<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[ghjk014的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/ghjk014</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; ghjk014]]></copyright><item><title><![CDATA[web服务向微信推送消息]]></title><link>https://blog.youkuaiyun.com/ghjk014/article/details/136398116</link><guid>https://blog.youkuaiyun.com/ghjk014/article/details/136398116</guid><author>ghjk014</author><pubDate>Fri, 01 Mar 2024 15:42:22 +0800</pubDate><description><![CDATA[WxPusher (微信推送服务)是一个使用微信公众号作为通道的，实时信息推送平台，你可以通过调用API的方式，把信息推送到微信上，无需安装额外的软件，即可做到信息实时通知。你可以使用WxPusher来做服务器报警通知、抢课通知、抢票通知，信息更新提示等。即可通过web API或python API SDK向用户发送消息。]]></description><category></category></item><item><title><![CDATA[Vulkan-着色器及编译SPIR-V]]></title><link>https://blog.youkuaiyun.com/ghjk014/article/details/133387465</link><guid>https://blog.youkuaiyun.com/ghjk014/article/details/133387465</guid><author>ghjk014</author><pubDate>Thu, 28 Sep 2023 17:54:51 +0800</pubDate><description><![CDATA[Vulkan创建着色器]]></description><category></category></item><item><title><![CDATA[Vulkan 简介]]></title><link>https://blog.youkuaiyun.com/ghjk014/article/details/133377404</link><guid>https://blog.youkuaiyun.com/ghjk014/article/details/133377404</guid><author>ghjk014</author><pubDate>Thu, 28 Sep 2023 10:24:03 +0800</pubDate><description><![CDATA[Vulkan在很大程度上汲取了AMD Mantle的灵感，但是进行了大幅度的扩展和增强，构成了一个完善的开发体系，功能和性能都十分丰富，拥有最新图形技术、通用目的计算、预编译着色器、多核心多线程高效率、底层驱动过载、横跨桌面/移动/主机/嵌入式、底层GPU硬件控制、精炼API。在高分辨率、高画质、需要GPU发挥的时候，Vulkan、OpenGL的速度基本差不多，但是随着分辨率的降低，CPU越来越重要，Vulkan逐渐体现了出来，尤其是看看GTX 980 Ti，最多可以领先OpenGL 33％之多！]]></description><category></category></item><item><title><![CDATA[pyinstaller 生成exe]]></title><link>https://blog.youkuaiyun.com/ghjk014/article/details/132337711</link><guid>https://blog.youkuaiyun.com/ghjk014/article/details/132337711</guid><author>ghjk014</author><pubDate>Thu, 17 Aug 2023 11:40:21 +0800</pubDate><description><![CDATA[第一步安装pyinstaller。第二部生成xxx.spec。]]></description><category></category></item><item><title><![CDATA[01 常用视频编码器]]></title><link>https://blog.youkuaiyun.com/ghjk014/article/details/129267878</link><guid>https://blog.youkuaiyun.com/ghjk014/article/details/129267878</guid><author>ghjk014</author><pubDate>Tue, 28 Feb 2023 19:16:43 +0800</pubDate><description><![CDATA[常用H.264,HEVC,AV1视频编码标准软件编码器]]></description><category></category></item><item><title><![CDATA[FFplay流程分析]]></title><link>https://blog.youkuaiyun.com/ghjk014/article/details/120184996</link><guid>https://blog.youkuaiyun.com/ghjk014/article/details/120184996</guid><author>ghjk014</author><pubDate>Wed, 08 Sep 2021 17:47:37 +0800</pubDate><description><![CDATA[ffplay是基于ffmpeg的多媒体播放器例子，其基于ffmpeg和sdl实现。

