<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[catfishH的博客]]></title><description><![CDATA[资源全部来自互联网]]></description><link>https://blog.youkuaiyun.com/catfishH</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; catfishH]]></copyright><item><title><![CDATA[Python爬虫 requests]]></title><link>https://blog.youkuaiyun.com/catfishH/article/details/125643741</link><guid>https://blog.youkuaiyun.com/catfishH/article/details/125643741</guid><author>catfishH</author><pubDate>Fri, 08 Jul 2022 10:01:18 +0800</pubDate><description><![CDATA[python爬虫requests库]]></description><category></category></item><item><title><![CDATA[Python logging]]></title><link>https://blog.youkuaiyun.com/catfishH/article/details/125596367</link><guid>https://blog.youkuaiyun.com/catfishH/article/details/125596367</guid><author>catfishH</author><pubDate>Tue, 05 Jul 2022 12:11:16 +0800</pubDate><description><![CDATA[python 日志文件]]></description><category></category></item><item><title><![CDATA[Python 配置文件、argparse]]></title><link>https://blog.youkuaiyun.com/catfishH/article/details/125594799</link><guid>https://blog.youkuaiyun.com/catfishH/article/details/125594799</guid><author>catfishH</author><pubDate>Mon, 04 Jul 2022 10:32:23 +0800</pubDate><description><![CDATA[python 配置文件]]></description><category></category></item><item><title><![CDATA[医学图像多模分割论文列表2]]></title><link>https://blog.youkuaiyun.com/catfishH/article/details/121554807</link><guid>https://blog.youkuaiyun.com/catfishH/article/details/121554807</guid><author>catfishH</author><pubDate>Tue, 12 Apr 2022 20:08:07 +0800</pubDate><description><![CDATA[TMI 2020

？？
图像种类：
目标器官：
模型目标：
关键词：
方法：
备注：

TMI 2021
MIA 2020
MIA 2021

]]></description><category></category></item><item><title><![CDATA[BM3D 图像去噪]]></title><link>https://blog.youkuaiyun.com/catfishH/article/details/121631878</link><guid>https://blog.youkuaiyun.com/catfishH/article/details/121631878</guid><author>catfishH</author><pubDate>Tue, 30 Nov 2021 14:45:46 +0800</pubDate><description><![CDATA[BM3D图像去噪
论文：Image denoising by sparse 3-D transform-domain collaborative filtering
代码：python 代码
介绍：图像去噪算法：BM3D
    加性噪声方程，其中噪声 η\etaη 常常用均值为 0 的高斯噪声近似表示：

  BM3D去噪算法结合了空间算法非局部去噪方法 Non-local method，和转换算法 transform method。算法主要分两步，每一步又分为三小步：相似块分组、协同滤波和聚合。


.]]></description><category></category></item><item><title><![CDATA[Shell 基础]]></title><link>https://blog.youkuaiyun.com/catfishH/article/details/121588477</link><guid>https://blog.youkuaiyun.com/catfishH/article/details/121588477</guid><author>catfishH</author><pubDate>Sun, 28 Nov 2021 22:24:48 +0800</pubDate><description><![CDATA[基础知识
执行命令的步骤：对于内置命令来说，首先识别命令、bash 直接执行后退出，在命令行上输出结果；对于非内置命令，首先识别命令、创建子进程、bash(作为所有进程的父进程)等待子进程退出。
执行脚本的步骤：
变量

...]]></description><category></category></item><item><title><![CDATA[Uncertainty——ICML 2021、IPMI 2021]]></title><link>https://blog.youkuaiyun.com/catfishH/article/details/120839786</link><guid>https://blog.youkuaiyun.com/catfishH/article/details/120839786</guid><author>catfishH</author><pubDate>Wed, 20 Oct 2021 16:40:49 +0800</pubDate><description><![CDATA[1.  Uncertainty Principles of Encoding GANs
  在实践中证明了三种不确定性原则：a）“完美”编码器和生成器不能同时连续，这意味着当前编码 GAN 的框架不适; b）神经网络不能正常地近似于底层编码器和生成器，无法在以前的理论中获得“完善”的编码器和发电机; c）神经网络不能同时稳定和准确，表明保真度和解耦之间的训练和平衡难度。

