<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[hola_f的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/hola_f</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; hola_f]]></copyright><item><title><![CDATA[CS231n课后作业小结]]></title><link>https://blog.youkuaiyun.com/hola_f/article/details/106732892</link><guid>https://blog.youkuaiyun.com/hola_f/article/details/106732892</guid><author>hola_f</author><pubDate>Sat, 13 Jun 2020 17:33:23 +0800</pubDate><description><![CDATA[参考资料：

https://www.jianshu.com/p/004c99623104


]]></description><category></category></item><item><title><![CDATA[激活函数]]></title><link>https://blog.youkuaiyun.com/hola_f/article/details/106265137</link><guid>https://blog.youkuaiyun.com/hola_f/article/details/106265137</guid><author>hola_f</author><pubDate>Thu, 21 May 2020 18:35:01 +0800</pubDate><description><![CDATA[关于激活函数为啥一定要是零中心对称的，在这篇文章https://blog.youkuaiyun.com/zhaojc1995/article/details/80572098看到了一个说法：关于原点对称的输入和中心对称的输出，网络会收敛地更好。暂且接受
]]></description><category></category></item><item><title><![CDATA[Grid LSTM相关]]></title><link>https://blog.youkuaiyun.com/hola_f/article/details/105331099</link><guid>https://blog.youkuaiyun.com/hola_f/article/details/105331099</guid><author>hola_f</author><pubDate>Sun, 05 Apr 2020 18:33:48 +0800</pubDate><description><![CDATA[挖个坑 Grid LSTM

下面这篇参考很好

http://blog.sina.com.cn/s/blog_5309cefc0102wbcv.html
]]></description><category></category></item><item><title><![CDATA[Highway network——《Training Very Deep Networks》一些总结]]></title><link>https://blog.youkuaiyun.com/hola_f/article/details/105025268</link><guid>https://blog.youkuaiyun.com/hola_f/article/details/105025268</guid><author>hola_f</author><pubDate>Sun, 22 Mar 2020 14:06:42 +0800</pubDate><description><![CDATA[最近在家里听斯坦福CS231n的课程，很系统的学习了一些深度学习的知识，很受启发。其中，我对深度学习中的梯度流的概念印象深刻。讲到RNN时，提到LSTM能够解决普通RNN的梯度消失和梯度爆炸的问题。LSTM包含两个隐状态，分别为单元状态和隐藏状态。其中，单元状态是梯度传播的主要路径。上一时刻和下一时刻单元状态的传播通过一个加法和一个逐元素的矩阵乘法操作。这两个操作降低了计算复杂度，同时也能避免梯度...]]></description><category></category></item><item><title><![CDATA[ladder network不完全汇总]]></title><link>https://blog.youkuaiyun.com/hola_f/article/details/104594481</link><guid>https://blog.youkuaiyun.com/hola_f/article/details/104594481</guid><author>hola_f</author><pubDate>Sun, 01 Mar 2020 17:54:00 +0800</pubDate><description><![CDATA[《From Neural PCA to Deep Unsupervised Learning》和《Semi-Supervised Learning with Ladder Network》中的部分观点：

1. 为了实现无监督学习和有监督学习的结合，无监督学习不能保存所有信息而是能够放弃与任务无关的信息。但是这与无监督学习的初衷有出入，无监督学习为了重建输入，需要保存所有的信息。比如图像处理中的物...]]></description><category></category></item><item><title><![CDATA[c++二元运算符求值顺序]]></title><link>https://blog.youkuaiyun.com/hola_f/article/details/82226853</link><guid>https://blog.youkuaiyun.com/hola_f/article/details/82226853</guid><author>hola_f</author><pubDate>Thu, 30 Aug 2018 19:46:42 +0800</pubDate><description><![CDATA[https://bbs.youkuaiyun.com/topics/370153775

