<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[coolerzZ的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/coolerzZ</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; coolerzZ]]></copyright><item><title><![CDATA[机器翻译COMET评价标准]]></title><link>https://blog.youkuaiyun.com/coolerzZ/article/details/130621328</link><guid>https://blog.youkuaiyun.com/coolerzZ/article/details/130621328</guid><author>coolerzZ</author><pubDate>Thu, 11 May 2023 14:31:45 +0800</pubDate><description><![CDATA[COMET介绍]]></description><category></category></item><item><title><![CDATA[十三种图像特征提取代码合集]]></title><link>https://blog.youkuaiyun.com/coolerzZ/article/details/126662416</link><guid>https://blog.youkuaiyun.com/coolerzZ/article/details/126662416</guid><author>coolerzZ</author><pubDate>Fri, 02 Sep 2022 14:39:19 +0800</pubDate><description><![CDATA[cv图像特征提取]]></description><category></category></item><item><title><![CDATA[nlp中文常用词整理]]></title><link>https://blog.youkuaiyun.com/coolerzZ/article/details/120946825</link><guid>https://blog.youkuaiyun.com/coolerzZ/article/details/120946825</guid><author>coolerzZ</author><pubDate>Mon, 25 Oct 2021 10:05:31 +0800</pubDate><description><![CDATA[大概300多万，词典结构为：词语\t词性\t词频。

链接: 点我密码: 11km
]]></description><category></category></item><item><title><![CDATA[docker 启动tensorflow容器使用宿主机显卡驱动问题]]></title><link>https://blog.youkuaiyun.com/coolerzZ/article/details/117291700</link><guid>https://blog.youkuaiyun.com/coolerzZ/article/details/117291700</guid><author>coolerzZ</author><pubDate>Wed, 26 May 2021 14:46:44 +0800</pubDate><description><![CDATA[容器启动：

docker run -it --name xxx --gpus all tensorflow/tensorflow:1.10.0-gpu-py3 /bin/bash

—gpus all 可能容器会启动失败，报错：


docker: Error response from daemon: could not select device driver “” with ...


在确认宿主机nvidia-smi输出没问题后，主要问题可能是由于未安装： nvidia-container-too]]></description><category></category></item><item><title><![CDATA[图像cv-车辆识别-负样本]]></title><link>https://blog.youkuaiyun.com/coolerzZ/article/details/114082522</link><guid>https://blog.youkuaiyun.com/coolerzZ/article/details/114082522</guid><author>coolerzZ</author><pubDate>Thu, 25 Feb 2021 14:47:14 +0800</pubDate><description><![CDATA[链接在此

提取码：70sg

共9k张，黑白图像，多为道路






]]></description><category></category></item><item><title><![CDATA[在指定的anaconda环境中安装特定的包]]></title><link>https://blog.youkuaiyun.com/coolerzZ/article/details/111468288</link><guid>https://blog.youkuaiyun.com/coolerzZ/article/details/111468288</guid><author>coolerzZ</author><pubDate>Mon, 21 Dec 2020 10:26:33 +0800</pubDate><description><![CDATA[1.切换到指定anaconda环境：
conda activate tensorflow2
(可能会出现Your shell has not been properly configured to use 'conda activate'.
这时使用 conda deactivate 退出虚拟环境，然后重新进入即可)


如图所示，表示成功
2.安装指定包，这里以redis为例
pip install redis==2.10.6
pip install redis-py-cluster==1.3.5


.]]></description><category></category></item><item><title><![CDATA[LSTM如何解决梯度弥散和爆炸问题]]></title><link>https://blog.youkuaiyun.com/coolerzZ/article/details/110522821</link><guid>https://blog.youkuaiyun.com/coolerzZ/article/details/110522821</guid><author>coolerzZ</author><pubDate>Thu, 03 Dec 2020 11:04:16 +0800</pubDate><description><![CDATA[之前看了很多讲LSTM优点的，但是几乎没有一篇能让我解开心中的疑惑：LSTM究竟怎么解决梯度弥散的？直到看到这篇文章“苏剑林. (2020, Nov 13). 《也来谈谈RNN的梯度消失/爆炸问题 》[Blog post]. Retrieved fromhttps://kexue.fm/archives/7888”，个人认为这是我看到的第一篇讲清楚LSTM解决梯度弥散机制的文章，特此记录，同时感谢大佬@苏剑林！

原文地址：https://kexue.fm/archives/7888


...]]></description><category></category></item><item><title><![CDATA[Fm算法个人理解小记]]></title><link>https://blog.youkuaiyun.com/coolerzZ/article/details/110121817</link><guid>https://blog.youkuaiyun.com/coolerzZ/article/details/110121817</guid><author>coolerzZ</author><pubDate>Wed, 25 Nov 2020 12:04:07 +0800</pubDate><description><![CDATA[从开始接触推荐相关的内容以来，无论是主流的工业应用还是各种博客科普教学，Fm算法始终是推荐这条路上绕不过的重要节点。

