<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[AMG_GT的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/lyq_12</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; lyq_12]]></copyright><item><title><![CDATA[【Pytorch】ResNet-18实现Cifar-10图像分类]]></title><link>https://blog.youkuaiyun.com/lyq_12/article/details/89483601</link><guid>https://blog.youkuaiyun.com/lyq_12/article/details/89483601</guid><author>lyq_12</author><pubDate>Tue, 23 Apr 2019 23:32:28 +0800</pubDate><description><![CDATA[一、ResNet-18网络结构



    ResNet全名Residual Network残差网络。Kaiming He 的《Deep Residual Learning for Image Recognition》获得了CVPR最佳论文。他提出的深度残差网络在2015年可以说是洗刷了图像方面的各大比赛，以绝对优势取得了多个比赛的冠军。而且它在保证网络精度的前提下，将网络的深度达到了1...]]></description><category></category></item><item><title><![CDATA[一网打尽深度学习之卷积神经网络的经典网络（LeNet-5、AlexNet、ZFNet、VGG-16、GoogLeNet、ResNet）]]></title><link>https://blog.youkuaiyun.com/lyq_12/article/details/89463274</link><guid>https://blog.youkuaiyun.com/lyq_12/article/details/89463274</guid><author>lyq_12</author><pubDate>Mon, 22 Apr 2019 23:11:07 +0800</pubDate><description><![CDATA[看过的最全最通俗易懂的卷积神经网络的经典网络总结，在此分享，供更多人学习。

一、CNN卷积神经网络的经典网络综述



下面图片参照博客：http://blog.youkuaiyun.com/cyh_24/article/details/51440344



二、LeNet-5网络







输入尺寸：32*32
	卷积层：2个
	降采样层(池化层)：2个
	全连接层：2个
	输出层：1个。10个类...]]></description><category></category></item><item><title><![CDATA[详解可微神经网络架构搜索框架（DNAS）]]></title><link>https://blog.youkuaiyun.com/lyq_12/article/details/89409059</link><guid>https://blog.youkuaiyun.com/lyq_12/article/details/89409059</guid><author>lyq_12</author><pubDate>Fri, 19 Apr 2019 22:16:44 +0800</pubDate><description><![CDATA[【论文】FBNet: Hardware-Aware Efficient ConvNet Design
via Differentiable Neural Architecture Search
【地址】https://arxiv.org/pdf/1812.03443

关键思想：

将Loss函数设计为这种形式：



然后证明交叉熵项和延时项对于网络基本结构的选择是可微分的，然后通过梯度下降方法...]]></description><category></category></item><item><title><![CDATA[Windows下如何安装和使用git]]></title><link>https://blog.youkuaiyun.com/lyq_12/article/details/89367532</link><guid>https://blog.youkuaiyun.com/lyq_12/article/details/89367532</guid><author>lyq_12</author><pubDate>Wed, 17 Apr 2019 23:31:16 +0800</pubDate><description><![CDATA[git到底是个什么东西，我这里就不介绍了，如果大家还有不懂的，可以去百度一下的。我这里给一个介绍的网址：git简介 这里在留一个地址http://baike.baidu.com/subview/1531489/12032478.htm#viewPageContent

如果大家没有安装包，也可以到这里下载：点击下载 链接地址：http://download.youkuaiyun.com/d...]]></description><category></category></item><item><title><![CDATA[解读高效的神经架构搜索ENAS]]></title><link>https://blog.youkuaiyun.com/lyq_12/article/details/89367324</link><guid>https://blog.youkuaiyun.com/lyq_12/article/details/89367324</guid><author>lyq_12</author><pubDate>Wed, 17 Apr 2019 23:16:33 +0800</pubDate><description><![CDATA[1. 简介



神经架构搜索（NAS）已成功用来设计图像分类和语言建模模型架构 (Zoph &amp; Le, 2017; Zoph et al., 2018; Cai et al., 2018; Liu et al., 2017; 2018)。在 NAS 中，RNN 控制器进行循环训练：控制器首先采样候选架构，即一个子模型（child model），接着训练它收敛以测量其在所需任务上的表现。...]]></description><category></category></item><item><title><![CDATA[详解随机神经网络结构搜索 (SNAS)]]></title><link>https://blog.youkuaiyun.com/lyq_12/article/details/89367302</link><guid>https://blog.youkuaiyun.com/lyq_12/article/details/89367302</guid><author>lyq_12</author><pubDate>Wed, 17 Apr 2019 23:14:29 +0800</pubDate><description><![CDATA[本文出自商汤研究院（SenseTime Research）。原论文发表于ICLR 2019，及arXiv:1812.09926