2.  Amortized Conditional Normalized Maximum Likelihood: Reliable Ou]]></description><category></category></item><item><title><![CDATA[Uncertainty——CVPR 2021]]></title><link>https://blog.youkuaiyun.com/catfishH/article/details/120560769</link><guid>https://blog.youkuaiyun.com/catfishH/article/details/120560769</guid><author>catfishH</author><pubDate>Mon, 18 Oct 2021 16:55:31 +0800</pubDate><description><![CDATA[1. Uncertainty Guided Collaborative Training for Weakly Supervised Temporal Action Detection
 

2. Uncertainty-aware Joint Salient Object and Camouflaged Object Detection
3. Dive into Ambiguity: Latent Distribution Mining and Pairwise Uncertainty Estimatio]]></description><category></category></item><item><title><![CDATA[深度学习推荐系统——结构探索]]></title><link>https://blog.youkuaiyun.com/catfishH/article/details/120451039</link><guid>https://blog.youkuaiyun.com/catfishH/article/details/120451039</guid><author>catfishH</author><pubDate>Tue, 28 Sep 2021 15:33:38 +0800</pubDate><description><![CDATA[AFM
  Attentional Factorization Machines，在 NFM 模型中加入注意力机制，通过加入注意力网络，对不同特征交叉的关注度不同，即在元素积操作中加入注意力得分 aija_{ij}aij​，再进行池化。
fAtt=∑(i,j)∈Rxaij(vi⊙vj)xixjf_{Att}=\sum_{(i,j) \in R_{x}}a_{ij}(v_{i}\odot v_{j})x_{i}x_{j}fAtt​=(i,j)∈Rx​∑​aij​(vi​⊙vj​)xi​xj​


DIN
 
]]></description><category></category></item><item><title><![CDATA[Uncertainty 相关论文]]></title><link>https://blog.youkuaiyun.com/catfishH/article/details/120522392</link><guid>https://blog.youkuaiyun.com/catfishH/article/details/120522392</guid><author>catfishH</author><pubDate>Tue, 28 Sep 2021 10:26:32 +0800</pubDate><description><![CDATA[1. Getting a CLUE: A Method for Explaining Uncertainty Estimates
  不确定性估计和可解释性交叉领域的工作，通过提出一种新方法 GLUE 来解释来自可微概率模型（如贝叶斯神经网络 (BNN)）的不确定性估计，指示如何更改输入，同时将其保持在数据流形上，以便 BNN 对输入的预测更有信心（输入数据 OOD 造成的不确定性）。


2. Can You Trust Your Model’s Uncertainty? Evaluating Predi]]></description><category></category></item><item><title><![CDATA[深度学习推荐系统——特征工程]]></title><link>https://blog.youkuaiyun.com/catfishH/article/details/120389776</link><guid>https://blog.youkuaiyun.com/catfishH/article/details/120389776</guid><author>catfishH</author><pubDate>Wed, 22 Sep 2021 15:25:54 +0800</pubDate><description><![CDATA[深度学习推荐模型演化方向：
1）增加神经网络复杂程度：从最简单的单层神经网络模型 AutoRec，到经典的深度神经网络结构 Deep Crossing，主要的进化方式在于增加了深度神经网络的层数和结构复杂度。
2）丰富特征交叉方式：例如改变了用户向量和物品向量互操作方式的 NeuralCF，定义了多种特生向量交叉操作的 PNN 模型。
3）组合模型：主要是指 Wide&amp;Deep 模型及其后续变种等，其思路是通过组合两种不同特点、优势互补的深度学习网络，提升模型的综合能力。
4）FM 模型的深度学习.]]></description><category></category></item><item><title><![CDATA[Linux 笔记 05 存储结构与磁盘划分]]></title><link>https://blog.youkuaiyun.com/catfishH/article/details/120362638</link><guid>https://blog.youkuaiyun.com/catfishH/article/details/120362638</guid><author>catfishH</author><pubDate>Sun, 19 Sep 2021 16:31:26 +0800</pubDate><description><![CDATA[文件存储结构
  Linux 系统中一切都是文件，一切文件都是从“根（/）”目录开始，并按照
文件系统层次化标准（FHS）采用树形结构来存放。

