<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[kaidikake的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/kaidikake</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; kaidikake]]></copyright><item><title><![CDATA[ubuntu 与主机无法复制粘贴]]></title><link>https://blog.youkuaiyun.com/kaidikake/article/details/151113007</link><guid>https://blog.youkuaiyun.com/kaidikake/article/details/151113007</guid><author>kaidikake</author><pubDate>Tue, 02 Sep 2025 14:40:06 +0800</pubDate><description><![CDATA[vm tool什么的都试过了还是不行，最好如下操作成功；修改该文件后重启就行了。]]></description><category></category></item><item><title><![CDATA[查准率、查全率、混淆矩阵python代码]]></title><link>https://blog.youkuaiyun.com/kaidikake/article/details/105704567</link><guid>https://blog.youkuaiyun.com/kaidikake/article/details/105704567</guid><author>kaidikake</author><pubDate>Sat, 25 Apr 2020 12:23:21 +0800</pubDate><description><![CDATA[针对celeb数据集发现数据样本及其不均衡导致结果全部预测为样本多的数据
为此记录下其他的指标学习
更详细内容请查看余霆嵩pytorch教程
前言：
先看一个经典的例子：
目的：设计一个分类器类分类患者的肿瘤是不是良性的
数据集：我们有10000个样本，其中9995个是良性的，只有5个人是恶性的。
如果我们只关注预测的错误率的，我们可以设计模型无论什么样本输入，全部输出良性。此时的准确率是99.9...]]></description><category></category></item><item><title><![CDATA[GAN论文梳理]]></title><link>https://blog.youkuaiyun.com/kaidikake/article/details/105422841</link><guid>https://blog.youkuaiyun.com/kaidikake/article/details/105422841</guid><author>kaidikake</author><pubDate>Fri, 10 Apr 2020 23:31:20 +0800</pubDate><description><![CDATA[GAN论文梳理DCGAN原始GANWGANcycleGANWGANWGANWGANWGAN
DCGAN
原始GAN
论文链接
WGAN
cycleGAN
WGAN
WGAN
WGAN
WGAN

]]></description><category></category></item><item><title><![CDATA[paddle七日打卡感触]]></title><link>https://blog.youkuaiyun.com/kaidikake/article/details/105443723</link><guid>https://blog.youkuaiyun.com/kaidikake/article/details/105443723</guid><author>kaidikake</author><pubDate>Fri, 10 Apr 2020 22:45:02 +0800</pubDate><description><![CDATA[Paddle七日打卡感触
内容
首先概括一下，训练营一共是七天的内容，包括：
Day01-新冠疫情可视化
Day02-手势识别
Day03-车牌识别
Day04-口罩分类
Day06-PaddleSlim模型压缩
比赛 -人流密度检测
paddle和aistudio其实早就有所了解过，但一直没机会用过，这次训练营对自己影响蛮大的，就是发现自己的代码实现算法能力还差，虽然已经学过一些深度学习的内容了...]]></description><category></category></item><item><title><![CDATA[Pandas库]]></title><link>https://blog.youkuaiyun.com/kaidikake/article/details/104246223</link><guid>https://blog.youkuaiyun.com/kaidikake/article/details/104246223</guid><author>kaidikake</author><pubDate>Mon, 10 Feb 2020 15:47:14 +0800</pubDate><description><![CDATA[文章目录对象创建



对象创建



















































待续

]]></description><category></category></item><item><title><![CDATA[numpy库]]></title><link>https://blog.youkuaiyun.com/kaidikake/article/details/104239527</link><guid>https://blog.youkuaiyun.com/kaidikake/article/details/104239527</guid><author>kaidikake</author><pubDate>Mon, 10 Feb 2020 00:15:44 +0800</pubDate><description><![CDATA[文章目录Numpy广播






Numpy













































广播
















]]></description><category></category></item><item><title><![CDATA[python标准库]]></title><link>https://blog.youkuaiyun.com/kaidikake/article/details/104234400</link><guid>https://blog.youkuaiyun.com/kaidikake/article/details/104234400</guid><author>kaidikake</author><pubDate>Sun, 09 Feb 2020 18:24:06 +0800</pubDate><description><![CDATA[文章目录第十章 python标准库timerandomcollections模拟扑克牌itertools
第十章 python标准库




time




random













collections

模拟扑克牌









itertools
















...]]></description><category></category></item><item><title><![CDATA[python复习_6]]></title><link>https://blog.youkuaiyun.com/kaidikake/article/details/104216889</link><guid>https://blog.youkuaiyun.com/kaidikake/article/details/104216889</guid><author>kaidikake</author><pubDate>Sat, 08 Feb 2020 23:44:40 +0800</pubDate><description><![CDATA[文章目录第九章 有益的探索数据类型的底层实现
第九章 有益的探索