神经网络结构搜索（Neural Architecture Search, NAS）是自动机器学习（AutoML）中的热点问题之一。通过设计经济高效的搜索方法，自动获得泛化能力强、硬件友好的神经网络结构，可以大量节省人工，解放研究员的创造力。经典的NAS方法［1］中，一个...]]></description><category></category></item><item><title><![CDATA[【深度学习】语音识别之CTC算法原理解释与公式推导]]></title><link>https://blog.youkuaiyun.com/lyq_12/article/details/88047042</link><guid>https://blog.youkuaiyun.com/lyq_12/article/details/88047042</guid><author>lyq_12</author><pubDate>Thu, 28 Feb 2019 23:00:39 +0800</pubDate><description><![CDATA[不搞语音识别得人开这个论文确实有点费劲，结合上图，思考一下语音识别的场景，输入是一段录音，输出是识别的音素， 输入的语音文件的长度和输出的音素个数之间没有一一对应关系，通常将语音文件「分片」之后，会出现多对一的关系。这个场景在「翻译问题」和「OCR问题」中也普遍存在。

本文的特点是，提出来一种end-to-end的方法，直接将语音转问音素。不需要添加规则/后处理等过程。

文章目录[隐藏]...]]></description><category></category></item><item><title><![CDATA[【Hadoop】快速入门与搭建完全分布式Hadoop的步骤]]></title><link>https://blog.youkuaiyun.com/lyq_12/article/details/88036908</link><guid>https://blog.youkuaiyun.com/lyq_12/article/details/88036908</guid><author>lyq_12</author><pubDate>Thu, 28 Feb 2019 17:23:57 +0800</pubDate><description><![CDATA[一、Hadoop快速入门

支持平台

GNU/Linux是产品开发和运行的平台。 Hadoop已在有2000个节点的GNU/Linux主机组成的集群系统上得到验证。
	Win32平台是作为开发平台支持的。由于分布式操作尚未在Win32平台上充分测试，所以还不作为一个生产平台被支持。


所需软件

Linux和Windows所需软件包括:

JavaTM1.5.x，必须安装，建议选择Sun公司发...]]></description><category></category></item><item><title><![CDATA[目标检测算法DSSD的原理详解]]></title><link>https://blog.youkuaiyun.com/lyq_12/article/details/87878344</link><guid>https://blog.youkuaiyun.com/lyq_12/article/details/87878344</guid><author>lyq_12</author><pubDate>Fri, 22 Feb 2019 14:47:28 +0800</pubDate><description><![CDATA[论文地址：https://arxiv.org/abs/1701.06659
Github 源码（caffe版）：https://github.com/chengyangfu/caffe/tree/dssd

 

1、文章概述


    DSSD(Deconvolutional Single Shot Detector)是SSD算法改进分支中最为著名的一个，SSD的其他改进还包括RSSD（htt...]]></description><category></category></item><item><title><![CDATA[【OpenCV】计算围棋相同颜色棋子的块数和坐标（使用深/广度搜索实现4邻域查找）]]></title><link>https://blog.youkuaiyun.com/lyq_12/article/details/87877951</link><guid>https://blog.youkuaiyun.com/lyq_12/article/details/87877951</guid><author>lyq_12</author><pubDate>Fri, 22 Feb 2019 14:36:33 +0800</pubDate><description><![CDATA[1、问题描述：

给定一个n*n的围棋盘，交叉点上分布着黑，白子或空白（分别用字符b，w和 n表示），
相同颜色的棋子在同行或同列相连属于同一块棋，请遍历整个围棋盘，计算黑白棋各有几块。
输入：第一行只有一个整数n(0&amp;lt;n&amp;lt;20)，表示棋盘的大小。
接下来n行中，包含n个字符，分别用字符b，w和 n表示黑，白子或空白。
输出：两个整数，分别表示黑，白棋各有几块。 打印出属于同一区域的棋...]]></description><category></category></item><item><title><![CDATA[【Python】监控视频中运动目标检测的代码实现及效果展示]]></title><link>https://blog.youkuaiyun.com/lyq_12/article/details/87374437</link><guid>https://blog.youkuaiyun.com/lyq_12/article/details/87374437</guid><author>lyq_12</author><pubDate>Fri, 15 Feb 2019 17:51:44 +0800</pubDate><description><![CDATA[0、介绍

基于python，使用opencv库函数，实现监控视频中的运动目标检测，Mark一下！

干扰性和灵敏度的权衡，可通过调节代码中的参数（高斯模糊核、面积阈值、帧差间隔等）进行设置。

 

1、代码

以下代码亲测可直接运行。 


import cv2

vc = cv2.VideoCapture(&quot;C:\\Users\\jason\\Desktop\\video.MP4&quot;)  # ...]]></description><category></category></item><item><title><![CDATA[Docker 的基本原理及快速入门]]></title><link>https://blog.youkuaiyun.com/lyq_12/article/details/86704181</link><guid>https://blog.youkuaiyun.com/lyq_12/article/details/86704181</guid><author>lyq_12</author><pubDate>Wed, 30 Jan 2019 15:46:12 +0800</pubDate><description><![CDATA[什么是docker

Docker 是一个开源项目，诞生于 2013 年初，最初是 dotCloud 公司内部的一个业余项目。它基于 Google 公司推出的 Go 语言实现。 项目后来加入了 Linux 基金会，遵从了 Apache 2.0 协议，项目代码在 GitHub 上进行维护。

