<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[lujohn3li]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/lujohn3li</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; lujohn3li]]></copyright><item><title><![CDATA[神经网络基本原理及Python编程实现]]></title><link>https://blog.youkuaiyun.com/lujohn3li/article/details/119687031</link><guid>https://blog.youkuaiyun.com/lujohn3li/article/details/119687031</guid><author>lujohn3li</author><pubDate>Sat, 14 Aug 2021 00:39:31 +0800</pubDate><description><![CDATA[一、神经网络基本原理1.生物神经网络的简单原理在生物神经网络中，每个神经元的树突接受来自之前多个神经元输出的电信号，将其组合成更强的信号。如果组合后的信号足够强，超过阀值，这个神经元就会被激活并且也会发射信号，信号则会沿着轴突到达这个神经元的终端，再传递给接下来更多的神经元的树突，如图1所示。图1 生物神经网络的简单原理2.人工神经网络的基本原理仿照生物神经网络，构建多层人工神经网络，每一层的人工神经元都与其前后层的神经元相互连接，如图2所示。在每个连接上显示了相关的连接权重，较小的权重将弱化信号，而较大的]]></description><category></category></item><item><title><![CDATA[利用ffmpeg将mp4视频转换成多张jpg图片]]></title><link>https://blog.youkuaiyun.com/lujohn3li/article/details/119322855</link><guid>https://blog.youkuaiyun.com/lujohn3li/article/details/119322855</guid><author>lujohn3li</author><pubDate>Mon, 02 Aug 2021 21:09:25 +0800</pubDate><description><![CDATA[1.分离视频音频流
ffmpeg -i input_file -vcodec copy -an output_file_video　　//分离视频流
ffmpeg -i input_file -acodec copy -vn output_file_audio　　//分离音频流
2-r 提取图像的频率，-ss 开始时间，-t 持续时间
ffmpeg -ss 0:1:30 -t 0:0:20 -i input.avi -vcodec copy -acodec copy output.avi    //剪切视频]]></description><category></category></item><item><title><![CDATA[全面解读YOLO的“鸿星尔克”版本]]></title><link>https://blog.youkuaiyun.com/lujohn3li/article/details/119118464</link><guid>https://blog.youkuaiyun.com/lujohn3li/article/details/119118464</guid><author>lujohn3li</author><pubDate>Mon, 26 Jul 2021 21:12:10 +0800</pubDate><description><![CDATA[点蓝色字关注“机器学习算法工程师”设为星标，干货直达！近期旷视团队发布了YOLOX系列模型，在同等条件下YOLOX在COCO数据集上效果要超过YOLOV5，而且代码和模型细节报告都已经发布。这里根据公布的论文以及开源的代码来解读YOLOX。从YOLOv3开始YOLOX选取的baseline模型为Darknet53-YOLOv3模型，并和YOLOv4和YOLOv5一样增加了 SPP layer。相比原始的YOLOv3模型，训练策略增加了EMA，学习速率采用cosine lr schedule。另外在loss上]]></description><category></category></item><item><title><![CDATA[万字长文：重温机器学习经典算法]]></title><link>https://blog.youkuaiyun.com/lujohn3li/article/details/118476544</link><guid>https://blog.youkuaiyun.com/lujohn3li/article/details/118476544</guid><author>lujohn3li</author><pubDate>Mon, 05 Jul 2021 05:50:54 +0800</pubDate><description><![CDATA[点击上方“机器学习算法工程师”选择“星标”公众号，重磅干货，第一时间送达一、强化学习的概念和主要用途1.什么是强化学习？强化学习（Reinforcement Learning）是机器学习的一个非常重要的分支，其核心思想是实验者构建一个完整的实验环境，在该环境中通过给予被实验者一定的观测值和回报等方法来强化或鼓励被实验者的一些行动，从而以更高的可能性产生实验者所期望的结果或目标。从以上对强化学习的描述中，我们可以看出强化学习一定会涉及到被实验者（也称为智能体，Agent）、实验者构建的环境（也就是系统环境，S]]></description><category></category></item><item><title><![CDATA[150亿！谷歌发布史上最大视觉模型V-MoE，却最有希望减少碳排放？]]