调用ffmpeg实现读取流媒体文件，去复用、解码，视频缩放、音频重采样等。

调用sdl实现视频渲染、音频播放及其他时间相应。

ffplay中线程采用SDL的线程模型实现，共有如下几个线程：

读线程。读取文件、解封装
	音频解码线程。解码音频压缩数据为PCM数据。
	视频解码线程。解码视频压缩数据为图像数据。
	音频输出线程。基于SDL播放，该线程实际上是SDL的内部线程。
	视频输出线程。基于SDL播放，该线程为程序]]></description><category></category></item><item><title><![CDATA[安卓下获取USB音频设备名称]]></title><link>https://blog.youkuaiyun.com/ghjk014/article/details/108295807</link><guid>https://blog.youkuaiyun.com/ghjk014/article/details/108295807</guid><author>ghjk014</author><pubDate>Sat, 29 Aug 2020 16:06:54 +0800</pubDate><description><![CDATA[@TargetApi(23)

privateList&lt;String&gt;getUSBAudioDeviceName(){

UsbManagerusbManager=(UsbManager)_context.getSystemService(Context.USB_SERVICE);

HashMap&lt;String,UsbDevice&gt;deviceList=usbManager.getDeviceList();

Iterator&lt;UsbDe...]]></description><category></category></item><item><title><![CDATA[语音识别中的CTC算法的基本原理解释]]></title><link>https://blog.youkuaiyun.com/ghjk014/article/details/83246644</link><guid>https://blog.youkuaiyun.com/ghjk014/article/details/83246644</guid><author>ghjk014</author><pubDate>Sun, 21 Oct 2018 22:46:44 +0800</pubDate><description><![CDATA[版权声明：本文为博主原创文章，未经博主允许不得转载。    https://blog.youkuaiyun.com/luodongri/article/details/80100297
目前主流的语音识别都大致分为特征提取，声学模型，语音模型几个部分。目前结合神经网络的端到端的声学模型训练方法主要CTC和基于Attention两种。

本文主要介绍CTC算法的基本概念，可能应用的领域，以及在结合神经网络进行C...]]></description><category></category></item><item><title><![CDATA[如何利用Deep CNN大幅提升识别准确率？]]></title><link>https://blog.youkuaiyun.com/ghjk014/article/details/83246553</link><guid>https://blog.youkuaiyun.com/ghjk014/article/details/83246553</guid><author>ghjk014</author><pubDate>Sun, 21 Oct 2018 22:37:42 +0800</pubDate><description><![CDATA[转自：    https://blog.youkuaiyun.com/u011292087/article/details/62054949
近日，百度将 Deep CNN 应用于语音识别研究，使用了 VGGNet ，以及包含 Residual 连接的深层 CNN 等结构，并将 LSTM 和 CTC 的端对端语音识别技术相结合，使得识别错误率相对下降了 10% （原错误率的 90%）以上。

　　

　　机器...]]></description><category></category></item><item><title><![CDATA[（1）tensorflow语音识别 及 python音频处理库]]></title><link>https://blog.youkuaiyun.com/ghjk014/article/details/83246444</link><guid>https://blog.youkuaiyun.com/ghjk014/article/details/83246444</guid><author>ghjk014</author><pubDate>Sun, 21 Oct 2018 22:29:34 +0800</pubDate><description><![CDATA[版权声明：本文为博主原创文章，转载请注明出处。 https://blog.youkuaiyun.com/u012436149/article/details/71179314

tensorflow 语音识别

最近在做语音识别的项目，现在项目告一段落，就把最近碰到的东西做一个总结。

一些资料 https://medium.com/@ageitgey/machine-learning-is-fun-part...]]></description><category></category></item><item><title><![CDATA[干货｜语音识别框架最新进展——深度全序列卷积神经网络登场]]></title><link>https://blog.youkuaiyun.com/ghjk014/article/details/83246404</link><guid>https://blog.youkuaiyun.com/ghjk014/article/details/83246404</guid><author>ghjk014</author><pubDate>Sun, 21 Oct 2018 22:26:03 +0800</pubDate><description><![CDATA[干货｜语音识别框架最新进展——深度全序列卷积神经网络登场

