<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ddana_a的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ddana_a</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ddana_a]]></copyright><item><title><![CDATA[7月开发过程中遇到的问题总结]]></title><link>https://blog.youkuaiyun.com/ddana_a/article/details/125896613</link><guid>https://blog.youkuaiyun.com/ddana_a/article/details/125896613</guid><author>ddana_a</author><pubDate>Wed, 20 Jul 2022 17:28:00 +0800</pubDate><description><![CDATA[Java、mysql、mybatis开发过程中遇到的问题]]></description><category></category></item><item><title><![CDATA[一些mongodb数据库操作+关于@ApiImplicitParams、ApiImplicitParam的使用说明+POST四种传参+boolean类型get()和set()方法出错的问题]]></title><link>https://blog.youkuaiyun.com/ddana_a/article/details/125286474</link><guid>https://blog.youkuaiyun.com/ddana_a/article/details/125286474</guid><author>ddana_a</author><pubDate>Tue, 14 Jun 2022 21:28:46 +0800</pubDate><description><![CDATA[一些mongodb数据库操作+关于@ApiImplicitParams、ApiImplicitParam的使用说明+POST四种传参+boolean类型get()和set()方法出错的问题]]></description><category></category></item><item><title><![CDATA[idea构建项目时遇到的问题]]></title><link>https://blog.youkuaiyun.com/ddana_a/article/details/124706541</link><guid>https://blog.youkuaiyun.com/ddana_a/article/details/124706541</guid><author>ddana_a</author><pubDate>Wed, 11 May 2022 14:41:03 +0800</pubDate><description><![CDATA[1、idea的compiler output怎么配置？

将File -&gt; Project Structure -&gt; Project -&gt; Project compiler output的地址改成和File -&gt; Project Structure -&gt; Modules -&gt;要设置的模块-&gt; Paths -&gt; Use module compile out path -&gt; Output path的路径一致。

(44条消息) idea 设置项目编译输出目录]]></description><category></category></item><item><title><![CDATA[java环境配置]]></title><link>https://blog.youkuaiyun.com/ddana_a/article/details/124692896</link><guid>https://blog.youkuaiyun.com/ddana_a/article/details/124692896</guid><author>ddana_a</author><pubDate>Tue, 10 May 2022 17:18:34 +0800</pubDate><description><![CDATA[Windows终端无法通过cd切换盘符目录 - 唐的糖 - 博客园 (cnblogs.com)


cd /d D:

Tomcat安装及配置_思想在拧紧的博客-优快云博客_tomcat

tomcat9安装地址：

Apache Tomcat® - Apache Tomcat 9 Software Downloads

idea配置tomcat以及运行maven项目：

​​​​​​Idea中配置Tomcat以及运行maven项目_Yan Yang的博客-优快云博客_idea配置tomcat启动mav]]></description><category></category></item><item><title><![CDATA[Windows配置Java环境（jdk环境+maven环境+IDEA环境）]]></title><link>https://blog.youkuaiyun.com/ddana_a/article/details/124343394</link><guid>https://blog.youkuaiyun.com/ddana_a/article/details/124343394</guid><author>ddana_a</author><pubDate>Fri, 22 Apr 2022 15:34:51 +0800</pubDate><description><![CDATA[1、jdk环境

JDK8 下载 - 编程宝库

win10系统下安装JDK1.8及配置环境变量的方法 - 程序员小羊 - 博客园

Windows 10 配置Java 环境变量 | 菜鸟教程

2、maven环境


]]></description><category></category></item><item><title><![CDATA[Mac下配置java环境以及idea的使用]]></title><link>https://blog.youkuaiyun.com/ddana_a/article/details/124220388</link><guid>https://blog.youkuaiyun.com/ddana_a/article/details/124220388</guid><author>ddana_a</author><pubDate>Sun, 17 Apr 2022 22:57:18 +0800</pubDate><description><![CDATA[Mac下配置java环境以及idea的使用:
1、jdk的安装配置
2、maven的安装配置
3、tomcat的安装配置
4、idea的安装配置]]></description><category></category></item><item><title><![CDATA[今日问题7777]]></title><link>https://blog.youkuaiyun.com/ddana_a/article/details/118108632</link><guid>https://blog.youkuaiyun.com/ddana_a/article/details/118108632</guid><author>ddana_a</author><pubDate>Tue, 22 Jun 2021 16:45:03 +0800</pubDate><description><![CDATA[1、SQL 查询登录次数前十的user （每登陆一次都有一条记录） 登录次数最频繁的user