数据类型的底层实现

]]></description><category></category></item><item><title><![CDATA[python复习_5]]></title><link>https://blog.youkuaiyun.com/kaidikake/article/details/104213863</link><guid>https://blog.youkuaiyun.com/kaidikake/article/details/104213863</guid><author>kaidikake</author><pubDate>Fri, 07 Feb 2020 21:43:56 +0800</pubDate><description><![CDATA[文章目录第八章 文件、异常和模块文件的读写文件的读取文件的写入覆盖写追加写读写操作（f.seek(_,_)修改指针位置csv和json异常处理异常的处理模块简介模块的导入方式模块的查找顺序
第八章 文件、异常和模块




文件的读写




文件的读取









文件的写入
覆盖写

追加写


读写操作（f.seek(,)修改指针位置



csv和json





异常处理



...]]></description><category></category></item><item><title><![CDATA[python复习_4]]></title><link>https://blog.youkuaiyun.com/kaidikake/article/details/104199487</link><guid>https://blog.youkuaiyun.com/kaidikake/article/details/104199487</guid><author>kaidikake</author><pubDate>Thu, 06 Feb 2020 21:07:35 +0800</pubDate><description><![CDATA[文章目录第五章  函数函数的定义和调用默认参数应为不可变的类型，数字字符串元组可变长参数 *args可变长参数**kwargs函数体和作用域返回值几点建议函数编程实例断言assert匿名函数面向对象和面向过程
第五章  函数




函数的定义和调用











默认参数应为不可变的类型，数字字符串元组



可变长参数 *args


可变长参数**kwargs



函数体和作用域
...]]></description><category></category></item><item><title><![CDATA[python复习_3]]></title><link>https://blog.youkuaiyun.com/kaidikake/article/details/104182136</link><guid>https://blog.youkuaiyun.com/kaidikake/article/details/104182136</guid><author>kaidikake</author><pubDate>Wed, 05 Feb 2020 18:02:32 +0800</pubDate><description><![CDATA[文章目录第四章  组合数据类型1 .
第四章  组合数据类型

1 .

]]></description><category></category></item><item><title><![CDATA[python复习_2]]></title><link>https://blog.youkuaiyun.com/kaidikake/article/details/104173011</link><guid>https://blog.youkuaiyun.com/kaidikake/article/details/104173011</guid><author>kaidikake</author><pubDate>Tue, 04 Feb 2020 20:32:49 +0800</pubDate><description><![CDATA[文章目录第三章 基本数据类型1.数字类型1.1 数字类型的组成整数——不同进制的转换浮点数——不确定性（可用round四舍五入）复数1.2 数字运算操作符（a 操作符 b）+-*/取反 -乘方 **整数商// 模运算%1.3 数字运算操作函数绝对值abs幂次方pow（x，n）四舍五入函数round（x，n）整数商和模divmod（x，y）序列最大值和最小值max(),min(),求和sum（）导入...]]></description><category></category></item><item><title><![CDATA[python复习_1]]></title><link>https://blog.youkuaiyun.com/kaidikake/article/details/104158802</link><guid>https://blog.youkuaiyun.com/kaidikake/article/details/104158802</guid><author>kaidikake</author><pubDate>Mon, 03 Feb 2020 17:35:10 +0800</pubDate><description><![CDATA[文章目录第一章1 . 优缺点2.3.
第一章
1 . 优缺点
python是解释型（一行一行的执行）的动态语言 （变量不用提前声明）；
C++是编译型静态的语言（全部程序执行且需要提前声明）；
因此速度上python慢。

配置环境参考文档下载：
链接：https://pan.baidu.com/s/1ylMF0SIGyhA1F9Huzc_YCQ
提取码：acif
2.
3.