2016-08-05 17:03 转载 陈杨英杰

1条评论

导读：目前最好的语音识别系统采用双向长短时记忆网络（LSTM，LongShort Term Memory），但是，这一系统存在训练复杂度高、解码时延高的问题，尤其在工业界的实时识别系统中很难应用。科大讯飞在今年提出了一种全新的语音识别框架——深度全序列卷积神经网络（DFCNN...]]></description><category></category></item><item><title><![CDATA[基于TensorFlow的车牌号识别系统]]></title><link>https://blog.youkuaiyun.com/ghjk014/article/details/78031642</link><guid>https://blog.youkuaiyun.com/ghjk014/article/details/78031642</guid><author>ghjk014</author><pubDate>Tue, 19 Sep 2017 16:35:27 +0800</pubDate><description><![CDATA[基于TensorFlow的车牌号识别系统

（原英文链接：http://matthewearl.github.io/2016/05/06/cnn-anpr/） 
Tags: 车牌识别 TensorFlow


简介

过去几周我一直在涉足深度学习领域，尤其是卷积神经网络模型。最近，谷歌围绕街景多位数字识别技术发布了一篇不错的paper。该文章描述了一个用于提取街景门牌号的单个端到端]]></description><category></category></item><item><title><![CDATA[TensorFlow升级到1.0版本的问题]]></title><link>https://blog.youkuaiyun.com/ghjk014/article/details/77752524</link><guid>https://blog.youkuaiyun.com/ghjk014/article/details/77752524</guid><author>ghjk014</author><pubDate>Thu, 31 Aug 2017 20:31:44 +0800</pubDate><description><![CDATA[BUG 1. AttributeError: ‘module’ object has no attribute ‘mul’
# 解决方案：
用tf.multiply替代tf.mul1212

BUG 2. AttributeError: ‘module’ object has no attribute ‘sub’ 
解决方案：用tf.subtract替代tf.sub
# 解决方案：
用t]]></description><category></category></item><item><title><![CDATA[tensorflow学习3--实现自编码器]]></title><link>https://blog.youkuaiyun.com/ghjk014/article/details/77752437</link><guid>https://blog.youkuaiyun.com/ghjk014/article/details/77752437</guid><author>ghjk014</author><pubDate>Thu, 31 Aug 2017 20:21:33 +0800</pubDate><description><![CDATA[深度学习之Tensorflow实现自编码器 
当拥有很多的标注数据时，可以训练一个深层的神经网络。但是没有标注的数据时，依然可以利用无监督的自编码器来提取特征。自编码器（AutoEncoder），顾名思义，即可以使用自身的高阶特征编码自己。自编码器其实也是一种神经网络，它的输入和输出是一致的，它借助稀疏编码的思想，目标是使用稀疏的一些高阶特征重新组合来重构自己。因此，它的特点非常明显：第一，期望]]></description><category></category></item><item><title><![CDATA[deep learnling概念理解 --Dropout]]></title><link>https://blog.youkuaiyun.com/ghjk014/article/details/77750802</link><guid>https://blog.youkuaiyun.com/ghjk014/article/details/77750802</guid><author>ghjk014</author><pubDate>Thu, 31 Aug 2017 18:21:41 +0800</pubDate><description><![CDATA[前言

　　训练神经网络模型时，如果训练样本较少，为了防止模型过拟合，Dropout可以作为一种trikc供选择。Dropout是hintion最近2年提出的，源于其文章Improving neural networks by preventing co-adaptation of feature detectors.中文大意为：通过阻止特征检测器的共同作用来提高神经网络的性能。本篇博文就是按]]></description><category></category></item><item><title><![CDATA[tensorflow 学习2--- mnist测试]]></title><link>https://blog.youkuaiyun.com/ghjk014/article/details/77750550</link><guid>https://blog.youkuaiyun.com/ghjk014/article/details/77750550</guid><author>ghjk014</author><pubDate>Thu, 31 Aug 2017 17:55:01 +0800</pubDate><description><![CDATA[版权声明：本文为博主原创文章，未经博主允许不得转载。