2、并发 写交替打印字母a～z

3、算法题 数组中未出现的最小正整数

4、面经刷一刷

https://www.nowcoder.com/discuss/532896?type=2&amp;order=0&amp;pos=37&amp;page=4&amp;ncTraceId=&amp;channel=-1&amp;source_id=discuss_tag_nctrack
...]]></description><category></category></item><item><title><![CDATA[一二三维卷积]]></title><link>https://blog.youkuaiyun.com/ddana_a/article/details/115653326</link><guid>https://blog.youkuaiyun.com/ddana_a/article/details/115653326</guid><author>ddana_a</author><pubDate>Tue, 13 Apr 2021 10:01:15 +0800</pubDate><description><![CDATA[二维卷积

图中的输入的数据维度为 14 × 14 ，过滤器大小为 5 × 5，二者做卷积，输出的数据维度为 10 × 10（ 14 − 5 + 1 = 10 ）。
• 上述内容没有引入channel的概念，也可以说channel的数量为1。如果将二维卷积中输入的channel的数量变为3，即输入的数据维度变为（14 × 14 × 3）。由于卷积操作中过滤器的 channel 数量必须与输入数据的channel数量相同，过滤器大小也变为 5 × 5 × 3 。在卷积的过程中，过滤器与数据在 channel ]]></description><category></category></item><item><title><![CDATA[Java面试-Redis]]></title><link>https://blog.youkuaiyun.com/ddana_a/article/details/114536784</link><guid>https://blog.youkuaiyun.com/ddana_a/article/details/114536784</guid><author>ddana_a</author><pubDate>Sat, 27 Mar 2021 13:30:47 +0800</pubDate><description><![CDATA[简单介绍Redis
与传统数据库不同的是 Redis 的数据是存在内存中的 ，也就是它是内存数据库，所以读写速度非常快，因此 Redis 被广泛应用于缓存方向。
Redis 除了做缓存之外，Redis 也经常用来做分布式锁，甚至是消息队列。
Redis 提供了多种数据类型来支持不同的业务场景。Redis 还支持事务 、持久化、Lua 脚本、多种集群方案。
分布式缓存常见的技术选型方案有哪些？
分布式缓存的话，使用的比较多的主要是 Memcached 和 Redis。不过，现在基本没有看过还有项目使用 Mem]]></description><category></category></item><item><title><![CDATA[Java面试-数据结构]]></title><link>https://blog.youkuaiyun.com/ddana_a/article/details/115049042</link><guid>https://blog.youkuaiyun.com/ddana_a/article/details/115049042</guid><author>ddana_a</author><pubDate>Sun, 21 Mar 2021 15:24:23 +0800</pubDate><description><![CDATA[数组
数组（Array） 是一种很常见的数据结构。它由相同类型的元素（element）组成，并且是使用一块连续的内存来存储。
我们直接可以利用元素的索引（index）可以计算出该元素对应的存储地址。
数组的特点是：提供随机访问 并且容量有限。
假如数组的长度为 n。
访问：O（1）//访问特定位置的元素
插入：O（n ）//最坏的情况发生在插入发生在数组的首部并需要移动所有元素时
删除：O（n）//最坏的情况发生在删除数组的开头发生并需要移动第一元素后面所有的元素时
链表
链表简介
链表（LinkedLis]]></description><category></category></item><item><title><![CDATA[java面试-Linux基础]]></title><link>https://blog.youkuaiyun.com/ddana_a/article/details/115047771</link><guid>https://blog.youkuaiyun.com/ddana_a/article/details/115047771</guid><author>ddana_a</author><pubDate>Sun, 21 Mar 2021 14:30:00 +0800</pubDate><description><![CDATA[操作系统的内核
操作系统的内核（Kernel）是操作系统的核心部分，它负责系统的内存管理，硬件设备的管理，文件系统的管理以及应用程序的管理。
操作系统的内核是连接应用程序和硬件的桥梁，决定着操作系统的性能和稳定性。
中央处理器（CPU）
关于 CPU 简单概括三点：
CPU 是一台计算机的运算核心（Core）+控制核心（ Control Unit），可以称得上是计算机的大脑。
CPU 主要包括两个部分：控制器+运算器。
CPU 的根本任务就是执行指令，对计算机来说最终都是一串由“0”和“1”组成的序列。
C]]></description><category></category></item><item><title><![CDATA[Java面试-操作系统]]></title><link>https://blog.youkuaiyun.com/ddana_a/article/details/115047173</link><guid>https://blog.youkuaiyun.com/ddana_a/article/details/115047173</guid><author>ddana_a</author><pubDate>Sun, 21 Mar 2021 12:47:52 +0800</pubDate><description><![CDATA[什么是操作系统
操作系统（Operating System，简称 OS）是管理计算机硬件与软件资源的程序，是计算机的基石。