看到的关于表达式求值的回答~]]></description><category></category></item><item><title><![CDATA[机器学习之线性回归及代码]]></title><link>https://blog.youkuaiyun.com/hola_f/article/details/78301766</link><guid>https://blog.youkuaiyun.com/hola_f/article/details/78301766</guid><author>hola_f</author><pubDate>Sat, 21 Oct 2017 10:30:53 +0800</pubDate><description><![CDATA[线性回归是对数据特征赋予一定的权重以实现对数据模型的拟合。
线性回归包含一个假设函数（hypothesis function），一个损失函数（loss function）。其目标为最小化损失函数，常用方法是最小二乘法。
本文主要用批梯度下降算法（batch gradient descent）、随机/增量梯度下降算法（stochastic/incremental gradient descent]]></description><category></category></item><item><title><![CDATA[机器学习算法之KNN识别mnist数据集]]></title><link>https://blog.youkuaiyun.com/hola_f/article/details/78141067</link><guid>https://blog.youkuaiyun.com/hola_f/article/details/78141067</guid><author>hola_f</author><pubDate>Sat, 30 Sep 2017 11:28:46 +0800</pubDate><description><![CDATA[KNN算法又称K邻近算法（K Nearest Neighbor），其基本思想为：样本空间中，某样本的类别为距离其最近的k个邻居所属类别中最多的那个类别。
MNIST数据集为一个带标注的手写数字识别的数据集，其官方下载地址为http://yann.lecun.com/exdb/mnist/。数据集包含60000个训练集和10000个测试集。该数据集中的文件以二进制方式保存，因此在读入时需要以二进制]]></description><category></category></item><item><title><![CDATA[深度学习笔记之win7下TensorFlow的安装]]></title><link>https://blog.youkuaiyun.com/hola_f/article/details/70482300</link><guid>https://blog.youkuaiyun.com/hola_f/article/details/70482300</guid><author>hola_f</author><pubDate>Sun, 23 Apr 2017 09:01:46 +0800</pubDate><description><![CDATA[最近要学习神经网络相关的内容，所以需要安装TensorFlow。不得不说，安装TensorFlow的感受就像是大一刚入学学习C语言时，安装vs时一样，问题一大堆，工具都装不好，还学啥呀。好在，就在昨晚，终于装好了。下面是步骤。
1.安装Anaconda


这是Anaconda的官网下载地址——https://www.continuum.io/downloads。注意：要选择4.2版本的A]]></description><category></category></item><item><title><![CDATA[可用PSAPI获取系统进程信息]]></title><link>https://blog.youkuaiyun.com/hola_f/article/details/54455841</link><guid>https://blog.youkuaiyun.com/hola_f/article/details/54455841</guid><author>hola_f</author><pubDate>Sun, 15 Jan 2017 09:51:41 +0800</pubDate><description><![CDATA[最近因为要做毕设的实验，所以需要获取程序的所占用的系统的内存。但是，自己拿到的源码是Linux系统下的，在VS上不能跑
于是，就兴冲冲地装了Ubuntu。结果发现Linux下编程和Windows还是不一样的。然后，我老师说，你把代码改成Windows下的不就好了嘛，难道这很难吗？
我当时是真的觉得难啊~就像我当时还说，我挺喜欢蒙特•卡洛方法的，简单粗暴（现在想想，自己还是太年轻，蒙特•卡洛方法]]></description><category></category></item><item><title><![CDATA[中科院计算所2017推免生机试]]></title><link>https://blog.youkuaiyun.com/hola_f/article/details/52595530</link><guid>https://blog.youkuaiyun.com/hola_f/article/details/52595530</guid><author>hola_f</author><pubDate>Tue, 20 Sep 2016 15:05:44 +0800</pubDate><description><![CDATA[9月18号去计算所参加推免生的机试。。。9月19号去计算所参加推免生的面试。。。9月20号堕落在北京的青旅里，不能出门。。。
首先是不得不承认，计算所的环境很好，真的很好。然后就是机试，6道题目，两个小时，没有网络。其实后来自己在看，觉得最起码有两个题目是简单到我这种人都可以做出来的，无奈自己太渣，机试就跪的哟。最后是面试，项目真的太少，以至于老师一直在问我我的社会实践。。。回来之后，一起住的去]]></description><category></category></item><item><title><![CDATA[数据结构-不相交集ADT]]></title><link>https://blog.youkuaiyun.com/hola_f/article/details/52267626</link><guid>https://blog.youkuaiyun.com/hola_f/article/details/52267626</guid><author>hola_f</author><pubDate>Sun, 21 Aug 2016 16:16:39 +0800</pubDate><description><![CDATA[若对于每一对元素(a,b)，a、b属于S，aRb或者为true或者为false，则称在集合S上定义关系R。如果aRb是true，那么我们说a与b有关系。
等价关系是满足下列三个性质的关系R：


