<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[holmosaint的博客]]></title><description><![CDATA[弱鸡的学习笔记]]></description><link>https://blog.youkuaiyun.com/holmosaint</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; holmosaint]]></copyright><item><title><![CDATA[Conda Tutorial]]></title><link>https://blog.youkuaiyun.com/holmosaint/article/details/89402739</link><guid>https://blog.youkuaiyun.com/holmosaint/article/details/89402739</guid><author>holmosaint</author><pubDate>Fri, 19 Apr 2019 16:45:48 +0800</pubDate><description><![CDATA[【用于记录，随时更新】

Conda是一个非常强大的包管理系统，支持Python, R, Ruby, Lua, Scala, Java, JavaScript, C/ C++, FORTRAN。

所谓包管理，就是执行不同程序的时候依赖的环境不同，但是这些环境之间可能产生不兼容、冲突等问题。Conda支持在同一台服务器上为一个用户开辟若干个独立的环境，在不同的环境中，包的版本可能是不一样的。

命...]]></description><category></category></item><item><title><![CDATA[感知机原理与python实现]]></title><link>https://blog.youkuaiyun.com/holmosaint/article/details/84931129</link><guid>https://blog.youkuaiyun.com/holmosaint/article/details/84931129</guid><author>holmosaint</author><pubDate>Mon, 10 Dec 2018 00:45:59 +0800</pubDate><description><![CDATA[感知机原理
原理
线性可分
给定一个二类数据集的标签为正负1，如果存在某个超平面SSS：
wx+b=0wx + b = 0wx+b=0
将所有正负实例点完全正确地划分到超平面的两侧，即对y=+1y = +1y=+1的实例有：wx+b&amp;amp;amp;amp;amp;amp;gt;0wx + b &amp;amp;amp;amp;amp;amp;gt; 0wx+b&amp;amp;amp;amp;amp;gt;0；即对y=−1y = -1y=−1的实例有：wx+b&amp;amp;amp;a]]></description><category></category></item><item><title><![CDATA[Euphrates: Algorithm-SoC Co-Design for Low-Power Mobile Continuous Vision]]></title><link>https://blog.youkuaiyun.com/holmosaint/article/details/82756987</link><guid>https://blog.youkuaiyun.com/holmosaint/article/details/82756987</guid><author>holmosaint</author><pubDate>Tue, 18 Sep 2018 15:19:23 +0800</pubDate><description><![CDATA[（这篇博客不设计文中的硬件部分）

这篇文章同样也讲述了如何在live video中应用motion estimation的算法，通过应用上下帧之间的相似信息来加速detection并且维持较高的accuracy。

文中列了一张不同的object detection算法的效率和准确率的比较的图。



在通常的live video的处理当中，大致的一个模块分布如下图所示：



其中的imge ...]]></description><category></category></item><item><title><![CDATA[EVA2: Exploiting Temporal Redundancy in Live Computer Vision]]></title><link>https://blog.youkuaiyun.com/holmosaint/article/details/82747060</link><guid>https://blog.youkuaiyun.com/holmosaint/article/details/82747060</guid><author>holmosaint</author><pubDate>Mon, 17 Sep 2018 20:24:29 +0800</pubDate><description><![CDATA[这篇文章提出了一种叫做activation motion compensation（AMC）的算法，类似于motion estimation的方式，运用上下帧之间的相似度来减少一些重复的计算，或者说是估计发生移动的物体的位置。

这篇文章不仅提出了软件层的算法，同时也co-design了一个能够有效运行该算法的硬件，但是这篇博客只讨论AMC算法。

说到底，该算法就是两个主要思想的结合体：1. 利...]]></description><category></category></item><item><title><![CDATA[YOLO合集：You Only Look Once]]></title><link>https://blog.youkuaiyun.com/holmosaint/article/details/82707839</link><guid>https://blog.youkuaiyun.com/holmosaint/article/details/82707839</guid><author>holmosaint</author><pubDate>Sun, 16 Sep 2018 15:25:06 +0800</pubDate><description><![CDATA[YOLO现在有三个版本，每个版本相对于之前都有很大的进步，现总结如下。