操作系统本质上是一个运行在计算机上的软件程序 ，用于管理计算机硬件和软件资源。 举例：运行在你电脑上的所有应用程序都通过操作系统来调用系统内存以及磁盘等等硬件。
操作系统存在屏蔽了硬件层的复杂性。 操作系统就像是硬件使用的负责人，统筹着各种相关事项。
操作系统的内核（Kernel）是操作系统的核心部分，它负责系统的内存管理，硬件设备的管理，文件系统的管理以及应用程序的管理。 内核是连接]]></description><category></category></item><item><title><![CDATA[pytorch简单编程]]></title><link>https://blog.youkuaiyun.com/ddana_a/article/details/114876879</link><guid>https://blog.youkuaiyun.com/ddana_a/article/details/114876879</guid><author>ddana_a</author><pubDate>Tue, 16 Mar 2021 13:06:08 +0800</pubDate><description><![CDATA[1：用TensorFlow或PyTorch实现两个tensor的矩阵A和B的乘法，其中A为二维，B为N维（n &gt;= 3）
2D张量要和3D张量的后两个维度满足矩阵相乘条件。
点乘——torch.mul(a, b)
python中的广播机制(broadcasting)
broadcasting可以这样理解：如果你有一个(m,n)的矩阵，让它加减乘除一个(1,n)的矩阵，它会被复制m次，成为一个(m,n)的矩阵，然后再逐元素地进行加减乘除操作。同样地对(m,1)的矩阵成立。
矩阵乘
矩阵相乘有torch.]]></description><category></category></item><item><title><![CDATA[Encoder-Decoder模型和Attention模型]]></title><link>https://blog.youkuaiyun.com/ddana_a/article/details/114870556</link><guid>https://blog.youkuaiyun.com/ddana_a/article/details/114870556</guid><author>ddana_a</author><pubDate>Tue, 16 Mar 2021 11:15:40 +0800</pubDate><description><![CDATA[1.Encoder-Decoder模型及RNN的实现
encoder-decoder模型虽然非常经典，但是局限性也非常大。最大的局限性就在于编码和解码之间的唯一联系就是一个固定长度的语义向量C。也就是说，编码器要将整个序列的信息压缩进一个固定长度的向量中去。但是这样做有两个弊端，一是语义向量无法完全表示整个序列的信息，还有就是先输入的内容携带的信息会被后输入的信息稀释掉，或者说，被覆盖了。输入序列越长，这个现象就越严重。这就使得在解码的时候一开始就没有获得输入序列足够的信息， 那么解码的准确度自然也就要打个]]></description><category></category></item><item><title><![CDATA[如何防止过拟合和欠拟合]]></title><link>https://blog.youkuaiyun.com/ddana_a/article/details/114869991</link><guid>https://blog.youkuaiyun.com/ddana_a/article/details/114869991</guid><author>ddana_a</author><pubDate>Tue, 16 Mar 2021 10:35:26 +0800</pubDate><description><![CDATA[过拟合
1.1 定义
是指模型对于训练数据拟合呈现过当的情况，反映到评估指标上就是模型在训练集上的表现很好，但是在测试集上的表现较差。结果就是训练出的模型泛化能力差。
1.2 如何防止过拟合
防止过拟合的方法有4种：
1）增加训练集数据；
该方式是从数据入手，将更多的数据参与到模型的训练中，这是最有效的方法，这样可以让模型学习到更多更有效的特征，降低噪声对模型的影响。
但是往往直接增加数据是困难的，因此可以通过一定的规则来扩充训练数据。列举两种方式：
①如图像分类问题中可以通过对图像的平移，缩放，旋转等方式]]></description><category></category></item><item><title><![CDATA[RNN&LSTM网络结构以及LSTM的变体和拓展]]></title><link>https://blog.youkuaiyun.com/ddana_a/article/details/114868371</link><guid>https://blog.youkuaiyun.com/ddana_a/article/details/114868371</guid><author>ddana_a</author><pubDate>Tue, 16 Mar 2021 10:26:27 +0800</pubDate><description><![CDATA[RNN
CNN等传统神经网络的局限在于：将固定大小的向量作为输入（比如一张图片），然后输出一个固定大小的向量（比如不同分类的概率）。不仅如此，CNN还按照固定的计算步骤（比如模型中层的数量）来实现这样的输入输出。这样的神经网络没有持久性：假设你希望对电影中每一帧的事件类型进行分类，传统的神经网络就没有办法使用电影中先前的事件推断后续的事件。
RNN 是包含循环的网络，可以把信息从上一步传递到下一步。
LSTM
LSTM是一种RNN。RNN都有一种重复神经网络模块的链式形式。在标准的 RNN 中，这个重复的模]]></description><category></category></item><item><title><![CDATA[梯度消失、梯度爆炸产生的原因]]></title><link>https://blog.youkuaiyun.com/ddana_a/article/details/114867393</link><guid>https://blog.youkuaiyun.com/ddana_a/article/details/114867393</guid><author>ddana_a</author><pubDate>Tue, 16 Mar 2021 09:48:37 +0800</pubDate><description><![CDATA[一、梯度消失、梯度爆炸产生的原因
　　对于1.1 1.2，其实就是矩阵的高次幂导致的。在多层神经网络中，影响因素主要是权值和激活函数的偏导数。
1.1 前馈网络
若要对于w1求梯度，根据链式求导法则，得到的解为：

