<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[cpluss的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/cpluss</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; cpluss]]></copyright><item><title><![CDATA[[c++规范]：Google Runtime Int]]></title><link>https://blog.youkuaiyun.com/cpluss/article/details/113524761</link><guid>https://blog.youkuaiyun.com/cpluss/article/details/113524761</guid><author>cpluss</author><pubDate>Mon, 01 Feb 2021 17:15:30 +0800</pubDate><description><![CDATA[[c++规范]：Google Runtime Int
consider replacing ‘unsigned long long’ with ‘uint64’
​	最近在用clang-tidy检查代码规范时，报了一个Google-Runtime-Int的error:

​	查了一下资料，原因应该时clang-tidy的代码检查，应用了google-runtime-int规范，具体的规范链接在: Google RunTimeInt 。具体的想法：尽量不适用long、unsigned这类标识符，而是使用int]]></description><category></category></item><item><title><![CDATA[强化学习： 贝尔曼方程与马尔可夫决策过程]]></title><link>https://blog.youkuaiyun.com/cpluss/article/details/111396193</link><guid>https://blog.youkuaiyun.com/cpluss/article/details/111396193</guid><author>cpluss</author><pubDate>Fri, 18 Dec 2020 21:06:07 +0800</pubDate><description><![CDATA[强化学习： 贝尔曼方程与马尔可夫决策过程
一、简介
贝尔曼方程和马尔可夫决策过程是强化学习非常重要的两个概念，大部分强化学习算法都是围绕这两个概念进行操作。尤其是贝尔曼方程，对以后理解蒙特卡洛搜索、时序差分算法以及深度强化学习算法都至关重要。这篇文章主要介绍贝尔曼方程。
常用的资料：
《Reinforcement Learning: An Introduction》 author: Richard S.Sutton and Andrew G.Barto
UCL Course: https://www.dav]]></description><category></category></item><item><title><![CDATA[clickhouse源码安装（无sudo权限，gcc、cmake、ninja源码安装）]]></title><link>https://blog.youkuaiyun.com/cpluss/article/details/111284341</link><guid>https://blog.youkuaiyun.com/cpluss/article/details/111284341</guid><author>cpluss</author><pubDate>Wed, 16 Dec 2020 16:02:01 +0800</pubDate><description><![CDATA[ClickHouse 源码安装 （无sudo情况下，gcc,cmake,ninja源码安装）
简介
​	由于工作和学习的需要，需要使用clickhouse数据库。如果只是限于日常的简单使用，那么不需要源码安装；如果涉及到对clickhouse的改造和开发，则必须要利用源码安装。而且限制于个人的身份，很难去获取sudo权限，因此安装各种软件就会收到限制。下面就介绍一下，非sudo权限下源码安装clickhouse的全部过程。
gcc安装
​	clickhouse支持的gcc版本为10.0以上，而大部分linu]]></description><category></category></item><item><title><![CDATA[强化学习：强化学习简介]]></title><link>https://blog.youkuaiyun.com/cpluss/article/details/111238308</link><guid>https://blog.youkuaiyun.com/cpluss/article/details/111238308</guid><author>cpluss</author><pubDate>Tue, 15 Dec 2020 19:35:27 +0800</pubDate><description><![CDATA[强化学习：强化学习简介
一、简介
​   由于工作和研究的需要，不得不接触一部分的强化学习课程。而强化学习系列大部分原理都涉及到相当多的数学原理，啃起来也比较麻烦。我在学习的过程中，也是参考了多方资料，整个系列看下来，深感只有真正动手coding才能理解到强化学习的精髓吧。但碍于时间的限制，我并没有真正的去动手编程，而是粗略的去阅读了别人的源码，这一部分欠缺，等日后有时间了再补上去。
​	  常用的资料：
​	  《Reinforcement Learning: An Introduction》 autho]]></description><category></category></item><item><title><![CDATA[XLNet模型]]></title><link>https://blog.youkuaiyun.com/cpluss/article/details/106841177</link><guid>https://blog.youkuaiyun.com/cpluss/article/details/106841177</guid><author>cpluss</author><pubDate>Thu, 18 Jun 2020 19:08:57 +0800</pubDate><description><![CDATA[你真的懂XLNet吗？
一、概述
​	近日，随着GPT-3模型的新鲜出炉，NLP领域似乎正朝着“烧钱+烧数据”的方向一去不返。从18年的BERT，到19年XLNet，再到如今的GPT-3，烧钱模式愈演愈烈，NLP似乎已经不适合穷人研究了，调参侠的生存空间被严重挤压。尽管如此，在如今开口不提BERT就不好意思说自己是NLPer的时代，我们还是很有必要对这些模型进行深入的了解的。本文主要是借着课程需要的契机，非常非常非常非常详细的介绍XLNet模型。至于XLNet的源码，看情况考虑是否阅读。
二、背景知识
​	]]></description><category></category></item><item><title><![CDATA[字节跳动面经（已收到offer）]]></title><link>https://blog.youkuaiyun.com/cpluss/article/details/105482528</link><guid>https://blog.youkuaiyun.com/cpluss/article/details/105482528</guid><author>cpluss</author><pubDate>Mon, 13 Apr 2020 11:20:47 +0800</pubDate><description><![CDATA[情况说明

