<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[empirethird的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/empirethird</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; empirethird]]></copyright><item><title><![CDATA[基于pybullet的5自由度机械臂仿真【1】基于keras手撸Agent]]></title><link>https://blog.youkuaiyun.com/empirethird/article/details/116328908</link><guid>https://blog.youkuaiyun.com/empirethird/article/details/116328908</guid><author>empirethird</author><pubDate>Sat, 01 May 2021 12:00:48 +0800</pubDate><description><![CDATA[重复造轮子没啥意义，但是手打一遍还是有收获。
import tensorflow as tf
import random
from collections import namedtuple
import math
import numpy as np

def huber_loss(y_true, y_pred, clip_delta=1.0):
    '''
    Huber_loss:回归loss函数，专用于DQN算法
    :param y_true: 混淆矩阵中真实为y的集合
    :pa]]></description><category></category></item><item><title><![CDATA[基于keras的EfficientNet复现 【2 训练模块】]]></title><link>https://blog.youkuaiyun.com/empirethird/article/details/115922148</link><guid>https://blog.youkuaiyun.com/empirethird/article/details/115922148</guid><author>empirethird</author><pubDate>Tue, 20 Apr 2021 23:49:48 +0800</pubDate><description><![CDATA[B3大概适合一般的服务器跑，batchsize不要设置太大，很容易超出显存。
这个是用的前面AlexNet数据集，改天放个数据集地址，嗝。
from __future__ import absolute_import, division, print_function
import tensorflow as tf
import math
import EfficientNet_Model
import numpy as np
from Data_Channel import Data_Channel
im]]></description><category></category></item><item><title><![CDATA[ImageNet的句号：基于keras的EfficientNet复现【1 主model】]]></title><link>https://blog.youkuaiyun.com/empirethird/article/details/115921666</link><guid>https://blog.youkuaiyun.com/empirethird/article/details/115921666</guid><author>empirethird</author><pubDate>Tue, 20 Apr 2021 23:45:56 +0800</pubDate><description><![CDATA[〇、前面的几句话
EfficientNet是19年的东西，现在是2021年初。往回看，2020年整个ImageNet领域都没有一个网络能对EfficientNet产生压倒性优势。
从这里就可以看出这个东西是多么恐怖。
网上关于EfficientNet的讲解可谓是汗牛充栋，往前翻19年的文章，大家对这个东西都没有几个理解透彻的，大多数人的注意力还停留在简单的“模型精度和效率优化”上面。
后来源代码放出来了。大家才发现，这篇文章里面是有多少细致的东西需要解读。
原理就不说了，一搜一大堆，我划几个重点，然后直接上]]></description><category></category></item><item><title><![CDATA[操作系统、strassen算法]]></title><link>https://blog.youkuaiyun.com/empirethird/article/details/115527768</link><guid>https://blog.youkuaiyun.com/empirethird/article/details/115527768</guid><author>empirethird</author><pubDate>Thu, 08 Apr 2021 18:13:24 +0800</pubDate><description><![CDATA[不难
原理写的也很清楚了，确实巧妙
from threading import Thread
import time
import random

'''
:function SP_Matrix: 作用是把矩阵A分解成四个4个n/2×n/2的子矩阵。
:function Merge_Matrix: 作用是把四个4个n/2×n/2的子矩阵合并为一个n×n的矩阵。
:function Add_Matrix: 作用是计算矩阵A和B的加。
=》算法流程
S1 = B12 - B22
S2 = A11 + A12
S]]></description><category></category></item><item><title><![CDATA[操作系统问题三、多线程矩阵乘法（这个挺有意思，跟向量处理机原理相关）]]></title><link>https://blog.youkuaiyun.com/empirethird/article/details/115527728</link><guid>https://blog.youkuaiyun.com/empirethird/article/details/115527728</guid><author>empirethird</author><pubDate>Thu, 08 Apr 2021 18:12:11 +0800</pubDate><description><![CDATA[普通算法，后面还有更快的strassen算法，原理不讲了，讲原理的汗牛充栋了都。代码参考一下。
from threading import Thread
import time
import random


'''
:function SP_Matrix: 作用是把矩阵A分解成四个4个n/2×n/2的子矩阵。
:function Merge_Matrix: 作用是把四个4个n/2×n/2的子矩阵合并为一个n×n的矩阵。
:function Add_Matrix: 作用是计算矩阵A和B的加。
'''

cl]]></description><category></category></item><item><title><![CDATA[操作系统问题三、一个模拟管程（Python，之前很少有人做，不是因为难，是因为确实没卵用）]]></title><link>https://blog.youkuaiyun.com/empirethird/article/details/115527702</link><guid>https://blog.youkuaiyun.com/empirethird/article/details/115527702</guid><author>empirethird</author><pubDate>Thu, 08 Apr 2021 18:09:35 +0800</pubDate><description><![CDATA[题目 3 ：
请用你熟悉的线程库编程实现管程，解决生产者和消费者问题并测试
答案在这：
import threading
import time

