<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[canwhut的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/canwhut</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; canwhut]]></copyright><item><title><![CDATA[windows10电脑间快速文件共享的方法]]></title><link>https://blog.youkuaiyun.com/canwhut/article/details/124651073</link><guid>https://blog.youkuaiyun.com/canwhut/article/details/124651073</guid><author>canwhut</author><pubDate>Sun, 08 May 2022 17:19:03 +0800</pubDate><description><![CDATA[两台电脑都要进行同样的设置。

进入设置，”系统“-》”体验共享“，打开就近共享和跨设备共享。
进入设置，”网络和internet“-》”状态“，对网络的“属性”进行调整，网络属性选择”专用“
进入待分享的文件夹，选择好待分享的文件后，右键，选择”分享“，选择目标电脑进行分享。接收电脑要选择确认。


...]]></description><category></category></item><item><title><![CDATA[防止bash捕获命令去掉换行符]]></title><link>https://blog.youkuaiyun.com/canwhut/article/details/122418923</link><guid>https://blog.youkuaiyun.com/canwhut/article/details/122418923</guid><author>canwhut</author><pubDate>Mon, 10 Jan 2022 20:44:35 +0800</pubDate><description><![CDATA[背景
使用bash的output=$(cmd)方法去捕获命令的输出时。涉及到输出的换行问题。
可分别保留换行或不要换行。
操作
对变量不加引号，不保留换行符。
echo $output

使用变量时，加引号，保留换行符。
echo "$output

例子如下：
$ a=$( df -H )
$ echo $a
Filesystem Size Used Avail Use% Mounted on /dev/sda3 276G 50G 213G 19% / udev 2.1G 4.1k 2.1G 1% /de]]></description><category></category></item><item><title><![CDATA[使用firefox profiler可视化perf record数据]]></title><link>https://blog.youkuaiyun.com/canwhut/article/details/122406115</link><guid>https://blog.youkuaiyun.com/canwhut/article/details/122406115</guid><author>canwhut</author><pubDate>Mon, 10 Jan 2022 11:07:12 +0800</pubDate><description><![CDATA[背景
经常在linux下，通过perf查看性能数据，有个可视化展示perf数据的工具很重要。
firefox profiler可以查看时间序列的活动，查看调用关系，很强大。
操作指导
#mermaid-svg-3GpfURBnaGstfjzD .label{font-family:'trebuchet ms', verdana, arial;font-family:var(--mermaid-font-family);fill:#333;color:#333}#mermaid-svg-3GpfURBnaGs]]></description><category></category></item><item><title><![CDATA[MediaPipe框架源码分析]]></title><link>https://blog.youkuaiyun.com/canwhut/article/details/122318027</link><guid>https://blog.youkuaiyun.com/canwhut/article/details/122318027</guid><author>canwhut</author><pubDate>Thu, 06 Jan 2022 09:25:01 +0800</pubDate><description><![CDATA[背景
MediaPipe的介绍。
源代码位置 https://github.com/google/mediapipe
框架介绍（截至2022-01）
主要是graph
官方介绍说明
https://google.github.io/mediapipe/framework_concepts/framework_concepts.html#the-basics
从hello-world开始
hello-world.cc位于https://github.com/google/mediapipe/blob/mast]]></description><category></category></item><item><title><![CDATA[深度学习 基于python的理论与实现 读书笔记]]></title><link>https://blog.youkuaiyun.com/canwhut/article/details/87109525</link><guid>https://blog.youkuaiyun.com/canwhut/article/details/87109525</guid><author>canwhut</author><pubDate>Tue, 12 Feb 2019 19:31:52 +0800</pubDate><description><![CDATA[深度学习 基于python的理论与实现 读书笔记第二章 感知机第三章 神经网络第四章 神经网络的学习第五章  误差反向传播法第六章 与学习相关的技巧第七章 卷积神经网络第八章 深度学习
第二章 感知机
感知机可以看做单个神经元，有多个输入，一个输出
感知机的局限性就在于它只能表示由一条直线分割的空间。
这个局限可以用多层感知机来克服。
第三章 神经网络
前向传播，主要是矩阵乘法来完成
第四章 神经...]]></description><category></category></item><item><title><![CDATA[好用的函数在线绘图工具]]></title><link>https://blog.youkuaiyun.com/canwhut/article/details/82924723</link><guid>https://blog.youkuaiyun.com/canwhut/article/details/82924723</guid><author>canwhut</author><pubDate>Tue, 02 Oct 2018 11:00:24 +0800</pubDate><description><![CDATA[网址
https://www.desmos.com/calculator
左侧可以填写函数名
左键拖动图形
按住shift键，通过滚轮来对不同轴进行缩放。