本人系非985非211渣硕，目前研一，学分修够，想找一个日常实习。在牛客网上投了很多简历，也面试很多的公司，最终选择了字节跳动。

面试情况

阿里巴巴

阿里巴巴面试的是达摩院，做命名实体识别，面试方式是电话面试。这个工作对我来说特别吸引人，因为我之前就是做命名实体识别的。但是，达摩院那么要求我至少实习一年，所以只能遗憾了。阿里巴巴感觉很重视过往的实习经验，会针对你做的项目深度挖掘：...]]></description><category></category></item><item><title><![CDATA[文本相似度相关工作调研（二）]]></title><link>https://blog.youkuaiyun.com/cpluss/article/details/103048447</link><guid>https://blog.youkuaiyun.com/cpluss/article/details/103048447</guid><author>cpluss</author><pubDate>Wed, 13 Nov 2019 14:20:56 +0800</pubDate><description><![CDATA[《Short Text Similarity With Word Embeddings》论文解释
一、概要
​	本文主要介绍基于词嵌入的短文本相似度计算方法。相比较于其他方法，这种方法的特点在于：

几乎不需要任何外部知识（例如不需要语法分析等）
不需要手工构造特征
此方法计算的是语义相似度，并不是语法或者词型相似度（另一篇文章中提高到LCS、编辑距离等）
能够利用多种方式、多种语料获得的词向量（...]]></description><category></category></item><item><title><![CDATA[文本相似度相关工作调研（一）]]></title><link>https://blog.youkuaiyun.com/cpluss/article/details/103033790</link><guid>https://blog.youkuaiyun.com/cpluss/article/details/103033790</guid><author>cpluss</author><pubDate>Tue, 12 Nov 2019 17:15:10 +0800</pubDate><description><![CDATA[A Survey Of Text Similarity Approach
（本文翻译自上述文献）

方法分为四种string-based，corpus-based，knowledge-based，Hybrid Similarity Measure

Introduction:
​	lexical similarity: string-based
​	semantic similarity: cor...]]></description><category></category></item><item><title><![CDATA[有效集算法python实现]]></title><link>https://blog.youkuaiyun.com/cpluss/article/details/102596952</link><guid>https://blog.youkuaiyun.com/cpluss/article/details/102596952</guid><author>cpluss</author><pubDate>Wed, 16 Oct 2019 23:29:14 +0800</pubDate><description><![CDATA[本文实现python版本的有效集算法，有效集算法的原理暂不介绍。
# coding=utf-8
# 有效集算法实现，解决二次规划问题
# min 1/2x.THx+c.Tx
# s.t. Ax&gt;=b
import numpy as np


class Active_set(object):
    def __init__(self, H, c, A, b):
        self.H...]]></description><category></category></item><item><title><![CDATA[单纯形法python实现]]></title><link>https://blog.youkuaiyun.com/cpluss/article/details/102596890</link><guid>https://blog.youkuaiyun.com/cpluss/article/details/102596890</guid><author>cpluss</author><pubDate>Wed, 16 Oct 2019 23:23:43 +0800</pubDate><description><![CDATA[单纯形法介绍
详见我的另一篇文章https://blog.youkuaiyun.com/cpluss/article/details/100806516
python代码
# coding=utf-8
# 单纯形法的实现，只支持最简单的实现方法
# 且我们假设约束矩阵A的最后m列是可逆的
# 这样就必须满足A是行满秩的（m*n的矩阵）