因为个人水平有限，始终对于Fm算法的理解都停滞与表面，别人说Fm算法是对LR的升级，是对MF的发扬光大，但是就我自己来说，始终没有理解Fm算法真正的内核所在，或者说的具体一点，就是Fm怎么做到对用户/物品进行向量表示。

俗话说读书百遍其义自见，但是书读百遍，不用心去理解问题，直接看答案会导致你对答案里的方法、技巧根本不能理解，更不要提答案是怎么解决问题的。

对于Fm的一些想法，特此记录]]></description><category></category></item><item><title><![CDATA[anaconda直接访问历史发布的所有版本包]]></title><link>https://blog.youkuaiyun.com/coolerzZ/article/details/109770090</link><guid>https://blog.youkuaiyun.com/coolerzZ/article/details/109770090</guid><author>coolerzZ</author><pubDate>Wed, 18 Nov 2020 12:01:45 +0800</pubDate><description><![CDATA[anaconda直接访问历史发布的所有版本包进行下载：https://repo.anaconda.com/archive/

特此记录。


]]></description><category></category></item><item><title><![CDATA[mapreduce程序的运行流程]]></title><link>https://blog.youkuaiyun.com/coolerzZ/article/details/108766204</link><guid>https://blog.youkuaiyun.com/coolerzZ/article/details/108766204</guid><author>coolerzZ</author><pubDate>Thu, 24 Sep 2020 08:50:46 +0800</pubDate><description><![CDATA[看了很多博客，个人感觉唯有这篇博客对小白来说讲的最清楚，特记录于下：原博客地址：点我

（1） 一个 mr 程序启动的时候，最先启动的是 MRAppMaster， MRAppMaster 启动后根据本次job 的描述信息，计算出需要的 maptask 实例数量，然后向集群申请机器启动相应数量的maptask 进程
（2） maptask 进程启动之后，根据给定的数据切片(哪个文件的哪个偏移量范围)范围进行数据处理，主体流程为：
  A、 利用客户指定的 inputformat 来获取 Record...]]></description><category></category></item><item><title><![CDATA[sql percentile求分位数记录]]></title><link>https://blog.youkuaiyun.com/coolerzZ/article/details/108731281</link><guid>https://blog.youkuaiyun.com/coolerzZ/article/details/108731281</guid><author>coolerzZ</author><pubDate>Tue, 22 Sep 2020 14:19:44 +0800</pubDate><description><![CDATA[sql 中percentile求分位数时，如果出现null的时候，该方法会直接忽略null，在剩下的数中求分位数。

例如 null，null，3,4,5,6,7 的中位数是 5，上四分位数是4，下四分位数是6
]]></description><category></category></item><item><title><![CDATA[关于LSTM解决梯度弥散爆炸问题解析]]></title><link>https://blog.youkuaiyun.com/coolerzZ/article/details/107016289</link><guid>https://blog.youkuaiyun.com/coolerzZ/article/details/107016289</guid><author>coolerzZ</author><pubDate>Mon, 29 Jun 2020 11:12:33 +0800</pubDate><description><![CDATA[转自知乎@Towser 原链接




“LSTM 能解决梯度消失/梯度爆炸”是对 LSTM 的经典误解。这里我先给出几个粗线条的结论，详细的回答以后有时间了再扩展：

1、首先需要明确的是，RNN 中的梯度消失/梯度爆炸和普通的 MLP 或者深层 CNN 中梯度消失/梯度爆炸的含义不一样。MLP/CNN 中不同的层有不同的参数，各是各的梯度；而 RNN 中同样的权重在各个时间步共享，最终的梯度 g = 各个时间步的梯度 g_t 的和。

2、由 1 中所述的原因，RNN 中总的梯度是不会消失的。即便梯度.]]></description><category></category></item><item><title><![CDATA[深度学习基础——训练集，验证集和测试集（转载）]]></title><link>https://blog.youkuaiyun.com/coolerzZ/article/details/106915100</link><guid>https://blog.youkuaiyun.com/coolerzZ/article/details/106915100</guid><author>coolerzZ</author><pubDate>Tue, 23 Jun 2020 08:32:21 +0800</pubDate><description><![CDATA[转自孙高飞，「发表于 TesterHome 」原始链接点我

前言

我们在模型训练的时候通常会将我们所得到的数据分成三部分。 分别是training set， dev set(也叫validation set)和 test set。 在我们的模型调研过程中，他们分别起着不同的作用。training set用来训练模型， dev set用来统计单一评估指标，调节参数, 选择算法。 test set 则用来在最后整体评估模型的性能。