]]></description><category></category></item><item><title><![CDATA[近200本机器学习资料]]></title><link>https://blog.youkuaiyun.com/canwhut/article/details/82837313</link><guid>https://blog.youkuaiyun.com/canwhut/article/details/82837313</guid><author>canwhut</author><pubDate>Tue, 25 Sep 2018 11:30:19 +0800</pubDate><description><![CDATA[https://medium.com/machine-learning-in-practice/over-200-of-the-best-machine-learning-nlp-and-python-tutorials-2018-edition-dd8cf53cb7dc

]]></description><category></category></item><item><title><![CDATA[快速访问tensorflow的API]]></title><link>https://blog.youkuaiyun.com/canwhut/article/details/82828113</link><guid>https://blog.youkuaiyun.com/canwhut/article/details/82828113</guid><author>canwhut</author><pubDate>Mon, 24 Sep 2018 11:35:03 +0800</pubDate><description><![CDATA[文章目录
一般来说，tensorflow官网给的API是最新最全的，不过有时候访问会比较慢。这个时候可以参考第三方网站转载的API页面。
就是他啦！   https://devdocs.io
在左面板，搜索tensorflow，点击enable，刷新页面后，点击左面板的竖着的三点，选择offline 即可


...]]></description><category></category></item><item><title><![CDATA[在linux终端上使用python的matplotlib绘制图形]]></title><link>https://blog.youkuaiyun.com/canwhut/article/details/82817653</link><guid>https://blog.youkuaiyun.com/canwhut/article/details/82817653</guid><author>canwhut</author><pubDate>Sat, 22 Sep 2018 21:08:14 +0800</pubDate><description><![CDATA[文章目录实验条件:过程：实验结果：
实验条件:
MobaXterm（下文简称moba）或其他具备x server功能的终端
过程：

通过moba连上linux服务器后，开启x server功能（在菜单栏&amp;quot;X server&amp;quot;）
确保已经安装python的matplotlib库
运行以下代码：

import matplotlib
matplotlib.use('Tkagg') # Must be ...]]></description><category></category></item><item><title><![CDATA[李航统计学习 决策树  学习笔记]]></title><link>https://blog.youkuaiyun.com/canwhut/article/details/81951009</link><guid>https://blog.youkuaiyun.com/canwhut/article/details/81951009</guid><author>canwhut</author><pubDate>Wed, 22 Aug 2018 21:01:07 +0800</pubDate><description><![CDATA[决策树(decision tree)是一种基本的分类与回归方法。 
决策树模型呈树形结构。在分类问题中，表示基于特征对实例进行分类的过程，它可以人为是if-else规则的集合，也可以认为是定义在特征空间与类空间上的条件概率分布。

if-else规则过程： 
由决策树的根节点到叶节点的每一条路径对应一条规则；路径上内部结点的特征对应着规则的条件，而叶节点的类对应着规则的结论。

决策树本质是一组分...]]></description><category></category></item><item><title><![CDATA[李航统计学习  朴素贝叶斯 学习笔记]]></title><link>https://blog.youkuaiyun.com/canwhut/article/details/81950357</link><guid>https://blog.youkuaiyun.com/canwhut/article/details/81950357</guid><author>canwhut</author><pubDate>Wed, 22 Aug 2018 20:20:16 +0800</pubDate><description><![CDATA[应用朴素贝叶斯的前提是，条件（特征）之间独立。 
条件独立的假设是：



P(X=x|Y=ck)=P(X(1)=x(1),...,X(n)=x(n)|Y=ck)P(X=x|Y=ck)=P(X(1)=x(1),...,X(n)=x(n)|Y=ck)P(X=x|Y=c_k)=P(X^{(1)}=x^{(1)},...,X^{(n)}=x^{(n)}|Y=c_k) 
=∏j=1nP(X(j)=x(j)...]]></description><category></category></item><item><title><![CDATA[无人驾驶  阅读笔记]]></title><link>https://blog.youkuaiyun.com/canwhut/article/details/81843597</link><guid>https://blog.youkuaiyun.com/canwhut/article/details/81843597</guid><author>canwhut</author><pubDate>Sun, 19 Aug 2018 23:30:04 +0800</pubDate><description><![CDATA[
  阅读的书籍：《无人驾驶：人工智能将从颠覆驾驶开始，全面重构人类生活》 
  https://www.amazon.cn/dp/B072C28DY4