自反性：对于所有的a属于S，aRa；对称性：aRb当且仅当bRa；传递性：若aRb且bRc，则aRc； ’

一个元素a属于S的等价类是S的一个子集，它包含所有与a有关的元素。

所以，不]]></description><category></category></item><item><title><![CDATA[算法导论-最小生成树之kruskal算法和prim算法]]></title><link>https://blog.youkuaiyun.com/hola_f/article/details/52267500</link><guid>https://blog.youkuaiyun.com/hola_f/article/details/52267500</guid><author>hola_f</author><pubDate>Sun, 21 Aug 2016 15:43:19 +0800</pubDate><description><![CDATA[1.Kruskal算法：集合A是一个森林，其结点为给定图的结点。每次加入集合A的安全边永远是权重最小的连接两个不同分量的边。、
在最开始实现kruskal算法时，自己不知道如何实现集合A这个森林，也不知道怎么合并树。直到后来，自己去搜索了一下此算法的实现，才发现其实要用到之前自己一直觉得没啥用也不怎么理解的不相交集。
下面是Kruskal算法的实现代码：
KRUSKAL.h
typedef]]></description><category></category></item><item><title><![CDATA[算法导论-图的搜索算法之深度优先搜索和广度优先搜索]]></title><link>https://blog.youkuaiyun.com/hola_f/article/details/52250306</link><guid>https://blog.youkuaiyun.com/hola_f/article/details/52250306</guid><author>hola_f</author><pubDate>Fri, 19 Aug 2016 14:29:10 +0800</pubDate><description><![CDATA[图的搜索算法的目的是发现从源结点s能够到达的每个顶点和相应的距离。
广度优先搜索：所有结点一开始涂上白色，第一次遇到一个结点就称该结点被发现，颜色变为黑或者灰。黑色代表所有与该结点邻接的结点都已经被发现，灰色代表的是已知和未知两个集合的边界。白->灰：结点刚被搜索到，灰->黑：结点的所有邻接结点都被搜索完。在扫描已发现结点u的邻接链表时，每当发现一个白色结点v，就将该结点v和边(u,v)同时加入]]></description><category></category></item><item><title><![CDATA[数据结构-左式堆]]></title><link>https://blog.youkuaiyun.com/hola_f/article/details/52204592</link><guid>https://blog.youkuaiyun.com/hola_f/article/details/52204592</guid><author>hola_f</author><pubDate>Sun, 14 Aug 2016 15:32:48 +0800</pubDate><description><![CDATA[左式堆：同二叉堆一样具有结构性和堆序性。惟一的区别是：左式堆不是理想平衡的，而实际上是趋于不平衡的。
零路径长（NPL（x））：从节点x到一个没有两个儿子节点的最短路径长。
左式堆要求对于堆中的每一个节点x，左儿子的零路径长至少与右儿子的零路径长一样大。
左式堆的结构声明：struct treeNode;
typedef struct treeNode *priorityQueue;


