<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[hallao0的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/hallao0</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; hallao0]]></copyright><item><title><![CDATA[技术方案模板]]></title><link>https://blog.youkuaiyun.com/hallao0/article/details/78018701</link><guid>https://blog.youkuaiyun.com/hallao0/article/details/78018701</guid><author>hallao0</author><pubDate>Mon, 18 Sep 2017 14:23:38 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[坦克线——c++面试常考]]></title><link>https://blog.youkuaiyun.com/hallao0/article/details/77572367</link><guid>https://blog.youkuaiyun.com/hallao0/article/details/77572367</guid><author>hallao0</author><pubDate>Fri, 25 Aug 2017 14:03:51 +0800</pubDate><description><![CDATA[static的作用 
更多详情 
解： 
1）在函数体内，一个被声明为静态的变量在这一函数被调用过程中维持其值不变。 
2）在模块内（但在函数体外），一个被声明为静态的变量可以被模块内所用函数访问，但不能被模块外其它函数，它是一个本地的全局变量。3）在模块内，一个被声明为静态的函数只可被这一模块的它函数调用。那就是，这个函数被限制在声明它的模块的本地范围内使用。
多态 
更多详情
c、c++内存分配]]></description><category></category></item><item><title><![CDATA[法师线——图像处理算法]]></title><link>https://blog.youkuaiyun.com/hallao0/article/details/77519763</link><guid>https://blog.youkuaiyun.com/hallao0/article/details/77519763</guid><author>hallao0</author><pubDate>Thu, 24 Aug 2017 09:05:11 +0800</pubDate><description><![CDATA[背景更新Ptr<BackgroundSubtractor> bg_model = createBackgroundSubtractorMOG2();
//得到前景
bg_model->apply(img, fgmask);
fgimg = scalar::all(0);
img.copyTo(fgimg, fgmask);
//得到背景
bg_model->getBackgroundImage(bg]]></description><category></category></item><item><title><![CDATA[辅助线——hadoop]]></title><link>https://blog.youkuaiyun.com/hallao0/article/details/77512981</link><guid>https://blog.youkuaiyun.com/hallao0/article/details/77512981</guid><author>hallao0</author><pubDate>Wed, 23 Aug 2017 22:57:34 +0800</pubDate><description><![CDATA[计算框架spark vs mapreduceSpark 在内存中处理数据，而 Hadoop MapReduce 是通过 map 和 reduce 操作在磁盘中处理数据。因此从这个角度上讲 Spark 的性能应该是超过 Hadoop MapReduce 的。 
Spark 每次将处理过程加载到内存之中，然后该操作作为缓存一直保持在内存中直到下一步操作。如果 Spark 与其它资源需求型服务一同运行在]]></description><category></category></item><item><title><![CDATA[ML实践——逻辑回归logistic regression]]></title><link>https://blog.youkuaiyun.com/hallao0/article/details/76149488</link><guid>https://blog.youkuaiyun.com/hallao0/article/details/76149488</guid><author>hallao0</author><pubDate>Wed, 26 Jul 2017 15:44:50 +0800</pubDate><description><![CDATA[原理从图中可以看出与perceptron的异同：logistic regression model: 
perceptron: 
简单地说把Sigmoid function用作activation function。ϕ(z)=11+e−z \phi(z) = \frac{1}{1+e^{-z}}  
ϕ(z)=z\phi(z) = z Advantages: 
1. Sigmoid function]]></description><category></category></item><item><title><![CDATA[ML实战-Adaline with stochastic gradient descent]]></title><link>https://blog.youkuaiyun.com/hallao0/article/details/74910579</link><guid>https://blog.youkuaiyun.com/hallao0/article/details/74910579</guid><author>hallao0</author><pubDate>Mon, 10 Jul 2017 11:21:55 +0800</pubDate><description><![CDATA[原理stochastic gredient descent初版的Adaline的最大缺点是需要x, y 的全集来进行计算weight, 但是在实际的大数据应用场景中，这是不可能的。因为在网络中，数据是指数增长的，有新的数据源源不断地添加。所以需要引入“批处理的梯度下降算法”这个概念。以下是前一章初级gradient descent过程：将全部的x放入神经网中训练.for i in range(sel]]></description><category></category></item><item><title><![CDATA[ML实践-Adaptive Linear Neurons（Adaline）]]></title><link>https://blog.youkuaiyun.com/hallao0/article/details/74858441</link><guid>https://blog.youkuaiyun.com/hallao0/article/details/74858441</guid><author>hallao0</author><pubDate>Sun, 09 Jul 2017 12:21:46 +0800</pubDate><description><![CDATA[原理在万事开头难那篇文中，介绍了一个初级的一层神经网，这是在最初级上面的follow up 版。 
增强的点有： 
1. Bernard新提出了cost function 
2. weights的更新基于线性方程（linear activation function），而不是之前perceptron中的离散方程（unit step function）Cost FunctionSum of Squar]]></description><category></category></item><item><title><![CDATA[ML实践-万事开头难]]></title><link>https://blog.youkuaiyun.com/hallao0/article/details/74837938</link><guid>https://blog.youkuaiyun.com/hallao0/article/details/74837938</guid><author>hallao0</author><pubDate>Sat, 08 Jul 2017 16:17:55 +0800</pubDate><description><![CDATA[相关资料因为自己学习过相关理论知识，但是从来没有用代码实现过，所以想开一个专题专门锻炼自己实践。 