无人驾驶的历史

无人驾驶不是一个新鲜的东西了。早在1939年，IBM就提出了这个概念，并展示了原型机。由于当时技术达不到，一直未能实现。

美国的DARPA是实质推动了这个技术罚站的机构。 
DARPA举办了3次无人驾驶比赛，这3次比赛...]]></description><category></category></item><item><title><![CDATA[统计学习方法  k近邻法]]></title><link>https://blog.youkuaiyun.com/canwhut/article/details/81842714</link><guid>https://blog.youkuaiyun.com/canwhut/article/details/81842714</guid><author>canwhut</author><pubDate>Sun, 19 Aug 2018 22:06:21 +0800</pubDate><description><![CDATA[k近邻法

分类问题中的k近邻法。 
分类时，对于新的实例，根据已有的k个最近邻的训练实例的类别，通过多数表决方式进行预测其所属的类。 
k值的选择、距离度量以及分类决策规则是k近邻法的三个基本要素。 
k近邻法没有显示的学习过程。



k近邻模型



模型

特征空间中，对每个训练实例点xixix_i，距离该点比其他点更近的所有点组组成的一个区域，叫做单元（cell）。每个训练实例点拥有一个...]]></description><category></category></item><item><title><![CDATA[李航 统计学习 感知机 阅读笔记]]></title><link>https://blog.youkuaiyun.com/canwhut/article/details/81750791</link><guid>https://blog.youkuaiyun.com/canwhut/article/details/81750791</guid><author>canwhut</author><pubDate>Thu, 16 Aug 2018 23:44:02 +0800</pubDate><description><![CDATA[感知机学习笔记



感知机模型

感知机是二类分类的线性分类模型,其输入为实例的特征向量，输出为实例的类别，取+1和-1二值。感知机将输入空间划分为正负两个超平面。 
由输入空间到输出空间的函数为： f(x)=sign(w⋅x+b)f(x)=sign(w·x+b)f(x)=sign(w·x+b)

signsignsign是符号函数



sign(x)={+1,x&amp;amp;gt;=0−1,x&amp;amp;lt;0...]]></description><category></category></item><item><title><![CDATA[李航 统计学习 第一章 概论]]></title><link>https://blog.youkuaiyun.com/canwhut/article/details/81710668</link><guid>https://blog.youkuaiyun.com/canwhut/article/details/81710668</guid><author>canwhut</author><pubDate>Wed, 15 Aug 2018 20:37:50 +0800</pubDate><description><![CDATA[以xmind文件的形式分享。]]></description><category></category></item><item><title><![CDATA[我的第一个AI入门程序]]></title><link>https://blog.youkuaiyun.com/canwhut/article/details/81675357</link><guid>https://blog.youkuaiyun.com/canwhut/article/details/81675357</guid><author>canwhut</author><pubDate>Tue, 14 Aug 2018 21:54:10 +0800</pubDate><description><![CDATA[参考的指导文章  https://gitbook.cn/books/5b681b9909bca14010fe2918/index.html

操作过程基本是按着流程在走。 
包括安装visual studio 2017 community 
cudn]]></description><category></category></item><item><title><![CDATA[用Python登陆武汉理工大学无线校园网]]></title><link>https://blog.youkuaiyun.com/canwhut/article/details/51222139</link><guid>https://blog.youkuaiyun.com/canwhut/article/details/51222139</guid><author>canwhut</author><pubDate>Fri, 22 Apr 2016 17:53:19 +0800</pubDate><description><![CDATA[经过一段时间的摸索后，我找到了用Python登陆武汉理工大学无线校园网的方法。 
这个脚本适合用在在办公区，让电脑自动连无线网。 
Python2的安装方法用鼠标滚轮点此处。 
脚本中使用了requests包，安装方法可用鼠标滚轮点此处。 
注意：该脚本执行一次后，将改变无线网使用状态，上线状态执行后将下线！可与其他脚本配合，先判断网络是否畅通，再执行本脚本。 
脚本中以”#”开头的行，为注释部分。]]></description><category></category></item><item><title><![CDATA[first Blog for test]]></title><link>https://blog.youkuaiyun.com/canwhut/article/details/50333177</link><guid>https://blog.youkuaiyun.com/canwhut/article/details/50333177</guid><author>canwhut</author><pubDate>Wed, 16 Dec 2015 21:21:27 +0800</pubDate><description><![CDATA[My first Blog on 优快云
    hello ,world!]]></description><category></category></item></channel></rss>