YOLO

论文&quot;YouOnlyLookOnce: Uniﬁed,Real-TimeObjectDetection&quot;：

https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Redmon_You_Only_Look_CVPR_2016_paper...]]></description><category></category></item><item><title><![CDATA[XNOR-Net: ImageNet Classiﬁcation Using Binary Convolutional Neural Networks]]></title><link>https://blog.youkuaiyun.com/holmosaint/article/details/82687924</link><guid>https://blog.youkuaiyun.com/holmosaint/article/details/82687924</guid><author>holmosaint</author><pubDate>Thu, 13 Sep 2018 16:20:39 +0800</pubDate><description><![CDATA[这篇文章提出了两个二进制类的网络模型，一个叫做Binary-Weighted-Networks，一个叫做XNOR-Net。其中BWN只有filter是二进制的表达，而XNOR-Net在input和filter上都是二进制的表达。其中指出二进制的表达XNOR-Nets在执行卷积运算时能够提升58×的速度，而可以节省32×的内存空间，这为XNOR-Nets在CPU上运行提供了可能性。

Binary-...]]></description><category></category></item><item><title><![CDATA[MobileNets: Efﬁcient Convolutional Neural Networks for Mobile Vision Applications]]></title><link>https://blog.youkuaiyun.com/holmosaint/article/details/82561880</link><guid>https://blog.youkuaiyun.com/holmosaint/article/details/82561880</guid><author>holmosaint</author><pubDate>Sun, 09 Sep 2018 21:18:47 +0800</pubDate><description><![CDATA[本文提出了MobileNets的模型，有助于减少inference的时间，使得其可以在移动端开展运行。最重要的算法为depthwise separable convolutions，是将传统的卷积算法分解为了两步，可以减少卷积的时间复杂度和实际的运行时间。同时为了在移动端更加灵活地应用，文章提出了两个全局的超参数用来权衡latency和accuracy。

相比于其他的将CNN移植到移动端的方法，...]]></description><category></category></item><item><title><![CDATA[VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION]]></title><link>https://blog.youkuaiyun.com/holmosaint/article/details/82559913</link><guid>https://blog.youkuaiyun.com/holmosaint/article/details/82559913</guid><author>holmosaint</author><pubDate>Sun, 09 Sep 2018 20:15:38 +0800</pubDate><description><![CDATA[这篇文章重点分析了CNN深度对于其performance的影响，并且提出3×3的filter size可以大幅提升原先的CNN performance。同时，这篇文章提出了VGG的网络架构，获得了ImageNet Challenge 2014的冠军，同时该架构在其他数据集上的泛化能力也很强。

1 ConNet Configuration



2 Classfication framework
...]]></description><category></category></item><item><title><![CDATA[OverFeat: Integrated Recognition, Localization and Detection using Convolutional Networks]]></title><link>https://blog.youkuaiyun.com/holmosaint/article/details/82558872</link><guid>https://blog.youkuaiyun.com/holmosaint/article/details/82558872</guid><author>holmosaint</author><pubDate>Sun, 09 Sep 2018 16:35:32 +0800</pubDate><description><![CDATA[这篇文章将classfication，localization和detection三种任务同时用一个CNN网络进行实现。并且提出了一个十分厉害的feature extractor：Overfeat。

在ImageNet数据集中，物体在图片中呈现的位置大致是在图片的中间，而且占据了图片很大的地方，但是感兴趣的物体分布却非常的不同。常用的解决方案有3种：1. 将CNN用在图片的不同位置，或者使用多尺...]]></description><category></category></item><item><title><![CDATA[Ternary weight networks]]></title><link>https://blog.youkuaiyun.com/holmosaint/article/details/82460821</link><guid>https://blog.youkuaiyun.com/holmosaint/article/details/82460821</guid><author>holmosaint</author><pubDate>Thu, 06 Sep 2018 15:11:32 +0800</pubDate><description><![CDATA[这篇文章开发了一种新型的网络结构——ternary nearal networks(TWNs)。该网络所有的权值被限制在1，0，-1之中，只需要2-bit来存储权值信息。TWNs和全精度的网络之间的欧氏距离确保是最小的，为了高效地实现这一点，文章中使用了一个threshold-based function来近似。