1. 语言：python 
2. 代码参考： https://github.com/Hallao0/python-machine-learning-book 
3. 书籍参考： machine learning book配置环境
系统  windows 64-bits
python 版本 3.6.0]]></description><category></category></item><item><title><![CDATA[基础——机器学习]]></title><link>https://blog.youkuaiyun.com/hallao0/article/details/72875214</link><guid>https://blog.youkuaiyun.com/hallao0/article/details/72875214</guid><author>hallao0</author><pubDate>Tue, 06 Jun 2017 10:04:51 +0800</pubDate><description><![CDATA[学过的东西就要整理… 
主要来源： MIT deep learningPart I: Applied Math and Machine Learning Basics1. 机器学习基础1.1 常用模型1.1.1 线性回归找到一条线y=wTx y = w^Tx 尽可能穿过所有样本点，这条线满足mean square error最小 
MSEtest=1m∑i(y′test−ytest)2iMSE_{t]]></description><category></category></item><item><title><![CDATA[基础——Spark Job Scheduling]]></title><link>https://blog.youkuaiyun.com/hallao0/article/details/72684391</link><guid>https://blog.youkuaiyun.com/hallao0/article/details/72684391</guid><author>hallao0</author><pubDate>Wed, 24 May 2017 18:12:33 +0800</pubDate><description><![CDATA[official link 
本文基本上是官网的翻译Across Applications调度策略用户提交请求以后，由cluster manager分配资源静态划分static partitioning每个application被分配一个最大可使用资源 
1. Standalone 
2. Mesos 
3. YARN 
   YARN中内存CPU调度和隔离 
   YARN常见问题 
   YAR]]></description><category></category></item><item><title><![CDATA[opencv+opencl c++程序移植心酸路]]></title><link>https://blog.youkuaiyun.com/hallao0/article/details/72597998</link><guid>https://blog.youkuaiyun.com/hallao0/article/details/72597998</guid><author>hallao0</author><pubDate>Sun, 21 May 2017 13:41:29 +0800</pubDate><description><![CDATA[因为想要再其他两个节点运行该程序，所以踏上不归路。方法一 在每个节点配置相同环境在其他节点配置的环境必须要与原机的环境完全相同。这里包括： 
1. 编译环境相同 
2. ffmpeg版本相同   （在用apt-get直接下载ffmpeg的时候，默认下载最新版的ffmpeg，当我用-version = xxxx指定版本的时候，因为添加的repository已经更新了，所以无法找到老版本的ffmpeg.]]></description><category></category></item><item><title><![CDATA[Ubuntu16+Eclipse+OpenCV+CUDA]]></title><link>https://blog.youkuaiyun.com/hallao0/article/details/70800195</link><guid>https://blog.youkuaiyun.com/hallao0/article/details/70800195</guid><author>hallao0</author><pubDate>Wed, 26 Apr 2017 14:32:38 +0800</pubDate><description><![CDATA[以官网教程为主，但其中有一些坑需要注意：
不要从github上下载art-of-state版本opencv，而是从opencv官网上下载。原因：直接git上下载的版本。里面第三方软件ippicv无法下载无法解决
从官网上下载opencv以后, 就可以按照官网上的链接一步一步的来，当遇到stuck in download ippicv的时候，按照通用的解法：手动下载ippicv_2015xxxx包，放]]></description><category></category></item><item><title><![CDATA[基础——Linux命令学习]]></title><link>https://blog.youkuaiyun.com/hallao0/article/details/70304528</link><guid>https://blog.youkuaiyun.com/hallao0/article/details/70304528</guid><author>hallao0</author><pubDate>Thu, 20 Apr 2017 20:47:42 +0800</pubDate><description><![CDATA[学习目标一：将网络摄像头获取的视频流，并将当前帧存在temp.png中借鉴的脚本：d=$(curl -X GET http://video4.earthcam.com:1935/fecnetwork/AbbeyRoadHD1.flv/playlist.m3u8 2> /dev/null)while read -ra ADDR; do
  for i in "${ADDR[@]}"; do
    l]]></description><category></category></item><item><title><![CDATA[Ubuntu+Eclipse+SparkStreaming]]></title><link>https://blog.youkuaiyun.com/hallao0/article/details/70186832</link><guid>https://blog.youkuaiyun.com/hallao0/article/details/70186832</guid><author>hallao0</author><pubDate>Sat, 15 Apr 2017 20:48:58 +0800</pubDate><description><![CDATA[hadoop集群搭建 ： 链接 
spark集群搭建：链接官方链接在用maven add dependencies的时候，出了各种error, 各种couldn’t transfer from…. 各种couldn’t read…not find zip file之类的，以下是解决办法：
update： update项目，update maven, update dependencies, 强制up]]></description><category></category></item><item><title><![CDATA[英文论文词汇短语句式总结]]></title><link>https://blog.youkuaiyun.com/hallao0/article/details/70053089</link><guid>https://blog.youkuaiyun.com/hallao0/article/details/70053089</guid><author>hallao0</author><pubDate>Tue, 11 Apr 2017 14:28:13 +0800</pubDate><description><![CDATA[英语很差，勤能补拙。
摘要部分;

