（GoogLeNet）识别Fashion-MNIST数据集（Pytorch版）]]></title><link>https://blog.youkuaiyun.com/baoli8425/article/details/120043927</link><guid>https://blog.youkuaiyun.com/baoli8425/article/details/120043927</guid><author>baoli8425</author><pubDate>Thu, 02 Sep 2021 12:17:05 +0800</pubDate><description><![CDATA[卷积神经网络（GoogLeNet）识别Fashion-MNIST数据集（Pytorch版）1. 前言1.1 案例介绍1.2 环境配置1.3 模块导入2. 图像数据准备2.1 训练验证集的准备2.2 测试集的准备3. 卷积神经网络的搭建3.1 Inception模块的创建3.2 GoogLeNet网络的搭建4. 卷积神经网络训练与预测5. 运行程序
1. 前言
1.1 案例介绍
本案例使用Pytorch搭建一个GoogLeNet网络结构，用于Fashion-MNIST数据集的图像分类。针对该问题的分析可以分为]]></description><category></category></item><item><title><![CDATA[卷积神经网络（Network in Network）识别Fashion-MNIST数据集（Pytorch版）]]></title><link>https://blog.youkuaiyun.com/baoli8425/article/details/120027444</link><guid>https://blog.youkuaiyun.com/baoli8425/article/details/120027444</guid><author>baoli8425</author><pubDate>Tue, 31 Aug 2021 23:35:32 +0800</pubDate><description><![CDATA[卷积神经网络（Network in Network）识别Fashion-MNIST数据集（Pytorch版）1. 前言1.1 案例介绍1.2 环境配置1.3 模块导入2. 图像数据准备2.1 训练验证集的准备2.2 测试集的准备3. 卷积神经网络的搭建3.1 NiN(Network in Network)模块的创建3.2 NiN网络的搭建4. 卷积神经网络训练与预测5. 运行程序
1. 前言
1.1 案例介绍
本案例使用Pytorch搭建一个 NiN (Network in Network) 网络结构，用于]]></description><category></category></item><item><title><![CDATA[卷积神经网络（VGG-11）识别Fashion-MNIST数据集（Pytorch版）]]></title><link>https://blog.youkuaiyun.com/baoli8425/article/details/119977155</link><guid>https://blog.youkuaiyun.com/baoli8425/article/details/119977155</guid><author>baoli8425</author><pubDate>Mon, 30 Aug 2021 10:56:48 +0800</pubDate><description><![CDATA[深度卷积神经网络（VGG-11）识别Fashion-MNIST数据集（Pytorch版）1. 前言1.1 案例介绍1.2 环境配置1.3 模块导入2. 图像数据准备2.1 训练验证集的准备2.2 测试集的准备3. 卷积神经网络的搭建3.1 VGG模块的创建3.2 VGG网络的搭建4. 卷积神经网络训练与预测5. 运行程序
1. 前言
1.1 案例介绍
本案例使用Pytorch搭建一个稍微简化的VGG-11网络结构，用于Fashion-MNIST数据集的图像分类。针对该问题的分析可以分为数据准备、模型建立以及]]></description><category></category></item><item><title><![CDATA[卷积神经网络（AlexNet）识别Fashion-MNIST数据集（Pytorch版）]]></title><link>https://blog.youkuaiyun.com/baoli8425/article/details/119855019</link><guid>https://blog.youkuaiyun.com/baoli8425/article/details/119855019</guid><author>baoli8425</author><pubDate>Wed, 25 Aug 2021 10:45:18 +0800</pubDate><description><![CDATA[卷积神经网络（AlexNet）识别Fashion-MNIST数据集（Pytorch版）1. 前言1.1 案例介绍1.2 环境配置1.3 模块导入2. 图像数据准备2.1 训练验证集的准备2.2 测试集的准备3. 卷积神经网络的搭建4. 卷积神经网络训练与预测5. 运行程序
1. 前言
1.1 案例介绍
本案例使用Pytorch搭建一个稍微简化的AlexNet网络结构，用于Fashion-MNIST数据集的图像分类。针对该问题的分析可以分为数据准备、模型建立以及使用训练集进行训练和使用测试集测试模型的效果。
]]></description><category></category></item><item><title><![CDATA[卷积神经网络（LeNet）识别Fashion-MNIST数据集（Pytorch版）]]></title><link>https://blog.youkuaiyun.com/baoli8425/article/details/119740795</link><guid>https://blog.youkuaiyun.com/baoli8425/article/details/119740795</guid><author>baoli8425</author><pubDate>Wed, 18 Aug 2021 10:09:09 +0800</pubDate><description><![CDATA[卷积神经网络（LeNet）识别Fashion-MNIST数据集（Pytorch版）1. 前言1.1 案例介绍1.2 环境配置1.3 模块导入2. 图像数据准备2.1 训练验证集的准备2.2 测试集的准备3. 卷积神经网络的搭建4. 卷积神经网络训练与预测5. 运行程序
1. 前言
1.1 案例介绍
本案例使用Pytorch搭建一个类似LeNet-5的网络结构，用于Fashion-MNIST数据集的图像分类。针对该问题的分析可以分为数据准备、模型建立以及使用训练集进行训练和使用测试集测试模型的效果。
1.2 ]]></description><category></category></item><item><title><![CDATA[吴恩达卷积神经网络章节笔记（一）——卷积神经网络]]></title><link>https://blog.youkuaiyun.com/baoli8425/article/details/119378163</link><guid>https://blog.youkuaiyun.com/baoli8425/article/details/119378163</guid><author>baoli8425</author><pubDate>Thu, 12 Aug 2021 14:21:47 +0800</pubDate><description><![CDATA[吴恩达卷积神经网络——学习笔记（一）1. 边缘检测示例 (Edge Detection Example)1.1 卷积运算1.2 垂直边缘检测器的应用案例2. 更多边缘检测内容 (More Edge Detection Example)3. Padding4. 卷积步长 (Strided Convolutions)5. 三维卷积 (Convolutions Over Volumes)5.1 三维卷积的计算5.2 多个过滤器的三维卷积6. 单层卷积网络 (One Layer of a Convolutional]]></description><category></category></item><item><title><![CDATA[吴恩达改善深层神经网络章节笔记（三）——参数调试和Batch Normalize]]></title><link>https://blog.youkuaiyun.com/baoli8425/article/details/118970628</link><guid>https://blog.youkuaiyun.com/baoli8425/article/details/118970628</guid><author>baoli8425</author><pubDate>Wed, 11 Aug 2021 14:40:28 +0800</pubDate><description><![CDATA[吴恩达改善深层神经网络——学习笔记（三）
视频课程链接：
https://www.bilibili.com/video/BV1FT4y1E74V?