></title><link>https://blog.youkuaiyun.com/lujohn3li/article/details/118059241</link><guid>https://blog.youkuaiyun.com/lujohn3li/article/details/118059241</guid><author>lujohn3li</author><pubDate>Sat, 19 Jun 2021 21:14:19 +0800</pubDate><description><![CDATA[点蓝色字关注“机器学习算法工程师”设为星标，干货直达！                                                                                                              机器学习算法工程师                                      机器学习、深度学习、数据挖掘等人工智能领域的技术实战干货文章，这里都有！分享从业经验是我们的不变的准则……                   ]]></description><category></category></item><item><title><![CDATA[这是我目前见到的最高效的目标检测算法！没有之一]]></title><link>https://blog.youkuaiyun.com/lujohn3li/article/details/117754946</link><guid>https://blog.youkuaiyun.com/lujohn3li/article/details/117754946</guid><author>lujohn3li</author><pubDate>Wed, 09 Jun 2021 21:41:53 +0800</pubDate><description><![CDATA[点击上方“机器学习爱好者社区”选择“星标”公众号，重磅干货，第一时间送达0 摘要在大家的千呼万唤中，MMDetection 支持 CenterNet 了！！CenterNet 全称为 Objects as Points，因其极其简单优雅的设计、任务扩展性强、高速的推理速度、有竞争力的精度以及无需 NMS 后处理等优点，受到了用户广泛的关注，从官方仓库 xingyizhou/CenterNet 的 5.5k star 可见其受欢迎程度。既然叫做 CenterNet，那么其最大亮点就是提出了一种强任务扩展的框架]]></description><category></category></item><item><title><![CDATA[YOLOF：速度和效果均超过YOLOv4的检测模型]]></title><link>https://blog.youkuaiyun.com/lujohn3li/article/details/117618612</link><guid>https://blog.youkuaiyun.com/lujohn3li/article/details/117618612</guid><author>lujohn3li</author><pubDate>Sun, 06 Jun 2021 09:17:37 +0800</pubDate><description><![CDATA[点蓝色字关注“机器学习算法工程师”设为星标，干货直达！AI编辑：我是小将本文作者：OpenMMLab @000007https://zhuanlan.zhihu.com/p/370758213本文已由原作者授权转载0 摘要YOLOF 全称是&nbsp;You Only Look One-level Feature, 其通过详细的实验指出特征金字塔 FPN 模块的成功在于其对目标优化问题的分治解决方案，而不是我们常说的多尺度特征融合。针对该结论，设计了一个简洁优雅的无需复杂 FPN 的网络结构，仅仅依靠单尺度]]></description><category></category></item><item><title><![CDATA[「沐神」工作五年的沉思录 &「这就是李沐」开挂人生的深度解读]]></title><link>https://blog.youkuaiyun.com/lujohn3li/article/details/117391780</link><guid>https://blog.youkuaiyun.com/lujohn3li/article/details/117391780</guid><author>lujohn3li</author><pubDate>Sat, 29 May 2021 22:00:18 +0800</pubDate><description><![CDATA[点击上方“机器学习爱好者社区”选择“星标”公众号，重磅干货，第一时间送达作者：李沐&nbsp;链接：https://zhuanlan.zhihu.com/p/374777591沐神，想必大家或多或少有所了解。硅谷技术人才，深度学习框架MXNet作者之一，也是《动手学深度学习》作者之一。最近有一篇关于他工作五年的总结，在AI圈爆火~今天，分享给还没有看过的朋友，大佬工作五年的总结，是什么样的。工作五年反思五年前的今天我飞往西雅图参加亚马逊的面试。面试完后连夜做红眼航班飞往波士顿赶去参加老婆在MIT的博士答辩。]]></description><category></category></item><item><title><![CDATA[Google AI提出全新解决方案！大提速！只需MLP就在ImageNet达到SOTA！]]></title><link>https://blog.youkuaiyun.com/lujohn3li/article/details/116723177</link><guid>https://blog.youkuaiyun.com/lujohn3li/article/details/116723177</guid><author>lujohn3li</author><pubDate>Wed, 12 May 2021 22:33:57 +0800</pubDate><description><![CDATA[点蓝色字关注“机器学习算法工程师”设为星标，干货直达！                                                                                                              