  一般的硬盘设备以“/dev/sd”开头，系统采用 a～p 来代表 16 块不同的硬盘（默认从 a 开始分配），硬盘的分区编号，主分区或扩展分区的编号从 1 开始到 4 结束，逻辑分区从编号 5 开始。硬盘设备由大量的扇区组成，每个扇区的容量为512 字节，第一个扇区保存着主引导记录与分区表信息。

挂载硬件设备
mount 文件系统 挂载目录
  用于挂载文件]]></description><category></category></item><item><title><![CDATA[Linux 笔记 04 用户身份与文件权限]]></title><link>https://blog.youkuaiyun.com/catfishH/article/details/120325570</link><guid>https://blog.youkuaiyun.com/catfishH/article/details/120325570</guid><author>catfishH</author><pubDate>Fri, 17 Sep 2021 11:38:31 +0800</pubDate><description><![CDATA[用户和用户组
  Linux 中管理员 UID 为 0，系统用户 UID 为 1～999，管理员创建的普通用户 UID 从 1000 开始。可以把多个用户加入到同一个用户组中，从而方便为组中的用户统一规划权限或指定任务。创建每个用户时，将自动创建一个与其同名的基本用户组，一个用户只有一个基本用户组，但是可以有多个扩展用户组。
useradd [选项] 用户名
 用于创建新的用户，默认的用户家目录会被存放在 /home 中，默认的 Shell 解释器为 /bin/bash。
useradd -d /home/]]></description><category></category></item><item><title><![CDATA[Linux 笔记 03 Vim 编辑器与 Shell 命令脚本]]></title><link>https://blog.youkuaiyun.com/catfishH/article/details/120295904</link><guid>https://blog.youkuaiyun.com/catfishH/article/details/120295904</guid><author>catfishH</author><pubDate>Wed, 15 Sep 2021 10:27:18 +0800</pubDate><description><![CDATA[Vim 编辑器
命令模式：控制光标移动，可对文本进行复制、粘贴、删除和查找等工作。
输入模式：正常的文本录入。
末行模式：保存或退出文档，以及设置编辑环境。

  a 键与 i 键分别是在光标后面一位和光标当前位置切换到输入模式，而 o 键则是在光标的下面再创建一个空行，此时可敲击 a 键进入到编辑器的输入模式。



Shell 脚本
  Shell 脚本命令的工作方式有两种：交互式和批处理。交互式用户每输入一条命令就立即执行；批处理由用户事先编写好一个完整的 Shell 脚本，Shell 会一次性执行脚]]></description><category></category></item><item><title><![CDATA[传统推荐模型]]></title><link>https://blog.youkuaiyun.com/catfishH/article/details/120281328</link><guid>https://blog.youkuaiyun.com/catfishH/article/details/120281328</guid><author>catfishH</author><pubDate>Tue, 14 Sep 2021 12:54:48 +0800</pubDate><description><![CDATA[协同过滤算法
  从物品相似度和用户相似度角度出发，衍生出物品协同过滤（ItemCF）和用户协同过滤（UserCF），又衍生出矩阵分解模型（Matrix Factorization，MF）。
  亚马逊协同过滤论文：Amazon.com recommendations: item-to-item collaborative filtering
UserCF
1）基于用户对其它商品的历史评价数据，和其他用户对这些商品的历史评价数据，组成共现矩阵（用户为行，商品为列，值为1、0、-1）；
2）找到与用户兴趣最相]]></description><category></category></item><item><title><![CDATA[Linux 笔记 02 管道符、重定向与环境变量]]></title><link>https://blog.youkuaiyun.com/catfishH/article/details/120272112</link><guid>https://blog.youkuaiyun.com/catfishH/article/details/120272112</guid><author>catfishH</author><pubDate>Mon, 13 Sep 2021 18:53:00 +0800</pubDate><description><![CDATA[重定向
  输入重定向把文件导入到命令中，输出重定向把原本要输出到屏幕的数据信息写入到指定文件中。
标准输入重定向（STDIN，文件描述符为 0）：默认从键盘输入，也可从其他文件或命令中输入。
标准输出重定向（STDOUT，文件描述符为 1）：默认输出到屏幕。
错误输出重定向（STDERR，文件描述符为 2）：默认输出到屏幕。

