<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[linger(心怀梦想，活在当下，知乎ID：linger liu)]]></title><description><![CDATA[互联网的小码农(数据挖掘，推荐系统，广告系统)]]></description><link>https://blog.youkuaiyun.com/linger2012liu</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; linger2012liu]]></copyright><item><title><![CDATA[mmdetection3d环境部署]]></title><link>https://blog.youkuaiyun.com/linger2012liu/article/details/145570912</link><guid>https://blog.youkuaiyun.com/linger2012liu/article/details/145570912</guid><author>linger2012liu</author><pubDate>Tue, 11 Feb 2025 20:00:00 +0800</pubDate><description><![CDATA[11.10.10.62.0.0rc43.3.01.24.4下载模型权重模型推理。]]></description><category></category></item><item><title><![CDATA[时间序列时间轴频率对齐]]></title><link>https://blog.youkuaiyun.com/linger2012liu/article/details/144245471</link><guid>https://blog.youkuaiyun.com/linger2012liu/article/details/144245471</guid><author>linger2012liu</author><pubDate>Wed, 04 Dec 2024 21:45:00 +0800</pubDate><description><![CDATA[Python SciPy transform.RotationSpline用法及代码示例。Slerp(times, rotations)旋转的球面线性插值。【Python问题集锦】如何对不规则的时间序列进行对齐和插值。pandas的dataframe使用重采样和插值可以实现，如何使用 Python 重新采样和插值您的时间序列数据。另外如果是欧拉角这种比较特殊，需要特殊处理。]]></description><category></category></item><item><title><![CDATA[bevformer环境部署]]></title><link>https://blog.youkuaiyun.com/linger2012liu/article/details/143874115</link><guid>https://blog.youkuaiyun.com/linger2012liu/article/details/143874115</guid><author>linger2012liu</author><pubDate>Tue, 19 Nov 2024 20:30:00 +0800</pubDate><description><![CDATA[git checkout v0.17.1 # Other versions may not be compatible.一定用这个版本避免版本不兼容。如果有报错，则使用如下代替上面的安装。]]></description><category></category></item><item><title><![CDATA[时序预测模型TimeMixer复现]]></title><link>https://blog.youkuaiyun.com/linger2012liu/article/details/143774963</link><guid>https://blog.youkuaiyun.com/linger2012liu/article/details/143774963</guid><author>linger2012liu</author><pubDate>Thu, 14 Nov 2024 16:41:55 +0800</pubDate><description><![CDATA[下载和安装miniconda:https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh。这里torch==1.7.1，则选择cudatoolkit=11.0.3。安装依赖[使用以下的依赖文件，原project的依赖有问题]根据torch和cuda对应版本做出选择，安装cudatoolkit=11.0.3。【二、安装conda和python依赖】【三、模型训练、推理】【一、安装cuda】]]></description><category></category></item><item><title><![CDATA[Numpy数组的序列化和反序列化]]></title><link>https://blog.youkuaiyun.com/linger2012liu/article/details/100998018</link><guid>https://blog.youkuaiyun.com/linger2012liu/article/details/100998018</guid><author>linger2012liu</author><pubDate>Wed, 18 Sep 2019 21:00:07 +0800</pubDate><description><![CDATA[在处理图像数据时，有这么一种需求：图像通常是一个矩阵数据，需要将矩阵数据通过base64编码传输，传输完毕之后解码还原得到原来的矩阵数据。





import numpy as np

import base64



matrix_data=[[1,2,3,4],[5,6,7,8]]



np_matrix_data = np.asarray(matrix_data)

print ...]]></description><category></category></item><item><title><![CDATA[远程终端docker容器linux操作系统安装MATLAB]]></title><link>https://blog.youkuaiyun.com/linger2012liu/article/details/100126845</link><guid>https://blog.youkuaiyun.com/linger2012liu/article/details/100126845</guid><author>linger2012liu</author><pubDate>Wed, 28 Aug 2019 21:05:47 +0800</pubDate><description><![CDATA[远程终端docker容器linux操作系统安装MATLAB





安装参考流程：

linux终端(服务器)安装matlab2016b

https://blog.youkuaiyun.com/u014535579/article/details/78793028



问题1：百度网盘下载

下载地址如下

https://pan.baidu.com/s/1mhSXTfq#list/path...]]></description><category></category></item><item><title><![CDATA[Tensorflow入门：数据结构和编程思想]]></title><link>https://blog.youkuaiyun.com/linger2012liu/article/details/61616906</link><guid>https://blog.youkuaiyun.com/linger2012liu/article/details/61616906</guid><author>linger2012liu</author><pubDate>Sun, 12 Mar 2017 14:03:15 +0800</pubDate><description><![CDATA[Tensorflow入门：数据结构和编程思想引言： 
最近tensorflow很火，看到国内都有不少人开始玩起来了，自己最近有些想法想玩玩，于是开始入门搞一下，因为自己只有一个台式电脑，于是就装了个cpu版的tensorflow，安装过程挺顺利，一两句命令搞定，最后遇到过glibc的版本问题，直接升级了Ubuntu版本就好了。 
于是，开始入门了。下面是我学习的笔记，水平有限，如有不对，敬请指教。]]></description><category></category></item><item><title><![CDATA[C++实现获取DOTA玩家名称（反汇编查找指针地址和跨进程读取war3内存）]]></title><link>https://blog.youkuaiyun.com/linger2012liu/article/details/53933133</link><guid>https://blog.youkuaiyun.com/linger2012liu/article/details/53933133</guid><author>linger2012liu</author><pubDate>Thu, 29 Dec 2016 23:29:16 +0800</pubDate><description><![CDATA[C++实现获取DOTA玩家名称（反汇编查找指针地址和跨进程读取war3内存）