机器学习算法工程师                                      机器学习、深度学习、数据挖掘等人工智能领域的技术实战干货文章，这里都有！分享从业经验是我们的不变的准则……                   ]]></description><category></category></item><item><title><![CDATA[PVT：可用于密集任务backbone的金字塔视觉transformer！]]></title><link>https://blog.youkuaiyun.com/lujohn3li/article/details/116672559</link><guid>https://blog.youkuaiyun.com/lujohn3li/article/details/116672559</guid><author>lujohn3li</author><pubDate>Tue, 11 May 2021 22:04:36 +0800</pubDate><description><![CDATA[点蓝色字关注“机器学习算法工程师”设为星标，干货直达！基于detectron2实现的PVT开源了，欢迎star：https://github.com/xiaohu2015/pvt_detectron2自从ViT之后，关于vision transformer的研究呈井喷式爆发，从思路上分主要沿着两大个方向，一是提升ViT在图像分类的效果；二就是将ViT应用在其它图像任务中，比如分割和检测任务上，这里介绍的PVT（Pyramid Vision Transformer） 就属于后者。PVT相比ViT引入了和CNN]]></description><category></category></item><item><title><![CDATA[实例介绍TensorFlow的输入流水线]]></title><link>https://blog.youkuaiyun.com/lujohn3li/article/details/116612882</link><guid>https://blog.youkuaiyun.com/lujohn3li/article/details/116612882</guid><author>lujohn3li</author><pubDate>Mon, 10 May 2021 22:09:09 +0800</pubDate><description><![CDATA[&nbsp; &nbsp;作者：叶&nbsp; &nbsp;虎编辑：赵一帆前 &nbsp;言在训练模型时，我们首先要处理的就是训练数据的加载与预处理的问题，这里称这个过程为输入流水线（input pipelines，或输入管道，[参考：https://www.tensorflow.org/performance/datasets_performance]）。在TensorFlow中，典型的输入流水线包含三个流程（ETL流程）：提取（Extract）：从存储介质（如硬盘）中读取数据，可能是本地读取，也可能是远]]></description><category></category></item><item><title><![CDATA[图解Git工作原理]]></title><link>https://blog.youkuaiyun.com/lujohn3li/article/details/116543966</link><guid>https://blog.youkuaiyun.com/lujohn3li/article/details/116543966</guid><author>lujohn3li</author><pubDate>Sat, 08 May 2021 21:21:05 +0800</pubDate><description><![CDATA[机器学习爱好者社区                                      我们是来自BAT的算法工程师团队，将定期发布NLP、机器学习、深度学习、深度学习框架TensorFlow、Python实战等知识，欢迎机器学习爱好者加入我们，期待与您相遇！             ...]]></description><category></category></item><item><title><![CDATA[FAIR最新无监督研究：视频的无监督时空表征学习]]></title><link>https://blog.youkuaiyun.com/lujohn3li/article/details/116475423</link><guid>https://blog.youkuaiyun.com/lujohn3li/article/details/116475423</guid><author>lujohn3li</author><pubDate>Fri, 07 May 2021 06:39:44 +0800</pubDate><description><![CDATA[点蓝色字关注“机器学习算法工程师”设为星标，干货直达！                                                                                                              机器学习算法工程师                                      机器学习、深度学习、数据挖掘等人工智能领域的技术实战干货文章，这里都有！分享从业经验是我们的不变的准则……                   ]]></description><category></category></item><item><title><![CDATA[钉钉回放被管理员禁止下载？别急我来帮你]]></title><link>https://blog.youkuaiyun.com/lujohn3li/article/details/112846346</link><guid>https://blog.youkuaiyun.com/lujohn3li/article/details/112846346</guid><author>lujohn3li</author><pubDate>Tue, 19 Jan 2021 16:33:30 +0800</pubDate><description><![CDATA[利用电脑端的Fiddler来进行抓包可以有效获取钉钉被禁止的回放视频