import numpy as np


class Simplex(o...]]></description><category></category></item><item><title><![CDATA[单纯形法解释]]></title><link>https://blog.youkuaiyun.com/cpluss/article/details/100806516</link><guid>https://blog.youkuaiyun.com/cpluss/article/details/100806516</guid><author>cpluss</author><pubDate>Fri, 13 Sep 2019 17:15:28 +0800</pubDate><description><![CDATA[单纯形法的理解


理解单纯形法之前必须要知道一下若干定理或者知识。



对于Ax=b,A:m∗n,x:n∗1,b:n∗1Ax=b,\quad A:m*n,\quad x:n*1,\quad b:n*1Ax=b,A:m∗n,x:n∗1,b:n∗1，可以写成下列形式：
Ax=(A1,A2,...An)(x1x2...xn)=A1x1+A2x2+...+Anxn=b
Ax=(A^1,A^2,...A...]]></description><category></category></item><item><title><![CDATA[PyTorch系列（3）：tensor生成操作大全]]></title><link>https://blog.youkuaiyun.com/cpluss/article/details/90266827</link><guid>https://blog.youkuaiyun.com/cpluss/article/details/90266827</guid><author>cpluss</author><pubDate>Thu, 16 May 2019 16:44:03 +0800</pubDate><description><![CDATA[下面参数中的省略号代表dtype、requires_grad等常规参数。
一、
torch.tensor(data, dtype=None, device=None, requires_grad=False, pin_memory=False) → Tensor
1、用data创建一个tensor
2、torch.tensor会从data出复制数据，意味着生成的tensor不会和data共享内存（...]]></description><category></category></item><item><title><![CDATA[PyTorch系列（2）：tensor操作大全]]></title><link>https://blog.youkuaiyun.com/cpluss/article/details/90263496</link><guid>https://blog.youkuaiyun.com/cpluss/article/details/90263496</guid><author>cpluss</author><pubDate>Thu, 16 May 2019 14:45:15 +0800</pubDate><description><![CDATA[torch.is_tensor(obj)：判断obj是否是tensor类型
import torch
x = torch.randn(1,2)
y = x.numpy()
print(torch.is_tensor(x))
print(torch.is_tensor(y))

True
False

torch.is_storage(obj): 判断obj是否是pytorch storage 对象...]]></description><category></category></item><item><title><![CDATA[Pytorch系列（1）：torch.gather()]]></title><link>https://blog.youkuaiyun.com/cpluss/article/details/90260550</link><guid>https://blog.youkuaiyun.com/cpluss/article/details/90260550</guid><author>cpluss</author><pubDate>Thu, 16 May 2019 11:43:46 +0800</pubDate><description><![CDATA[torch.gather
作用：收集输入的特定维度指定位置的数值
参数：
input(tensor):  &nbsp; 待操作数。不妨设其维度为（x1, x2, …, xn）
dim(int):  &nbsp; 待操作的维度。
index(LongTensor):   &nbsp; 如何对input进行操作。其维度有限定，例如当dim=i时，index的维度为（x1, x2, …y, …,xn），...]]></description><category></category></item><item><title><![CDATA[xshell + zsh终端乱码解决]]></title><link>https://blog.youkuaiyun.com/cpluss/article/details/90054582</link><guid>https://blog.youkuaiyun.com/cpluss/article/details/90054582</guid><author>cpluss</author><pubDate>Fri, 10 May 2019 11:19:08 +0800</pubDate><description><![CDATA[待解决的问题
1、xshell安装zsh之后，控制台不显示箭头，而显示问号，如图所示。
2、xshell显示中文乱码

解决办法
无论是中文乱码还是箭头显示问题，其实质都是xshell的默认设置问题：不支持非ascii编码，也导致了字体显示错误，因此需要设置字体格式。方法如下：
1、打开“文件”-&gt;“属性”：