   大学时做了一个类似11小秘书的工具，就是一键查看当前玩家的11天梯积分。其中，获取DOTA玩家名称是其中一个模块，这部分代码之前没公布，现在发出来共享给各位编程爱好者。
  其中的思路是，先用反汇编技术把DOTA玩家名称的内存地址找出来，然后用C++实现跨进程内存读取。记得当时，找内存地址找了很久，因为当时]]></description><category></category></item><item><title><![CDATA[mahout的itembased推荐算法改造]]></title><link>https://blog.youkuaiyun.com/linger2012liu/article/details/50673495</link><guid>https://blog.youkuaiyun.com/linger2012liu/article/details/50673495</guid><author>linger2012liu</author><pubDate>Tue, 16 Feb 2016 11:05:53 +0800</pubDate><description><![CDATA[mahout的itembased推荐算法改造




需求背景：
itembased主要是两个步骤：
1 item相似度的计算
2根据user所评分过的item，以及item之间的相似度，预测未知item的分数
 
mahout的itembased现有的问题：
mahout集成的itembased算法，
里面的每个步骤耦合度太强，难以分割。
 
我们希望上面两个步骤能分]]></description><category></category></item><item><title><![CDATA[xgboost快速入门]]></title><link>https://blog.youkuaiyun.com/linger2012liu/article/details/49804551</link><guid>https://blog.youkuaiyun.com/linger2012liu/article/details/49804551</guid><author>linger2012liu</author><pubDate>Thu, 12 Nov 2015 20:57:27 +0800</pubDate><description><![CDATA[xgboost快速入门





xgboost是gbdt算法的实现，可以做回归，分类，和排序。支持各种语言调用，支持单机和分布式。非常适合于大规模数据集。
 
项目主页
https://github.com/dmlc/xgboost
 
安装https://github.com/dmlc/xgboost/blob/master/doc/python/python_intro]]></description><category></category></item><item><title><![CDATA[liblinear简单使用说明]]></title><link>https://blog.youkuaiyun.com/linger2012liu/article/details/48659803</link><guid>https://blog.youkuaiyun.com/linger2012liu/article/details/48659803</guid><author>linger2012liu</author><pubDate>Tue, 22 Sep 2015 19:52:52 +0800</pubDate><description><![CDATA[liblinear简单使用说明


liblinear适合解决大规模数据和高维稀疏特征的分类和回归问题。
 
特征文件格式：跟libsvm的一致，每一行都是
label index1:value1 index2:value2
的稀疏向量的格式。
 
离线的训练和测试阶段，为了方便，我是通过命令行来做的，不需要再写代码。
其中liblinear封装了一个train和predict]]></description><category></category></item><item><title><![CDATA[sklearn特征选择和分类模型]]></title><link>https://blog.youkuaiyun.com/linger2012liu/article/details/47960127</link><guid>https://blog.youkuaiyun.com/linger2012liu/article/details/47960127</guid><author>linger2012liu</author><pubDate>Mon, 24 Aug 2015 22:18:11 +0800</pubDate><description><![CDATA[sklearn特征选择和分类模型



数据格式：
这里，原始特征的输入文件的格式使用libsvm的格式，即每行是label index1:value1 index2:value2这种稀疏矩阵的格式。
 
sklearn中自带了很多种特征选择的算法。我们选用特征选择算法的依据是数据集和训练模型。
 
下面展示chi2的使用例。chi2，采用卡方校验的方法进行特征选择，比较适合0/]]></description><category></category></item><item><title><![CDATA[pagerank以及个性化的pagerank算法]]></title><link>https://blog.youkuaiyun.com/linger2012liu/article/details/46991167</link><guid>https://blog.youkuaiyun.com/linger2012liu/article/details/46991167</guid><author>linger2012liu</author><pubDate>Tue, 21 Jul 2015 20:11:40 +0800</pubDate><description><![CDATA[pagerank以及个性化的pagerank算法



pagerank最开始是Google提出来用来衡量网页重要度排行的算法。
她的思想是基于网页之间互相的链接作为加权投票。假如网页a指向b，
那么网页b的重要程度受网页a的影响，a越重要，则b就越重要。假如网页c也指向b，
但是c跟a对比，c指向其他网页的数量（出度）较少，那么c对b的贡献程度要大于a对b。
 