三者之间的关系与作用



如上图，假设我们有一份数据，会将它按一定的规则]]></description><category></category></item><item><title><![CDATA[深度学习中优化函数详解]]></title><link>https://blog.youkuaiyun.com/coolerzZ/article/details/105708608</link><guid>https://blog.youkuaiyun.com/coolerzZ/article/details/105708608</guid><author>coolerzZ</author><pubDate>Thu, 23 Apr 2020 15:27:50 +0800</pubDate><description><![CDATA[看到一篇非常不错讲优化函数的博客，怕以后找不到，所以做个记录

原文地址：地址

作者：Maddock（给大神点个赞！）



                  （一）一个框架看懂优化算法

“说到优化算法，入门级必从 SGD 学起，老司机则会告诉你更好的还有AdaGrad / AdaDelta，或者直接无脑用 Adam。可是看看学术界的最新 pape...]]></description><category></category></item><item><title><![CDATA[pycharm调用tensorboard笔记]]></title><link>https://blog.youkuaiyun.com/coolerzZ/article/details/105387570</link><guid>https://blog.youkuaiyun.com/coolerzZ/article/details/105387570</guid><author>coolerzZ</author><pubDate>Wed, 08 Apr 2020 14:45:25 +0800</pubDate><description><![CDATA[anaconda打开命令窗口



输入命令


tensorboard --logdir C:\\xx\\autograph

地址为存放日志路径
]]></description><category></category></item><item><title><![CDATA[linux中nuhup笔记]]></title><link>https://blog.youkuaiyun.com/coolerzZ/article/details/105360466</link><guid>https://blog.youkuaiyun.com/coolerzZ/article/details/105360466</guid><author>coolerzZ</author><pubDate>Tue, 07 Apr 2020 11:29:12 +0800</pubDate><description><![CDATA[nohup sh runshell.sh &gt; log.log 2&gt;&amp;1 &amp; 


tail -f log.log


]]></description><category></category></item><item><title><![CDATA[T检验显著性检验根据t值计算p值]]></title><link>https://blog.youkuaiyun.com/coolerzZ/article/details/104914157</link><guid>https://blog.youkuaiyun.com/coolerzZ/article/details/104914157</guid><author>coolerzZ</author><pubDate>Tue, 17 Mar 2020 09:09:55 +0800</pubDate><description><![CDATA[使用scala进行T检验，独立样本T检验（independent samples t-test）中的异方差公式如下：

详细参考内容见链接

t值根据均值、自由度、方差可以直接计算，由t值计算p值利用了java的math3，maven配置添加下面内容即可：



&lt;dependency&gt;
    &lt;groupId&gt;org.apache.commons&lt;/groupI...]]></description><category></category></item><item><title><![CDATA[scala windows本地配置lzo读取所需相关组件]]></title><link>https://blog.youkuaiyun.com/coolerzZ/article/details/103952188</link><guid>https://blog.youkuaiyun.com/coolerzZ/article/details/103952188</guid><author>coolerzZ</author><pubDate>Mon, 13 Jan 2020 08:44:46 +0800</pubDate><description><![CDATA[具体内容如上图，包括gplcompression.dll，lzo2.dll（已经编译好），hadoop-lzo-0.4.21-SNAPSHOT.jar

这个是csdn上下载的，那个老哥下载需要积分，这里分享出来。

传送门

芝麻开门：xus5
...]]></description><category></category></item><item><title><![CDATA[中国十个主要城市10-18年的统计年鉴]]></title><link>https://blog.youkuaiyun.com/coolerzZ/article/details/103616774</link><guid>https://blog.youkuaiyun.com/coolerzZ/article/details/103616774</guid><author>coolerzZ</author><pubDate>Mon, 23 Dec 2019 08:41:36 +0800</pubDate><description><![CDATA[主要包括：安徽、北京、广东、河南、湖南、上海、深圳、天津、浙江、重庆

个人整理，可能出现错误，请各位使用时注意。

仅供学习使用。





传送门
芝麻开门：nbym





...]]></description><category></category></item><item><title><![CDATA[idea_spark配置maven小知识点]]></title><link>https://blog.youkuaiyun.com/coolerzZ/article/details/99542566</link><guid>https://blog.youkuaiyun.com/coolerzZ/article/details/99542566</guid><author>coolerzZ</author><pubDate>Wed, 14 Aug 2019 09:42:15 +0800</pubDate><description><![CDATA[https://mvnrepository.com/search?q=spark

pom文件中各个版本对应情况





如果这块配置了，hosts文件也需要配置集群的节点，否则即使跑本地文件时也会试图先连接集群，从而报错。
...]]></description><category></category></item></channel></rss>