Fiddler抓包神器


安装Fiddler
这里给大家提供一下官网的下载链接：Fiddler


设置Fiddler捕捉HTTPS的流量
打开Fiddler抓包软件后，点击Tools,选择Options，进入设置中心：

打开Options后需要勾选图中的3处地方，分别用来抓取https的流量以及中途安装相应的证书文件。



下面便可以进行抓包
首先，在Fiddler中如果觉得左侧栏中有太多的进程记录，可以通过点击图中的叉叉，来.]]></description><category></category></item><item><title><![CDATA[如何高效读论文]]></title><link>https://blog.youkuaiyun.com/lujohn3li/article/details/79875529</link><guid>https://blog.youkuaiyun.com/lujohn3li/article/details/79875529</guid><author>lujohn3li</author><pubDate>Tue, 10 Apr 2018 08:34:18 +0800</pubDate><description><![CDATA[【转载】


写给研究初学者的论文阅读简明教程。

痛苦

做研究，少不得要读论文。

如果你不了解一个领域已经被研究成了什么样子，又如何找到自己研究的切入点呢？

可是，对许多初学者来说，读论文是件痛苦的事儿。

他们匆匆忙忙开始，在CNKI用关键词搜索出来一堆论文，一通下载之后，就打开第一篇，从头到尾一字一句地读起来。

读完一篇，放到一边；再读另外一篇。

]]></description><category></category></item><item><title><![CDATA[C语言算法实例019：直接插入排序]]></title><link>https://blog.youkuaiyun.com/lujohn3li/article/details/79787707</link><guid>https://blog.youkuaiyun.com/lujohn3li/article/details/79787707</guid><author>lujohn3li</author><pubDate>Mon, 02 Apr 2018 12:59:30 +0800</pubDate><description><![CDATA[实例019：直接插入排序
实例说明： 
插入排序是把一个记录插入到已排序的有序序列中，使整个序列在插入该记录后仍能有序。插入排序中比较简单的一个方法是直接插入排序，其插入位置的确定方法是将待插入的记录与有序区的各记录自右向左依次比较其关键字值得大小。
实现过程： 
#include<stdio.h> void insort(int s[], int n)
{
    int i, j;
    fo]]></description><category></category></item><item><title><![CDATA[[硬货]|《机器学习》笔记-聚类（9）]]></title><link>https://blog.youkuaiyun.com/lujohn3li/article/details/79776148</link><guid>https://blog.youkuaiyun.com/lujohn3li/article/details/79776148</guid><author>lujohn3li</author><pubDate>Sun, 01 Apr 2018 10:40:01 +0800</pubDate><description><![CDATA[作者： 刘才权 
编辑： 黄俊嘉写在最前面如今机器学习和深度学习如此火热，相信很多像我一样的普通程序猿或者还在大学校园中的同学，一定也想参与其中。不管是出于好奇，还是自身充电，跟上潮流，我觉得都值得试一试。对于自己，经历了一段时间的系统学习（参考《机器学习/深度学习入门资料汇总》），现在计划重新阅读《机器学习》[周志华]和《深度学习》[Goodfellow et al]这两本书，并在阅读的过程中进行]]></description><category></category></item><item><title><![CDATA[[硬货]| 实例介绍TensorFlow的输入流水线]]></title><link>https://blog.youkuaiyun.com/lujohn3li/article/details/79776076</link><guid>https://blog.youkuaiyun.com/lujohn3li/article/details/79776076</guid><author>lujohn3li</author><pubDate>Sun, 01 Apr 2018 10:34:50 +0800</pubDate><description><![CDATA[作者： 叶   虎 
   编辑：赵一帆前言在训练模型时，我们首先要处理的就是训练数据的加载与预处理的问题，这里称这个过程为输入流水线（input pipelines，或输入管道，参考）。在TensorFlow中，典型的输入流水线包含三个流程（ETL流程）：
提取（Extract）：从存储介质（如硬盘）中读取数据，可能是本地读取，也可能是远程读取（比如在分布式存储系统HDFS）
预处理（Transf]]></description><category></category></item><item><title><![CDATA[[硬货]|如何利用深度学习写诗歌（使用Python进行文本生成）]]></title><link>https://blog.youkuaiyun.com/lujohn3li/article/details/79728799</link><guid>https://blog.youkuaiyun.com/lujohn3li/article/details/79728799</guid><author>lujohn3li</author><pubDate>Wed, 28 Mar 2018 15:47:30 +0800</pubDate><description><![CDATA[翻译：李雪冬              

前  言



从短篇小说到写5万字的小说，机器不断涌现出前所未有的词汇。在web上有大量的例子可供开发人员使用机器学习来编写文本，呈现的效果有荒谬的也有令人叹为观止的。 
由于自然语言处理(NLP)领域的重大进步，机器能够自己理解上下文和编造故事。
文本生成的例子包括，机器编写了流行小说的整个章节，比如《权力的游戏》和《哈利波特》，取得]]></description><category></category></item><item><title><![CDATA[linux系统学习1-8：第1个ARM裸板程序及引申]]></title><link>https://blog.youkuaiyun.com/lujohn3li/article/details/79684097</link><guid>https://blog.youkuaiyun.com/lujohn3li/article/details/79684097</guid><author>lujohn3li</author><pubDate>Sun, 25 Mar 2018 09:58:03 +0800</pubDate><description><![CDATA[第001节辅线1_硬件知识_LED原理图
第002节辅线1_硬件知识_s3c2440启动流程与GPIO操作
第003节编写第一个程序点亮LED
第004节汇编与机器码
第005006节编程知识_进制-字节序第001节：辅线1_硬件知识_LED原理图
实现点亮LED的步骤： 
1.看原理图，确定控制led的引脚 
通过主芯片使用引脚输出：3.3V点亮led；0V熄灭led。 
-接法： 引脚驱动能力不]]></description><category></category></item></channel></rss>