s]]></description><category></category></item><item><title><![CDATA[数据结构-二叉堆]]></title><link>https://blog.youkuaiyun.com/hola_f/article/details/52204544</link><guid>https://blog.youkuaiyun.com/hola_f/article/details/52204544</guid><author>hola_f</author><pubDate>Sun, 14 Aug 2016 15:26:43 +0800</pubDate><description><![CDATA[二叉堆（优先队列）具有结构性和堆序性
    结构性为：二叉堆是一棵完全被填满的二叉树，有可能的例外是在底层，底层上的元素从左到右填入。这样的树称为完全二叉树。二叉堆可以用数组表示，对于数组中任意位置i上的元素，其左儿子在位置2i上，右儿子在位置2i+1上，父亲则在i/2上（小于i/2的最小整数）。
    堆序性为：使操作被快速执行的性质称为堆序性。在一个堆中，对于每个节点x，x的父节点中的]]></description><category></category></item><item><title><![CDATA[数据结构-散列]]></title><link>https://blog.youkuaiyun.com/hola_f/article/details/52204385</link><guid>https://blog.youkuaiyun.com/hola_f/article/details/52204385</guid><author>hola_f</author><pubDate>Sun, 14 Aug 2016 15:12:34 +0800</pubDate><description><![CDATA[散列（hashing）：是一种以常数平均时间执行插入、删除和查找的技术。
散列表（hash table）：是包含有关键字的具有固定大小的数组。表的大小记作table-size。每个关键字被映射到从0到table-size-1这个范围中的某个数，并且被放到适当的单元中。这个映射叫作散列函数（hash function）。
散列函数：一个好的方法为保证表的大小为素数。
一个好的散列函数：
in]]></description><category></category></item><item><title><![CDATA[数据结构-AVL树]]></title><link>https://blog.youkuaiyun.com/hola_f/article/details/52204260</link><guid>https://blog.youkuaiyun.com/hola_f/article/details/52204260</guid><author>hola_f</author><pubDate>Sun, 14 Aug 2016 14:38:54 +0800</pubDate><description><![CDATA[AVL树：带有平衡条件的二叉查找树，要求每个节点的左子树和右子树的高度最多差1。
通常，AVL树通过旋转操作保持平衡条件。
不平衡的可能情况：

节点a的左儿子左子树进行插入节点a的右儿子右子树进行插入节点a的左儿子右子树进行插入节点a的右儿子左子树进行插入
其中情况1、2都是通过单旋转就可以解决了，而情况3、4需要通过双旋转来解决。
AVL树的声明：
struct avlNode;]]></description><category></category></item><item><title><![CDATA[数据结构-二叉查找树]]></title><link>https://blog.youkuaiyun.com/hola_f/article/details/52204159</link><guid>https://blog.youkuaiyun.com/hola_f/article/details/52204159</guid><author>hola_f</author><pubDate>Sun, 14 Aug 2016 14:14:58 +0800</pubDate><description><![CDATA[树：树是一个大部分操作的运行时间平均为O(log n)的一种数据结构。
树的递归定义为：一棵树是一些节点的集合。这些集合可以是空集；若为非空，则一棵树由称作根的节点r以及0个或多个非空的（子）树T1、T2、T3、...、Tk组成。这些子树中每一棵的根都被来自根r的一天有向边所连接（可以发现一棵树是N个节点和N-1条边的集合）]]></description><category></category></item><item><title><![CDATA[MFC程序开发-C++知识补强（二）]]></title><link>https://blog.youkuaiyun.com/hola_f/article/details/52151689</link><guid>https://blog.youkuaiyun.com/hola_f/article/details/52151689</guid><author>hola_f</author><pubDate>Mon, 08 Aug 2016 16:16:31 +0800</pubDate><description><![CDATA[4.继承
类的继承是指派生类可以全部或者部分的继承基类的特征，同时加入所需要的新特征和功能。
单继承格式为：class 类名:访问限定符 基类名
其中，访问限定符一共有三种，介绍如下：
public：对于基类中的public成员，在派生类中仍然是public，protected成员仍然是protected
protected：对于基类中的public成员和protected成员，在派生类]]></description><category></category></item></channel></rss>