在性能方面，TWNs比起binary precision有更强大的描述性；同时和全...]]></description><category></category></item><item><title><![CDATA[Quantization and Training of Neural Networks for Efﬁcient Integer-Arithmetic-Only Inference]]></title><link>https://blog.youkuaiyun.com/holmosaint/article/details/82423610</link><guid>https://blog.youkuaiyun.com/holmosaint/article/details/82423610</guid><author>holmosaint</author><pubDate>Wed, 05 Sep 2018 16:40:55 +0800</pubDate><description><![CDATA[摘要

作者提出了一种只使用整数运算的quantization方式，比起float point运算效率更高。同时提出了一种相应的训练方式来保证quantization之后的准确率。这篇文章的方法提升了accuracy和on-device latency之间的trade off，并且可以在MobileNets上使用。

1 introduction

作者总结了目前有效将庞大的神经网络应用在资源更为...]]></description><category></category></item><item><title><![CDATA[Accelerating deep convolutional networks using low-precision and sparsity]]></title><link>https://blog.youkuaiyun.com/holmosaint/article/details/82316389</link><guid>https://blog.youkuaiyun.com/holmosaint/article/details/82316389</guid><author>holmosaint</author><pubDate>Sun, 02 Sep 2018 23:40:11 +0800</pubDate><description><![CDATA[（这篇blog不涉及文中所探讨的dLAC设计的内容）

这篇文章旨在不影响其准确率的情况下提高deep CNN的计算效率。作者采用了两种方法：1.使用2-bit代替原来的full precision进行训练和inference；2.跳过过于zero value的计算。

1 low-precision deep CNN

作者使用了先前研究者提出的ternary network的框架，使用2-bi...]]></description><category></category></item><item><title><![CDATA[Visualizing and Understanding Convolutional Networks]]></title><link>https://blog.youkuaiyun.com/holmosaint/article/details/82287232</link><guid>https://blog.youkuaiyun.com/holmosaint/article/details/82287232</guid><author>holmosaint</author><pubDate>Sun, 02 Sep 2018 15:04:29 +0800</pubDate><description><![CDATA[这篇文章基于AlexNet，对CNN中每层的作用进行了可视化的分析，提出了新颖的可视化工具，让开发者能够清晰地知道每一层提取到的feature，并且有助于研发出performance更好的CNN框架。同时，作者也对基于ImageNet进行训练的AlexNet其他训练集的泛化能力进行了测试。

AlexNet：https://blog.youkuaiyun.com/holmosaint/article/deta...]]></description><category></category></item><item><title><![CDATA[ImageNet Classiﬁcation with Deep Convolutional Neural Networks]]></title><link>https://blog.youkuaiyun.com/holmosaint/article/details/82220563</link><guid>https://blog.youkuaiyun.com/holmosaint/article/details/82220563</guid><author>holmosaint</author><pubDate>Thu, 30 Aug 2018 15:27:52 +0800</pubDate><description><![CDATA[这篇文章提出了很多卷积神经网络的先驱——AlexNet。

和其他的很多前馈神经网络相比，由于CNN的卷积层不是全相联的，所以CNN的参数会少很多，而且训练起来会更加地容易。

作者在训练AlexNet的时候，为了加快速度，使用了两块GTX 580 3GB GPU，并且对网络的结构进行了一定的改造以更好地适应GPU的性质。

1 总体框架



AlexNet的网络基本结构为：输入层——5层卷积层...]]></description><category></category></item><item><title><![CDATA[Learning representations by back-propagating errors]]></title><link>https://blog.youkuaiyun.com/holmosaint/article/details/82193134</link><guid>https://blog.youkuaiyun.com/holmosaint/article/details/82193134</guid><author>holmosaint</author><pubDate>Wed, 29 Aug 2018 22:23:21 +0800</pubDate><description><![CDATA[这篇文章清晰地阐释了backpropagation的过程。

backpropagation的精髓就在于chain rule。同时利用神经网络的结构，使得gradient descent的过程就如同反向的神经网络一般。

假设我们有如下一个神经网络



其中





最终的loss function被定义为



gradient descent所做的事情就是不断调整W的取值，使得最终的los...]]></description><category></category></item><item><title><![CDATA[西瓜书习题3.3]]></title><link>https://blog.youkuaiyun.com/holmosaint/article/details/81878428</link><guid>https://blog.youkuaiyun.com/holmosaint/article/details/81878428</guid><author>holmosaint</author><pubDate>Mon, 20 Aug 2018 21:50:39 +0800</pubDate><description><![CDATA[3.3 编程实现对率回归，并给出西瓜数据集 3.0α 上的结果.
 