 
下面是网]]></description><category></category></item><item><title><![CDATA[隐性反馈行为数据的协同过滤推荐算法]]></title><link>https://blog.youkuaiyun.com/linger2012liu/article/details/46917601</link><guid>https://blog.youkuaiyun.com/linger2012liu/article/details/46917601</guid><author>linger2012liu</author><pubDate>Thu, 16 Jul 2015 21:47:00 +0800</pubDate><description><![CDATA[隐性反馈行为数据的协同过滤推荐算法
《Collaborative Filtering for Implicit Feedback Datasets》论文笔记




本文是我阅读《CollaborativeFiltering for Implicit Feedback Datasets》论文的笔记，介绍的是对于隐性反馈行为数据协同过滤算法，采取的是隐语义模型（LFM），求解方式是ALS]]></description><category></category></item><item><title><![CDATA[map-reduce入门]]></title><link>https://blog.youkuaiyun.com/linger2012liu/article/details/46713733</link><guid>https://blog.youkuaiyun.com/linger2012liu/article/details/46713733</guid><author>linger2012liu</author><pubDate>Wed, 01 Jul 2015 19:34:08 +0800</pubDate><description><![CDATA[map-reduce入门



 
 
map-reduce其实是一种编程范式，从统计词频（wordCount）程序来讲解map-reduce的思想最容易理解。
 
给定一个文件，里面的内容如下，要求统计每个单词的词频。
Hello Angela
I love you Angela
How are you Angela
 
map（每个单词处理为一行，key,value形]]></description><category></category></item><item><title><![CDATA[git配置ssh密钥]]></title><link>https://blog.youkuaiyun.com/linger2012liu/article/details/46640219</link><guid>https://blog.youkuaiyun.com/linger2012liu/article/details/46640219</guid><author>linger2012liu</author><pubDate>Thu, 25 Jun 2015 19:52:44 +0800</pubDate><description><![CDATA[git配置ssh密钥





如果主机（当前登录用户）之前没有git账号，即添加第一个git账号，并配置ssh密钥时，
按照如下的步骤：
1 cd  ~/.ssh
2 ssh-keygen -t rsa -C 'liulian@gmail.com'
3 cat id_rsa.pub
4 拷贝公钥到git服务器上
5 测试：git clone 
git@git.host.]]></description><category></category></item><item><title><![CDATA[spark一些入门资料]]></title><link>https://blog.youkuaiyun.com/linger2012liu/article/details/46430915</link><guid>https://blog.youkuaiyun.com/linger2012liu/article/details/46430915</guid><author>linger2012liu</author><pubDate>Tue, 09 Jun 2015 19:56:17 +0800</pubDate><description><![CDATA[spark一些入门资料


A Scala Tutorial for Java Programmers
http://docs.scala-lang.org/tutorials/scala-for-java-programmers.html
 


学习资源（视频教程，书，例子等）
spark.apache.org/documentation.html
 
入门指南
s]]></description><category></category></item><item><title><![CDATA[给大数据文件的每一行产生唯一的id]]></title><link>https://blog.youkuaiyun.com/linger2012liu/article/details/46430747</link><guid>https://blog.youkuaiyun.com/linger2012liu/article/details/46430747</guid><author>linger2012liu</author><pubDate>Tue, 09 Jun 2015 19:42:23 +0800</pubDate><description><![CDATA[给大数据文件的每一行产生唯一的id

4个主要思路：
1 单线程处理
2 普通多线程
3 hive
4 Hadoop
 
搜到一些参考资料


《Hadoop实战》的笔记-2、Hadoop输入与输出
https://book.douban.com/annotation/17068812/
TextInputFormat：文件偏移量：整行数据
但是这个偏移量，貌似]]></description><category></category></item><item><title><![CDATA[相似度计算map-reduce实现思路]]></title><link>https://blog.youkuaiyun.com/linger2012liu/article/details/46289661</link><guid>https://blog.youkuaiyun.com/linger2012liu/article/details/46289661</guid><author>linger2012liu</author><pubDate>Sun, 31 May 2015 16:57:51 +0800</pubDate><description><![CDATA[相似度计算map-reduce实现思路

输入：
1 f(1)
2 f(2)
3 f(3)
4 f(4)

 

mapper:
1,2 f(1)
1,3 f(1)
1,4 f(1)

1,2 f(2)
2,3 f(2)
2,4 f(2)

1,3 f(3)
2,3 f(3)
3,4 f(3)

1,4 f(4)
2,4 f(4)
3,4 f(4)]]></description><category></category></item><item><title><![CDATA[建QQ群作为大家技术交流的平台]]></title><link>https://blog.youkuaiyun.com/linger2012liu/article/details/45725293</link><guid>https://blog.youkuaiyun.com/linger2012liu/article/details/45725293</guid><author>linger2012liu</author><pubDate>Thu, 14 May 2015 19:47:48 +0800</pubDate><description><![CDATA[建个QQ群作为大家技术交流的平台

最近有很多读者来问我关于caffe的问题，由于我不搞caffe很久了，所以难以高效回答大家的问题。
因此，建QQ群作为大家技术交流的平台。


caffe，深度学习交流群：419906840

机器学习，数据挖掘，推荐广告搜索交流群：126643980]]></description><category></category></item></channel></rss>