echo "Hello World !" &gt; a.txt  # 把命令的输出写入文件
ls -l bcd 2&gt; b.txt  # 把命令的报错信息写入文件
wc -l ]]></description><category></category></item><item><title><![CDATA[Linux 笔记 01 常用命令]]></title><link>https://blog.youkuaiyun.com/catfishH/article/details/119825669</link><guid>https://blog.youkuaiyun.com/catfishH/article/details/119825669</guid><author>catfishH</author><pubDate>Fri, 10 Sep 2021 13:29:21 +0800</pubDate><description><![CDATA[Linux 命令的格式：命令名称 [命令参数] [命令对象]
常用命令
man
  查看命令帮助信息
echo [字符串 | $变量]
  用于在终端输出字符串或变量提取后的值
date [选项] [+指定的格式]
  用于显示及设置系统的时间或日期，输入以“+”号开头的参数，即可按照指定格式来输出系统的时间或日期。
 date "+%Y-%m-%d %H:%M:%S"  # 显示系统时间
 date -s "20210820 16:03:00"  # 设置系统时间

reboot、poweroff
  r]]></description><category></category></item><item><title><![CDATA[决策树总结]]></title><link>https://blog.youkuaiyun.com/catfishH/article/details/119354341</link><guid>https://blog.youkuaiyun.com/catfishH/article/details/119354341</guid><author>catfishH</author><pubDate>Fri, 10 Sep 2021 12:18:43 +0800</pubDate><description><![CDATA[ 决策树的生成主要分两步，节点的分裂和阈值的确定。
ID3
 由增熵来决定哪个节点需要分裂。

C4.5
CART

]]></description><category></category></item><item><title><![CDATA[Python-collections]]></title><link>https://blog.youkuaiyun.com/catfishH/article/details/118941588</link><guid>https://blog.youkuaiyun.com/catfishH/article/details/118941588</guid><author>catfishH</author><pubDate>Thu, 12 Aug 2021 10:37:17 +0800</pubDate><description><![CDATA[collections.deque

]]></description><category></category></item><item><title><![CDATA[NLP-BERT]]></title><link>https://blog.youkuaiyun.com/catfishH/article/details/119563419</link><guid>https://blog.youkuaiyun.com/catfishH/article/details/119563419</guid><author>catfishH</author><pubDate>Tue, 10 Aug 2021 11:29:35 +0800</pubDate><description><![CDATA[Input Embedding
Bert采用两阶段模型，首先是语言模型预训练，其次是使用 Fine-Tuning 模式解决下游任务。BERT 预训练模型分为以下三个步骤：Embedding、Masked LM、Next Sentence Prediction。

Embedding 由三种 Embedding 求和而成：
Token Embeddings 是词向量，第一个单词是 CLS 标志，可以用于之后的分类任务；Segment Embeddings 用来区别两种句子，因为预训练不光做 LM 还要做以两个]]></description><category></category></item></channel></rss>