数据集

密度
			甜度
			好or 坏
		0.676 
			0.460
			1
		0.774
			0.376
			1
		0.634
			0.264
			1
		0.608
			0.318
			1
		0.556
			0.215
			1
		0.403
			0.237
			1
		0.481
...]]></description><category></category></item><item><title><![CDATA[POJ3579 median 二分法]]></title><link>https://blog.youkuaiyun.com/holmosaint/article/details/79601965</link><guid>https://blog.youkuaiyun.com/holmosaint/article/details/79601965</guid><author>holmosaint</author><pubDate>Sun, 18 Mar 2018 16:55:23 +0800</pubDate><description><![CDATA[算法思想：    一共有n*(n-1)/2种不同的配对，一一枚举的时间复杂度为O(n^2)，显然无法在1s内给出答案。在此使用二分法，先将数组排序，然后我们可以确定最大的距离为Xn-X1，那么我们只需要在0~|Xn-X1|，这些数之间寻找中位数即可。    一共需要两次二分。第一次二分，是用来寻找（猜测）可能的中位数的大小，当我们选择了一个pivot值，我们需要计算有多少组配对的距离是小于这个pi...]]></description><category></category></item><item><title><![CDATA[POJ3714 raid 平面上距离最小的点对]]></title><link>https://blog.youkuaiyun.com/holmosaint/article/details/79598464</link><guid>https://blog.youkuaiyun.com/holmosaint/article/details/79598464</guid><author>holmosaint</author><pubDate>Sun, 18 Mar 2018 10:57:59 +0800</pubDate><description><![CDATA[算法思路：    采取分治的策略，根据所有点的横坐标将点集分为左右两个部分，原问题的解被拆分成了三个部分：左边最小的距离、右边最小的距离和跨过中轴线的最小距离。左右两边的最小距离可以简单地通过递归的方法来完成，最为关键和巧妙的方法在于如何处理跨过中轴线的两点之间的距离。        在计算跨过中轴线的两点之间距离的时候，我们已经得到了中轴线两侧的最短距离δ和γ，假设δ是更小的，那么我们只需要检查...]]></description><category></category></item><item><title><![CDATA[OpenJudge 3531 判断整除]]></title><link>https://blog.youkuaiyun.com/holmosaint/article/details/73542518</link><guid>https://blog.youkuaiyun.com/holmosaint/article/details/73542518</guid><author>holmosaint</author><pubDate>Wed, 21 Jun 2017 12:51:39 +0800</pubDate><description><![CDATA[总时间限制: 1000ms 内存限制: 65536kB 
描述 
一个给定的正整数序列，在每个数之前都插入+号或-号后计算它们的和。比如序列：1、2、4共有8种可能的序列： 
(+1) + (+2) + (+4) = 7 
(+1) + (+2) + (-4) = -1 
(+1) + (-2) + (+4) = 3 
(+1) + (-2) + (-4) = -5 
(-1) + (+2) + (]]></description><category></category></item><item><title><![CDATA[OpenJudge 2989 糖果]]></title><link>https://blog.youkuaiyun.com/holmosaint/article/details/73530293</link><guid>https://blog.youkuaiyun.com/holmosaint/article/details/73530293</guid><author>holmosaint</author><pubDate>Wed, 21 Jun 2017 11:27:19 +0800</pubDate><description><![CDATA[总时间限制: 1000ms 内存限制: 65536kB 
描述 
由于在维护世界和平的事务中做出巨大贡献，Dzx被赠予糖果公司2010年5月23日当天无限量糖果免费优惠券。在这一天，Dzx可以从糖果公司的N件产品中任意选择若干件带回家享用。糖果公司的N件产品每件都包含数量不同的糖果。Dzx希望他选择的产品包含的糖果总数是K的整数倍，这样他才能平均地将糖果分给帮助他维护世界和平的伙伴们。当然，在满足这]]></description><category></category></item></channel></rss>