...]]></description><category></category></item><item><title><![CDATA[CS231_深度之眼打卡_5]]></title><link>https://blog.youkuaiyun.com/kaidikake/article/details/104135271</link><guid>https://blog.youkuaiyun.com/kaidikake/article/details/104135271</guid><author>kaidikake</author><pubDate>Sun, 02 Feb 2020 00:38:37 +0800</pubDate><description><![CDATA[文章目录1. 什么是计算图 ，画出函数(x+y)z的计算图，理解反向传播2.写出(x+y)z的链式求导公式3. 写出课程中反向求梯度的例子 (w0*x0+w1*x1+w2)4. sigmoid求导  向量的梯度与标量的梯度有什么不同   F(x)=Wx的求导5. 编写x*y  forward  backward函数并运行1. 损失函数通用表达式
1. 什么是计算图 ，画出函数(x+y)z的计算图，...]]></description><category></category></item><item><title><![CDATA[CS231_深度之眼打卡_4]]></title><link>https://blog.youkuaiyun.com/kaidikake/article/details/104018251</link><guid>https://blog.youkuaiyun.com/kaidikake/article/details/104018251</guid><author>kaidikake</author><pubDate>Fri, 17 Jan 2020 16:46:06 +0800</pubDate><description><![CDATA[1. 损失函数通用表达式
L=1N∑i=1N(Li(f(xi,W),yi)
L=\frac{1}{N}\sum_{i=1}^N (L_i(f(x_i,W),y_i)
L=N1​i=1∑N​(Li​(f(xi​,W),yi​)
2. Hinge Loss 表达式(多分类SVM损失函数）
Li=∑yi!=jmax(0,sj−syi+1)
L_i=\sum_{y_i!=j}max(0,s_j-s_{y_...]]></description><category></category></item><item><title><![CDATA[CS231_深度之眼打卡_3]]></title><link>https://blog.youkuaiyun.com/kaidikake/article/details/103402491</link><guid>https://blog.youkuaiyun.com/kaidikake/article/details/103402491</guid><author>kaidikake</author><pubDate>Thu, 05 Dec 2019 12:56:31 +0800</pubDate><description><![CDATA[根据课程内容及网上相关内容记录笔记，仅学习使用
打卡内容：
1. f(x,w)线性分类器与knn区别
1.KNN分类器必须记住所有的训练数据并存储起来，以便未来测试数据比较，需要很大的空间
对一个测试数据需要与所有的训练数据进行比较，需要很大的计算资源和时间
2.KNN是不需要学习的，而线性分类器需要学习参数
3.线性分类器只能分类线性可分的数据。
2. 线性分类器为什么可以看成一种模板匹配方法
...]]></description><category></category></item><item><title><![CDATA[CS231_深度之眼打卡_2]]></title><link>https://blog.youkuaiyun.com/kaidikake/article/details/103361814</link><guid>https://blog.youkuaiyun.com/kaidikake/article/details/103361814</guid><author>kaidikake</author><pubDate>Tue, 03 Dec 2019 10:23:19 +0800</pubDate><description><![CDATA[根据课程内容及网上相关内容记录笔记，仅学习使用
第4节、数据驱动方法

第5节、KNN算法

作业
1. 图像分类数据和label分别是什么  图像分类存在的问题与挑战
图像分类，核心是从给定的分类集合中给图像分配一个标签的任务。实际上，这意味着我们的任务是分析一个输入图像并返回一个将图像分类的标签。标签总是来自预定义的可能类别集。

视点变化（viewpoint variation），即物体对应...]]></description><category></category></item><item><title><![CDATA[CS231_深度之眼打卡_1]]></title><link>https://blog.youkuaiyun.com/kaidikake/article/details/103310193</link><guid>https://blog.youkuaiyun.com/kaidikake/article/details/103310193</guid><author>kaidikake</author><pubDate>Fri, 29 Nov 2019 20:06:44 +0800</pubDate><description><![CDATA[第2节、视觉发展历史


第3节、卷积神经网络的发展

作业：


图像的数据主要来源有哪些 （列举几个即可）



sift feature 是什么，可以用来干什么。金字塔匹配思想是什么，可以用来干什么。 hog特征是什么，可以用来干什么。



神经网络早就存再为什么神经网络最近才(提示：从数据和硬件方面考虑)



图像任务有哪些，解决什么样的图像问题（eg:图像分类就是看图片中的物体具体是...]]></description><category></category></item><item><title><![CDATA[python3学习之leetcode 排序9/37]]></title><link>https://blog.youkuaiyun.com/kaidikake/article/details/102846039</link><guid>https://blog.youkuaiyun.com/kaidikake/article/details/102846039</guid><author>kaidikake</author><pubDate>Thu, 31 Oct 2019 21:37:35 +0800</pubDate><description><![CDATA[按照leetcode标签排序做题
1、两个数组的交集

解析
观察题目，求两个数组的交集，并且结果中每个元素不重复，立刻想到集合set求交集insection。
python构造集合set()
求交集
1.set1 &amp; set2
2.set.insection(set1,set2)
最后转成list输出
解答
class Solution:
    def intersection(sel...]]></description><category></category></item><item><title><![CDATA[windows安装完成anaconda+pytorch后的导入pycharm问题]]></title><link>https://blog.youkuaiyun.com/kaidikake/article/details/102525680</link><guid>https://blog.youkuaiyun.com/kaidikake/article/details/102525680</guid><author>kaidikake</author><pubDate>Sat, 12 Oct 2019 18:57:54 +0800</pubDate><description><![CDATA[导入环境到pycharm1.使用prompt如图查看虚拟环境对应的python位置2.打开pycharm进入file--settings
1.使用prompt如图查看虚拟环境对应的python位置

2.打开pycharm进入file–settings

右上角设置–》show all

点加号添加第一步的python环境即可

...]]></description><category></category></item></channel></rss>