目录(?)[+]





简介

mnist相当于ML和DL的hello world程序，通过对手写数字的图片进行训练，并对测试图片进行测试，验证其有效性

数据集的准备

有时候直接在代码中下载可能需要一些时间，或者提示IO error。因此在实际的使用过程中，会先下载好离线的数据下载地址相关链接 ]]></description><category></category></item><item><title><![CDATA[神经网络回顾-Relu激活函数]]></title><link>https://blog.youkuaiyun.com/ghjk014/article/details/77750518</link><guid>https://blog.youkuaiyun.com/ghjk014/article/details/77750518</guid><author>ghjk014</author><pubDate>Thu, 31 Aug 2017 17:52:06 +0800</pubDate><description><![CDATA[1. 神经元模型

以下引用自Poll的笔记：神经网络基础。

　　神经元是神经网络中最基本的结构，也可以说是神经网络的基本单元，它的设计灵感完全来源于生物学上神经元的信息传播机制。我们学过生物的同学都知道，神经元有两种状态：兴奋和抑制。一般情况下，大多数的神经元是处于抑制状态，但是一旦某个神经元收到刺激，导致它的电位超过一个阈值，那么这个神经元就会被激活，处于“兴奋”状态，进而向其他的神]]></description><category></category></item><item><title><![CDATA[TensorFlow学习（1）]]></title><link>https://blog.youkuaiyun.com/ghjk014/article/details/77687976</link><guid>https://blog.youkuaiyun.com/ghjk014/article/details/77687976</guid><author>ghjk014</author><pubDate>Tue, 29 Aug 2017 20:47:43 +0800</pubDate><description><![CDATA[一、前言

目前，深度学习已经广泛应用于各个领域，比如图像识别，图形定位与检测，语音识别，机器翻译等等，对于这个神奇的领域，很多童鞋想要一探究竟，这里抛砖引玉的简单介绍下最火的深度学习开源框架
 tensorflow。本教程不是 cookbook，所以不会将所有的东西都事无巨细的讲到，所有的示例都将使用 python。

那么本篇教程会讲到什么？首先是一些基础概念，包括计算图，graph]]></description><category></category></item><item><title><![CDATA[【TensorFlow报错】initialize_all_variables改为tf.global_variables_initializer]]></title><link>https://blog.youkuaiyun.com/ghjk014/article/details/77678104</link><guid>https://blog.youkuaiyun.com/ghjk014/article/details/77678104</guid><author>ghjk014</author><pubDate>Tue, 29 Aug 2017 14:56:53 +0800</pubDate><description><![CDATA[initialize_all_variables已被弃用，将在2017-03-02之后删除。 
说明更新：使用tf.global_variables_initializer代替。]]></description><category></category></item><item><title><![CDATA[电磁兼容的设计方法介绍（五）]]></title><link>https://blog.youkuaiyun.com/ghjk014/article/details/17376321</link><guid>https://blog.youkuaiyun.com/ghjk014/article/details/17376321</guid><author>ghjk014</author><pubDate>Tue, 17 Dec 2013 14:15:15 +0800</pubDate><description><![CDATA[在介绍了关于电磁辐射的几个重要的观念后﹐我们将会针对修改对策方法与方向做一个介绍﹐以使得读者除了认识一些基本概念外﹐也能够实际的运用在产品的对策修改上。
很多电磁兼容的对策工程师会发现﹐在面临电磁耐受性测试时﹐例好静电（ESD）或是涌浪突波（Surge)无法符合规格要求时﹐只要花很少的时间就能将问题解决﹐但是面临电磁干扰无法符合时﹐往往花了很长的时间修改﹐却不能获得有效的改善。这个差异在哪边呢﹖]]></description><category></category></item></channel></rss>