class Monitor(object):
    def __init__(self, size):
        self.MaxSize = size
        self.M_buffer = [None] * size
        self.In_P = 0
        self.OUT_P = 0
        self.count]]></description><category></category></item><item><title><![CDATA[操作系统问题二、经典过桥问题（线程池）]]></title><link>https://blog.youkuaiyun.com/empirethird/article/details/115527666</link><guid>https://blog.youkuaiyun.com/empirethird/article/details/115527666</guid><author>empirethird</author><pubDate>Thu, 08 Apr 2021 18:08:05 +0800</pubDate><description><![CDATA[题目 2 ：
一座小桥（最多只能承重两个人）横跨南北两岸，
任意时刻同一方向只允许一人过桥，南侧桥段和北侧桥段
较窄只能通过一人，桥中央一处宽敞，允许两个人通过或
歇息。要求：
① 请用 PV 操作为同步机制写出它们能正确并发执行的伪代码；
② 请用你熟悉的线程库编程实现此并发程序，并模型桥两岸各 25 人过桥的情况。
答案在这=》
import threading
import time
from concurrent.futures import ThreadPoolExecutor

Empty = ]]></description><category></category></item><item><title><![CDATA[操作系统问题一、模拟三个进程对底层缓冲区的读写功能实现（Python）]]></title><link>https://blog.youkuaiyun.com/empirethird/article/details/115527616</link><guid>https://blog.youkuaiyun.com/empirethird/article/details/115527616</guid><author>empirethird</author><pubDate>Thu, 08 Apr 2021 18:06:38 +0800</pubDate><description><![CDATA[正好在学习操作系统，几个小问题做一下
这种底层问题用Python做得少，Python多线程又是假的多线程。但是用作学习的话，不讲究那么多了。
题目 1 ：
有三个并发进程 R ， M ， P ，它们共享了一个可循
环使用的缓冲区 B ，缓冲区 B 共有 N 个单元。进程 R 负责从
输入设备读信息，每读一个字符后，把它存放在缓冲区 B
的一个单元中；进程 M 负责处理读入的字符，若发现读入
的字符中有空格符，则把它改成“ , ”；进程 P 负责把处理
后的字符取出并打印输出。当缓冲区单元中的字符被进程
P ]]></description><category></category></item><item><title><![CDATA[【2021-4-2】手动码出AlexNet(3.主文件供参考)]]></title><link>https://blog.youkuaiyun.com/empirethird/article/details/115404753</link><guid>https://blog.youkuaiyun.com/empirethird/article/details/115404753</guid><author>empirethird</author><pubDate>Fri, 02 Apr 2021 17:42:36 +0800</pubDate><description><![CDATA[声明一下，这只是基本的网络和运行结构。调参之后的模型和数据由于需要花费精力而且没有指导意义，不会放。
from Data_Channel import Data_Channel
from AlexNet_Model import AlexNet
import numpy as np
import matplotlib.pyplot as plt
'''
主训练函数，这个就简单了，直接调用数据通道就行。
创建三组数据通道，依次调用，传入模型进行训练。
'''
Alex_model = AlexNet(lear]]></description><category></category></item><item><title><![CDATA[【2021-4-2】手动码出AlexNet，基于tensorflow(2.主网络模块)]]></title><link>https://blog.youkuaiyun.com/empirethird/article/details/115404726</link><guid>https://blog.youkuaiyun.com/empirethird/article/details/115404726</guid><author>empirethird</author><pubDate>Fri, 02 Apr 2021 17:40:35 +0800</pubDate><description><![CDATA[import tensorflow as tf
import numpy as np
'''
实现一个AlexNet类
方法：
def build_net 建立神经网络
def make_sort 对于一个输入的图片，矩阵化并分类
def learn 从data_cannel中读取强化后的图片，进行梯度训练

成员变量：(先这几个)
:self.LR 训练速度
:self.DP Dp层的DP率
:self.n_classes Label的种类数
'''

class AlexNet():
    def _]]></description><category></category></item><item><title><![CDATA[【2021-4-2】手动码出AlexNet（1）数据通道类]]></title><link>https://blog.youkuaiyun.com/empirethird/article/details/115404686</link><guid>https://blog.youkuaiyun.com/empirethird/article/details/115404686</guid><author>empirethird</author><pubDate>Fri, 02 Apr 2021 17:39:17 +0800</pubDate><description><![CDATA[import numpy as np
import cv2
'''
实现一个数据管道类，从文件中读取图像流数据
参数：
self.category：数据通道所属类别，指定了文件路径，对于每一种类的图片，设置不同路径。
self.RF_pool：强化池最大数量。
方法：
A.数据强化：指定图像路径，加载图像，对图像进行加噪点、翻转等强化，放入强化池。
B.取数据：从强化池中取定量数据。可以规定取数据的数量。
'''

class Data_Channel():
    def __init__(self, c]]></description><category></category></item></channel></rss>