2、点击上图中的“终端”，在“编码”选项中选择UTF-8编码。

3、点击确定，...]]></description><category></category></item><item><title><![CDATA[计算所考研复试]]></title><link>https://blog.youkuaiyun.com/cpluss/article/details/88856193</link><guid>https://blog.youkuaiyun.com/cpluss/article/details/88856193</guid><author>cpluss</author><pubDate>Wed, 27 Mar 2019 21:36:42 +0800</pubDate><description><![CDATA[计算所考研复试
本人参加19年计算所考研360+，专业课为863，计算所复试分数线为322.
\quad\quad简单说一下结果吧，本科哪里的就不说了，成功上岸，但不太理想，不想再提了。
\quad\quad我报的是计算所网数实验室，绝对热门实验室，据我所知的热门实验室还有网技、前瞻、智信和体系结构
\quad\quad初试什么的就不说了，说一下面试吧。
\quad\quad面试分两天进行，开始的...]]></description><category></category></item><item><title><![CDATA[CRF代码及实现原理（二）]]></title><link>https://blog.youkuaiyun.com/cpluss/article/details/88825748</link><guid>https://blog.youkuaiyun.com/cpluss/article/details/88825748</guid><author>cpluss</author><pubDate>Tue, 26 Mar 2019 17:38:39 +0800</pubDate><description><![CDATA[主要介绍CRF代码实现
代码来源：pytorch官网
代码链接： https://pytorch.org/tutorials/beginner/nlp/advanced_tutorial.html
配合另一篇文章讲解，看此篇之前，最好看一下另一篇文章（CRF原理以及维特比解码），看完之后会很容易理解
另一篇文章链接：https://blog.youkuaiyun.com/cpluss/article/det...]]></description><category></category></item><item><title><![CDATA[CRF代码实现及原理（一）]]></title><link>https://blog.youkuaiyun.com/cpluss/article/details/88824303</link><guid>https://blog.youkuaiyun.com/cpluss/article/details/88824303</guid><author>cpluss</author><pubDate>Tue, 26 Mar 2019 16:51:23 +0800</pubDate><description><![CDATA[CRF:条件随机场（Conditional Random Field）
什么样的问题需要CRF模型
如果我们的数据是一个序列，后面的结果受到前面结果的影响，此时就需要我们使用CRF模型。例如，我们假设把一个人的日常生活拍成照片，而一张张着嘴的照片我们无法判断他是吃饭还是在唱歌（or 其他），但是如果这张照片之前有其他照片显示为餐桌、米饭等，我们则基本可以判定他在吃饭；如果显示为ktv，则基本可以判...]]></description><category></category></item><item><title><![CDATA[EM算法详解]]></title><link>https://blog.youkuaiyun.com/cpluss/article/details/88817337</link><guid>https://blog.youkuaiyun.com/cpluss/article/details/88817337</guid><author>cpluss</author><pubDate>Tue, 26 Mar 2019 12:39:16 +0800</pubDate><description><![CDATA[EM Expectation-Maxium详细推导
参考：https://www.cnblogs.com/pinard/p/6912636.html
EM算法想要解决的问题
我们想要求解模型的未知参数，一般可以利用极大化模型的对数似然函数。但是有的问题不仅模型参数未知，而且还存在其他的未知的隐含数据，这个时候就不能直接利用极大化似然函数了。
这个时候，我们的思路是，对于两种未知变量（待求的模型参数...]]></description><category></category></item><item><title><![CDATA[Bert代码详解（二）]]></title><link>https://blog.youkuaiyun.com/cpluss/article/details/88418353</link><guid>https://blog.youkuaiyun.com/cpluss/article/details/88418353</guid><author>cpluss</author><pubDate>Tue, 12 Mar 2019 12:30:08 +0800</pubDate><description><![CDATA[这是bert的pytorch版本（与tensorflow一样的，这个更简单些，这个看懂了，tf也能看懂），地址：https://github.com/huggingface/pytorch-pretrained-BERT主要内容在pytorch_pretrained_bert/modeling文件中。

由于这几天要参见计算所复试，超级紧张，所以先把草稿贴在这里，复试过了再加以完善！！！嘤嘤...]]></description><category></category></item></channel></rss>