<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[荣荣闲不住的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/html5baby</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; html5baby]]></copyright><item><title><![CDATA[WPS怎么输入分段函数，定义3种函数，2类分段条件]]></title><link>https://blog.youkuaiyun.com/html5baby/article/details/114280998</link><guid>https://blog.youkuaiyun.com/html5baby/article/details/114280998</guid><author>html5baby</author><pubDate>Tue, 02 Mar 2021 11:18:29 +0800</pubDate><description><![CDATA[经过不断思考和尝试的结果。函数瞎写的，不要考虑意义，勿杠
]]></description><category></category></item><item><title><![CDATA[WPS公式编辑器]]></title><link>https://blog.youkuaiyun.com/html5baby/article/details/114279270</link><guid>https://blog.youkuaiyun.com/html5baby/article/details/114279270</guid><author>html5baby</author><pubDate>Tue, 02 Mar 2021 10:54:16 +0800</pubDate><description><![CDATA[wps的公式编辑器，工具栏变成小窗口，想让它停靠在公式编辑器里怎么办
参考链接：https://www.office26.com/wps/wps_8144.html

]]></description><category></category></item><item><title><![CDATA[pytorch环境numba安装包安装失败，llvmlite安装失败！]]></title><link>https://blog.youkuaiyun.com/html5baby/article/details/112254510</link><guid>https://blog.youkuaiyun.com/html5baby/article/details/112254510</guid><author>html5baby</author><pubDate>Tue, 05 Jan 2021 22:42:01 +0800</pubDate><description><![CDATA[真的绝了，环境安装了一周，也是我完蛋，但这种玄学真的靠命，好在终于装上了，原因就是pip的版本太低，目前已经由20版了，可之前系统里还是9.0，所以安装包就各种报错，鬼知道是因为pip版本的问题！也更新过pip的版本，不知道是不是指令不够强制，并没有真的更新到最新，最后用的这个指令强制了pip的升级


python -m pip install -U --force-reinstall pip

之后再安装包就都成功了！
...]]></description><category></category></item><item><title><![CDATA[win10+vs2017+cuda9.0+cudnn9.0安装]]></title><link>https://blog.youkuaiyun.com/html5baby/article/details/100816355</link><guid>https://blog.youkuaiyun.com/html5baby/article/details/100816355</guid><author>html5baby</author><pubDate>Sat, 14 Sep 2019 01:54:02 +0800</pubDate><description><![CDATA[安装了n多次。。。。。度过了一个非常“有意义”的中秋节。

建议默认安装在C盘，cuda比较不好装，装不上的时候检查一下，电脑的vs装了没，版本匹配不。这个没有问题的情况下，去C盘的program files 和program files（*64）里面把所有NVDIA的文件夹都删了，然后重新装cuda，默认安装就好。

之后把cudnn里边的bin，lib，include文件夹里边的东西复制粘贴到...]]></description><category></category></item><item><title><![CDATA[关于maxpool2d()这个函数的ceil_mode的参数]]></title><link>https://blog.youkuaiyun.com/html5baby/article/details/100609026</link><guid>https://blog.youkuaiyun.com/html5baby/article/details/100609026</guid><author>html5baby</author><pubDate>Sat, 07 Sep 2019 21:58:16 +0800</pubDate><description><![CDATA[网上的解释（https://blog.youkuaiyun.com/GZHermit/article/details/79351803）没懂，大佬图解了一下瞬间秒懂。