1. 词汇

连词动词
2. 短语
3.句式

Analysis of X offers significant opportunities for the investigation of B . (A->B)


核心部分：

1. 词汇

连词

Thereforeas for: From the perspective]]></description><category></category></item><item><title><![CDATA[坦克线——Java面试常考]]></title><link>https://blog.youkuaiyun.com/hallao0/article/details/68953238</link><guid>https://blog.youkuaiyun.com/hallao0/article/details/68953238</guid><author>hallao0</author><pubDate>Sun, 02 Apr 2017 17:55:24 +0800</pubDate><description><![CDATA[1. hashmap和hashtable的区别1.1 hashtable多线程 - hashmap单线程1.2 hashtable key或者value为null时，会抛出空指针异常，而hashtable没有对此有要求. 在hashtable里，如果key == null, 会执行  return putForNullKey(value); 也就是允许key值为空。1.3 接口一样，但是父类继承的不]]></description><category></category></item><item><title><![CDATA[Aparapi 学习笔记1]]></title><link>https://blog.youkuaiyun.com/hallao0/article/details/68946472</link><guid>https://blog.youkuaiyun.com/hallao0/article/details/68946472</guid><author>hallao0</author><pubDate>Sat, 01 Apr 2017 17:21:55 +0800</pubDate><description><![CDATA[github链接 
Aparapi 主要是用jni调用openCL封装库, 有点像javacv和opencv的感觉,那么我为什么不用JavaCL呢，因为SparkCL用的是Aparapi,所以惯性惰性就用这个了。（有人说javaCL更多底层调用，Aparapi注重high-level的）Kernel.java最核心的就是这个，sparkCL也是通过override这里面的run函数来实现的。 
另外]]></description><category></category></item><item><title><![CDATA[辅助线——hdfs 存储]]></title><link>https://blog.youkuaiyun.com/hallao0/article/details/66479048</link><guid>https://blog.youkuaiyun.com/hallao0/article/details/66479048</guid><author>hallao0</author><pubDate>Sun, 26 Mar 2017 20:47:30 +0800</pubDate><description><![CDATA[HDFS 分布式文件系统-NameNode 
-DataNodeHive 数据仓库 Apache Hive是一个构建在Hadoop基础设施之上的数据仓库。通过Hive可以使用HQL语言查询存放在HDFS上的数据。HQL是一种类SQL语言，这种语言最终被转化为Map/Reduce. 虽然Hive提供了SQL查询功能，但是Hive不能够进行交互查询--因为它只能够在Haoop上批量的执行Hadoop。可]]></description><category></category></item><item><title><![CDATA[SparkCL简介]]></title><link>https://blog.youkuaiyun.com/hallao0/article/details/66476666</link><guid>https://blog.youkuaiyun.com/hallao0/article/details/66476666</guid><author>hallao0</author><pubDate>Sun, 26 Mar 2017 16:40:02 +0800</pubDate><description><![CDATA[SparkCL源码链接 
Spark + Aparapi = SparkCL
其中Spark都很熟悉了，是云计算框架，将Hadoop 里的Mapreduce优化了。
Aparapi 是Java版的Opencl，不用JavaCL的原因是，JavaCL需要更多底层的操作，而我们的目的只是调用一下GPU进行计算，并不管具体GPU并行的事情。另外，Aparapi有一个容错机制，就是如果没有检测到GPU硬件的]]></description><category></category></item><item><title><![CDATA[数据结构]]></title><link>https://blog.youkuaiyun.com/hallao0/article/details/65629268</link><guid>https://blog.youkuaiyun.com/hallao0/article/details/65629268</guid><author>hallao0</author><pubDate>Fri, 24 Mar 2017 12:07:13 +0800</pubDate><description><![CDATA[借鉴柔软的胖子]]></description><category></category></item></channel></rss>