笔记参考链接：
https://blog.youkuaiyun.com/weixin_36815313/article/details/105728919


]]></description><category></category></item><item><title><![CDATA[吴恩达改善深层神经网络章节笔记（二）——优化算法]]></title><link>https://blog.youkuaiyun.com/baoli8425/article/details/118607407</link><guid>https://blog.youkuaiyun.com/baoli8425/article/details/118607407</guid><author>baoli8425</author><pubDate>Tue, 10 Aug 2021 09:43:43 +0800</pubDate><description><![CDATA[吴恩达改善深层神经网络——学习笔记（二）1. Mini-batch梯度下降 (Mini-batch Gradient Descent)
视频课程链接：
https://www.bilibili.com/video/BV1FT4y1E74V?
笔记参考链接：
https://blog.youkuaiyun.com/weixin_36815313/article/details/105728919
1. Mini-batch梯度下降 (Mini-batch Gradient Descent)
机器学习的应用是一个高度依赖经]]></description><category></category></item><item><title><![CDATA[吴恩达改善深层神经网络章节笔记（一）——正则化和梯度相关知识]]></title><link>https://blog.youkuaiyun.com/baoli8425/article/details/118295307</link><guid>https://blog.youkuaiyun.com/baoli8425/article/details/118295307</guid><author>baoli8425</author><pubDate>Mon, 09 Aug 2021 09:58:05 +0800</pubDate><description><![CDATA[吴恩达改善神经网络——学习笔记（一）1. 训练/开发/测试集 (Train/Dev/Test Sets)2. 偏差/方差 (Bias/Variance)3. 机器学习基础 (Basic “Recipe” for Machine Learning)
视频课程链接：
https://www.bilibili.com/video/BV1FT4y1E74V?
笔记参考链接：
https://blog.youkuaiyun.com/weixin_36815313/article/details/105728919
1. 训练/开]]></description><category></category></item><item><title><![CDATA[吴恩达神经网络与深度学习章节笔记（三）——深层神经网络]]></title><link>https://blog.youkuaiyun.com/baoli8425/article/details/118060021</link><guid>https://blog.youkuaiyun.com/baoli8425/article/details/118060021</guid><author>baoli8425</author><pubDate>Tue, 22 Jun 2021 15:48:44 +0800</pubDate><description><![CDATA[吴恩达神经网络与深度学习——学习笔记（三）1. 深层神经网络 (Deep L-layer Neural Network)
视频课程链接：
https://www.bilibili.com/video/BV1FT4y1E74V?
笔记参考链接：
https://blog.youkuaiyun.com/weixin_36815313/article/details/105728919
1. 深层神经网络 (Deep L-layer Neural Network)

...]]></description><category></category></item><item><title><![CDATA[使用CANoe进行CAPL编程]]></title><link>https://blog.youkuaiyun.com/baoli8425/article/details/118076330</link><guid>https://blog.youkuaiyun.com/baoli8425/article/details/118076330</guid><author>baoli8425</author><pubDate>Mon, 21 Jun 2021 09:53:29 +0800</pubDate><description><![CDATA[使用CANoe进行CAPL编程1. CAPL概述1.1 CAPL语言特性1.2 CAPL的程序结构1.3 CAPL的数据类型1.4 CAPL事件类型概述2. CAPL事件类型2.1 系统事件2.2 CAN控制器事件2.3 CAN消息事件2.4 键盘事件2.5 时间事件2.6 错误帧事件2.7 环境变量事件2.8 系统变量事件
1. CAPL概述
CANoe提供了进行二次编程开发的工具——CAPL Browser。通过CAPL的编程，我们可以在节点上完成更为复杂的功能需求。
操作如下：在CANoe工程的”Si]]></description><category></category></item><item><title><![CDATA[使用CANoe进行Panel设计]]></title><link>https://blog.youkuaiyun.com/baoli8425/article/details/118075438</link><guid>https://blog.youkuaiyun.com/baoli8425/article/details/118075438</guid><author>baoli8425</author><pubDate>Sun, 20 Jun 2021 22:26:52 +0800</pubDate><description><![CDATA[使用CANoe进行Panel设计摘要1. Panel的新建及概述2. 控件介绍2.1 Analog Guage控件2.2 Button控件2.3 Check Box控件2.4 Clock Control控件2.5 Combo Box控件2.6 File Button控件2.7 Group Box控件2.8 Input/Output Box控件2.9 LCD Control控件2.10 LED Control控件2.11 Media Player控件2.12 Numeric Up/Down控件2.13 Pan]]></description><category></category></item></channel></rss>