]]></description><category></category></item><item><title><![CDATA[2019/8/14Faster RCNN自学记录]]></title><link>https://blog.youkuaiyun.com/html5baby/article/details/99544421</link><guid>https://blog.youkuaiyun.com/html5baby/article/details/99544421</guid><author>html5baby</author><pubDate>Wed, 28 Aug 2019 19:38:07 +0800</pubDate><description><![CDATA[win10下跑pytorch框架的Faster RCNN(https://github.com/ruotianluo/pytorch-faster-rcnn),安装git，安装教程(https://blog.youkuaiyun.com/qq_32786873/article/details/80570783)

python的某些函数

append和extend（https://www.cnblogs.c...]]></description><category></category></item><item><title><![CDATA[2019/6/15/CS231n（SVM+softmax）学习记录]]></title><link>https://blog.youkuaiyun.com/html5baby/article/details/92089832</link><guid>https://blog.youkuaiyun.com/html5baby/article/details/92089832</guid><author>html5baby</author><pubDate>Mon, 17 Jun 2019 22:32:09 +0800</pubDate><description><![CDATA[感觉自己是鱼的记忆，3天没看，我都得用脑子过一下我的程序存在哪里了，怎么打开的来着？！神烦……日常自我怀疑：我是猪吗？

今天又过了一遍翻译版的课件，感觉又学了一边新知识……（https://zhuanlan.zhihu.com/p/21930884?refer=intelligentuni）

关于SVM的梯度为什么是用两个dw相加，看这个就清楚很多了（https://blog.youkuaiyun.com...]]></description><category></category></item><item><title><![CDATA[2019/6/12CS231n课程笔记（图像识别和分割）]]></title><link>https://blog.youkuaiyun.com/html5baby/article/details/91488250</link><guid>https://blog.youkuaiyun.com/html5baby/article/details/91488250</guid><author>html5baby</author><pubDate>Wed, 12 Jun 2019 00:34:56 +0800</pubDate><description><![CDATA[1、语义分割，给出一张图片，对图像上的每一个像素进行分类，对每一个像素产生一个分类类标。

2、上采样的两种方法：

去池化（还有一种是记录池化的时候保留的max 的位置，去池化的时候把数据填到相应的位置，其余位置补零）



去卷积：用输入和卷积核进行运算，重叠的部分进行相加运算。





3、rcnn，fast rcnn，faster rcnn










...]]></description><category></category></item><item><title><![CDATA[2019/6/9CS231n课程笔记（深度学习框架）]]></title><link>https://blog.youkuaiyun.com/html5baby/article/details/91353025</link><guid>https://blog.youkuaiyun.com/html5baby/article/details/91353025</guid><author>html5baby</author><pubDate>Sun, 09 Jun 2019 14:53:29 +0800</pubDate><description><![CDATA[1、设置


#设置用CPU还是GPU进行
with tf.device('/gpu:0'):
    balabalabala

2、一种只有我才能看懂的笔记……


#define计算框架
N,D,H=64,1000,100
x=tf.placeholder(tf.float32,shape=(N,D))
y=tf.placeholder(tf.float32,shape=(N,D))
w1=...]]></description><category></category></item><item><title><![CDATA[2019/6/8CS231n课程笔记（优化与迁移学习）]]></title><link>https://blog.youkuaiyun.com/html5baby/article/details/91345584</link><guid>https://blog.youkuaiyun.com/html5baby/article/details/91345584</guid><author>html5baby</author><pubDate>Sun, 09 Jun 2019 01:15:33 +0800</pubDate><description><![CDATA[目录



优化

1、梯度下降

（1）、动量，就给梯度下降加了个速度（助力）

（2）、对梯度进行处理：AdaGrad和RMSProp

（3）、结合了速度和平方梯度的方法Adam

2、学习率

3、另一种优化的思路：海森矩阵（牛顿定理）

总结：

4、model ensembly

正则化

1、使用正则项

2、Dropout

3、数据增强

4、其他的一些方法：

迁移学习

优...]]></description><category></category></item><item><title><![CDATA[2019/6/8CS231n课程笔记（批量归一化、监控训练过程、优化超参数）]]></title><link>https://blog.youkuaiyun.com/html5baby/article/details/91340949</link><guid>https://blog.youkuaiyun.com/html5baby/article/details/91340949</guid><author>html5baby</author><pubDate>Sat, 08 Jun 2019 14:54:31 +0800</pubDate><description><![CDATA[目录