　　通常，若使用的激活函数为sigmoid函数，其导数最大为1/4：

这样可以看到，如果我们使用标准化初始w，那么各个层次的相乘都是0-1之间的小数，而激活函数f的导数也是0-1之间的数，其连乘后，结果会变的很小，导致梯度消失。若我们初始化的w是很大的数，w大到乘以激活函数的导数都大于1，那么]]></description><category></category></item><item><title><![CDATA[pytorch中优化器和学习率衰减方法总结]]></title><link>https://blog.youkuaiyun.com/ddana_a/article/details/114866855</link><guid>https://blog.youkuaiyun.com/ddana_a/article/details/114866855</guid><author>ddana_a</author><pubDate>Tue, 16 Mar 2021 09:07:33 +0800</pubDate><description><![CDATA[torch.optim
torch.optim是一个实现了各种优化算法的库。大部分常用的方法得到支持，并且接口具备足够的通用性，使得未来能够集成更加复杂的方法。
如何使用optimizer
为了使用torch.optim，你需要构建一个optimizer对象。这个对象能够保持当前参数状态并基于计算得到的梯度进行参数更新。
构建
为了构建一个Optimizer，你需要给它一个包含了需要优化的参数（必须都是Variable对象）的iterable。然后，你可以设置optimizer的参数选项，比如学习率，权重衰]]></description><category></category></item><item><title><![CDATA[两种优化器SGD&Adam以及损失函数交叉熵损失&MSE&SISDR]]></title><link>https://blog.youkuaiyun.com/ddana_a/article/details/114748000</link><guid>https://blog.youkuaiyun.com/ddana_a/article/details/114748000</guid><author>ddana_a</author><pubDate>Tue, 16 Mar 2021 08:30:17 +0800</pubDate><description><![CDATA[优化器
Adam
梯度下降法参数更新公式：
θt+1=θt−η⋅∇J(θt)
其中，η是学习率，θt 是第 t 轮的参数，J(θt) 是损失函数，∇J(θt)是梯度。
在最简单的梯度下降法中，学习率 η是常数，是一个需要实现设定好的超参数，在每轮参数更新中都不变，在一轮更新中各个参数的学习率也都一样。
为了表示简便，令 gt=∇J(θt)，所以梯度下降法可以表示为：
θt+1=θt−η⋅gt
Adam，是梯度下降法的变种，用来更新神经网络的权重。
Adam 更新公式：


默认值为 η=0.001，β1=0]]></description><category></category></item><item><title><![CDATA[conv-tasnet网络结构+mobilenet网络结构+VQ-VAE-2模型]]></title><link>https://blog.youkuaiyun.com/ddana_a/article/details/114733525</link><guid>https://blog.youkuaiyun.com/ddana_a/article/details/114733525</guid><author>ddana_a</author><pubDate>Sat, 13 Mar 2021 14:45:16 +0800</pubDate><description><![CDATA[conv-tasnet网络结构

encoder:
输入波形，通过一个一维卷积，提取特征，得到一个特征矩阵。
 # input encoder
 self.encoder = nn.Conv1d(1, 512, 256, bias=False, stride=16)
 #输入信号通道为1，帧长256，帧移16
 #1*3200-&gt;1*512*185[(3200-256)/16+1=185]

separation：
由卷积的一维扩张卷积块组成的时间卷积网络（TCN）估计每个spk的mask，使网络可以]]></description><category></category></item></channel></rss>