批量归一化

监控训练过程

优化超参数

批量归一化

在训练过程中，每一层的输入分布总是变来变去，我们希望它能稳定成高斯分布，所以在全连接层或是卷积层之后进行批量归一化的操作，使得每一层的激活分布固定下来。首先计算每一维度的均值和方差，之后进行归一化。



在卷积层后面进行批量归一化的时候，不仅对训练数据进行批量归一化，对feature map也将进行这一操作。



对于ta...]]></description><category></category></item><item><title><![CDATA[2019/6/7CS231n课程笔记（激活函数、数据预处理、初始化权值）]]></title><link>https://blog.youkuaiyun.com/html5baby/article/details/91127624</link><guid>https://blog.youkuaiyun.com/html5baby/article/details/91127624</guid><author>html5baby</author><pubDate>Sat, 08 Jun 2019 12:26:41 +0800</pubDate><description><![CDATA[目录

激活函数

1、几种常见的激活函数

数据预处理

权值的初始化

激活函数

一个写的很全的整理文档（https://blog.youkuaiyun.com/u012347027/article/details/80639331）另一位博主写的。

激活函数可视化：

https://dashee87.github.io/deep%20learning/visualising-activation-...]]></description><category></category></item><item><title><![CDATA[CS231n_homework1_SVM笔记]]></title><link>https://blog.youkuaiyun.com/html5baby/article/details/90896908</link><guid>https://blog.youkuaiyun.com/html5baby/article/details/90896908</guid><author>html5baby</author><pubDate>Wed, 05 Jun 2019 18:56:55 +0800</pubDate><description><![CDATA[SVM工作原理解释的很清楚很清楚很清楚的文章：（https://www.meiwen.com.cn/subject/btmyfftx.html）

1、range([start,] stop[, step])

根据开始、结束、步长这三个参数生成一个序列。


 #我们定义一个从1开始到30结束，步长为3的列表
&gt;&gt;&gt;print('range(1,30,3)表示：',range(...]]></description><category></category></item><item><title><![CDATA[2019/6/3CS231n课程笔记（卷积神经网络）]]></title><link>https://blog.youkuaiyun.com/html5baby/article/details/90808758</link><guid>https://blog.youkuaiyun.com/html5baby/article/details/90808758</guid><author>html5baby</author><pubDate>Tue, 04 Jun 2019 20:39:43 +0800</pubDate><description><![CDATA[卷积

1、卷积神经网络vs深度神经网络

训练卷积层，因为卷积层更能保持输入的空间结构。对于这一点，我的理解是：卷积神经网络处理图片的时候是将整幅图都作为输入，不会破坏图的这种结构，而用普通的深层神经网络，就是在利用每个像素的信息单独的进行处理，破坏了图像像素之间的信息。

深度神经网络卷积神经网络2、对于常见大小的一些卷积核，如何选择padding才能保证卷积的结果保持原图像的大小不变呢？

...]]></description><category></category></item><item><title><![CDATA[2019/6/4CS231n课程笔记（反向传播和神经网络）]]></title><link>https://blog.youkuaiyun.com/html5baby/article/details/90768923</link><guid>https://blog.youkuaiyun.com/html5baby/article/details/90768923</guid><author>html5baby</author><pubDate>Tue, 04 Jun 2019 16:32:38 +0800</pubDate><description><![CDATA[反向传播

课程回顾





简单线性关系的反向传播过程



所以所谓的反向传播过程就是在一步一步地叠乘每一步的导数，最后算的对于输入权值的导数。也就是绿色前向传播得到output，利用output经过红色的反向传播算回去~



一个稍复杂的例子：把不同颜色阅读顺序如下：1  2 3 4 5（以蓝红黑紫黄的顺序进行回顾）



1、当存在max门时该如何处理呢？

对于选择出的...]]></description><category></category></item><item><title><![CDATA[CS231n_homework1_KNN笔记]]></title><link>https://blog.youkuaiyun.com/html5baby/article/details/90738982</link><guid>https://blog.youkuaiyun.com/html5baby/article/details/90738982</guid><author>html5baby</author><pubDate>Mon, 03 Jun 2019 17:08:16 +0800</pubDate><description><![CDATA[感谢以下提到的链接作者给予的帮助！

目录

感谢一下提到的链接作者给予的帮助！

np.random.choice()函数

numpy.flatnonzero()函数

enumerate() 函数

shape()函数

numpy的reshape()函数（https://blog.youkuaiyun.com/zhanggonglalala/article/details/79356653）

xra...]]></description><category></category></item><item><title><![CDATA[2019/6/1CS231n课程笔记(线性分类器)]]></title><link>https://blog.youkuaiyun.com/html5baby/article/details/90732698</link><guid>https://blog.youkuaiyun.com/html5baby/article/details/90732698</guid><author>html5baby</author><pubDate>Sun, 02 Jun 2019 12:33:35 +0800</pubDate><description><![CDATA[作业：

k-最近邻法

线性分类器，svm和softmax

两层卷积神经网络

numpy，向量化张量计算。

第二章

semectic gap

intraclass 

CIFAR10数据集。

对单个像素进行比较，L1 distance，L1对坐标有依赖，各个向量中的每一个元素都有意义的时候，L1的效果会更好。

使用numpy的向量运算。使得程序很简洁。

N个example，训练和...]]></description><category></category></item><item><title><![CDATA[2019/6/2CS231n课程笔记(损失函数和优化)]]></title><link>https://blog.youkuaiyun.com/html5baby/article/details/90736526</link><guid>https://blog.youkuaiyun.com/html5baby/article/details/90736526</guid><author>html5baby</author><pubDate>Sun, 02 Jun 2019 12:31:26 +0800</pubDate><description><![CDATA[损失函数

线性分类器，weight表示对应每一类的权重。

什么是损失函数，把W作为一个输入，输入到一个函数中，将得分值作为衡量W好坏的标准。

多类别SVM分类器

看笔记本23页有相关笔记。



1、如果我们稍微改变一点车这个分类的score值，我们的损失函数会有什么变化吗？

答：不会变化，svm分类器在乎的是正确的比不正确的大1，汽车分数比其他的都要大，1的界限不会被破坏。

2、lo...]]></description><category></category></item><item><title><![CDATA[（图像处理∩Deep-Learning）中杂七杂八的概念]]></title><link>https://blog.youkuaiyun.com/html5baby/article/details/90512592</link><guid>https://blog.youkuaiyun.com/html5baby/article/details/90512592</guid><author>html5baby</author><pubDate>Thu, 30 May 2019 09:31:28 +0800</pubDate><description><![CDATA[1、fine-tuning（https://blog.youkuaiyun.com/weixin_42137700/article/details/82107208）

微调，在预训练的网络下进行微调，什么意思呢？就是当我有一个新的数据集时，希望我的网络能够更好的对我的数据进行预测的时候，就替换掉预训练好的网络模型中的一些数据，对一部分（通常是高层）或者是全部的层进行继续训练。这样得到的网络对我自己的新数据有...]]></description><category></category></item><item><title><![CDATA[M2Det的学习过程]]></title><link>https://blog.youkuaiyun.com/html5baby/article/details/90671703</link><guid>https://blog.youkuaiyun.com/html5baby/article/details/90671703</guid><author>html5baby</author><pubDate>Thu, 30 May 2019 09:16:53 +0800</pubDate><description><![CDATA[不全，待补充

主要框架：



分析解释这个框图：

M2Det主要是有三部分组成，主干网络、MLFPN(muli-level 的FPN、以及预测层。

其中主干网络是用两个尺度进行特征提取。将这两个尺度的特征合并输入到MLFPN中

MLFPN则由三部分组成，FFM、TUM、SFAM。

FFM

FFMv1是对主干网中提取出来的内容进行合并，得到base feature。

FFMv2是用来...]]></description><category></category></item></channel></rss>