Docker 自开源后受到广泛的关注和讨论，以至于 dotCloud 公司后来都改名为 Docker Inc...]]></description><category></category></item><item><title><![CDATA[无人驾驶之硬件平台详解]]></title><link>https://blog.youkuaiyun.com/lyq_12/article/details/86702473</link><guid>https://blog.youkuaiyun.com/lyq_12/article/details/86702473</guid><author>lyq_12</author><pubDate>Wed, 30 Jan 2019 14:15:26 +0800</pubDate><description><![CDATA[本文是无人驾驶技术系列的第十篇，着重介绍无人驾驶硬件平台设计。无人驾驶硬件系统是多种技术、多个模块的集成，主要包括：传感器平台、计算平台、以及控制平台。本文将详细介绍这三个平台以及现有的解决方案。希望本文对无人驾驶从业者以及爱好者选择硬件的时候有帮助。

无人驾驶: 复杂系统

无人驾驶技术是多个技术的集成，如图1所示，一个无人驾驶系统包含了多个传感器，包括长距雷达、激光雷达、短距雷达、车载摄像头...]]></description><category></category></item><item><title><![CDATA[深度神经网络的分布式训练概述：常用方法和技巧全面总结]]></title><link>https://blog.youkuaiyun.com/lyq_12/article/details/86699157</link><guid>https://blog.youkuaiyun.com/lyq_12/article/details/86699157</guid><author>lyq_12</author><pubDate>Wed, 30 Jan 2019 09:49:38 +0800</pubDate><description><![CDATA[论文地址：https://arxiv.org/abs/1810.11787

深度学习已经为人工智能领域带来了巨大的发展进步。但是，必须说明训练深度学习模型需要显著大量的计算。在一台具有一个现代 GPU 的单台机器上完成一次基于 ImageNet 等基准数据集的训练可能要耗费多达一周的时间，研究者已经观察到在多台机器上的分布式训练能极大减少训练时间。近期的研究已经通过使用 2048 个 GPU 的...]]></description><category></category></item><item><title><![CDATA[强化学习之原理详解、算法流程及Python代码]]></title><link>https://blog.youkuaiyun.com/lyq_12/article/details/86648928</link><guid>https://blog.youkuaiyun.com/lyq_12/article/details/86648928</guid><author>lyq_12</author><pubDate>Fri, 25 Jan 2019 16:58:54 +0800</pubDate><description><![CDATA[开头先附上强化学习（reinforcement learning）的学习视频：https://morvanzhou.github.io/tutorials/machine-learning/reinforcement-learning/，赶紧进行强化学习吧！

1.强化学习就是程序或智能体(agent)通过与环境不断地进行交互学习一个从环境到动作的映射，学习的目标就是使累计回报最大化。

2.强化...]]></description><category></category></item><item><title><![CDATA[【Python】Numpy库之符号函数sign()的介绍及用法]]></title><link>https://blog.youkuaiyun.com/lyq_12/article/details/86645425</link><guid>https://blog.youkuaiyun.com/lyq_12/article/details/86645425</guid><author>lyq_12</author><pubDate>Fri, 25 Jan 2019 14:41:05 +0800</pubDate><description><![CDATA[1、sign()函数功能介绍

sign()是Python的Numpy中的取数字符号（数字前的正负号）的函数。



2、sign()函数用法代码演示


#导入numpy库
import numpy as np

#输入数据
dataArr = [-0.2, -1.1, 0, 2.3, 4.5, 0.0]
print(&quot;输入数据为：&quot;)
print(dataArr)

#使用numpy的sign...]]></description><category></category></item><item><title><![CDATA[PCA与LDA两种降维方法原理的简要对比]]></title><link>https://blog.youkuaiyun.com/lyq_12/article/details/86603074</link><guid>https://blog.youkuaiyun.com/lyq_12/article/details/86603074</guid><author>lyq_12</author><pubDate>Tue, 22 Jan 2019 23:09:24 +0800</pubDate><description><![CDATA[1、PCA(主成分分析)

无监督的，选择的是投影后数据方差最大的方向。因此PCA假设方差越大，代表的信息量越大，使用主成分来表示原始数据可以去除冗余的维度，达到降维的目的。

2、LDA(线性判别分析)

有监督的，选择的是投影后类内方差小、类间方差大的方向。用到了类别标签信息，为了找到数据中具有判别性的维度，使原始数据在这些方向上投影后，不同类别尽可能区分开来。

 

例如：语音设别中，如果...]]></description><category></category></item><item><title><![CDATA[Python3之deepcopy在print调试中的使用技巧]]></title><link>https://blog.youkuaiyun.com/lyq_12/article/details/86595989</link><guid>https://blog.youkuaiyun.com/lyq_12/article/details/86595989</guid><author>lyq_12</author><pubDate>Tue, 22 Jan 2019 15:54:03 +0800</pubDate><description><![CDATA[在python调试中，使用print打印出中间结果容易发现问题。由于python3中的map需要list转换后才能print出具体的内容。但是list转换后，后面再用到map类型的地方会出现错误。所以可以考虑使用deepcopy函数进行map变量的备份，对备份进行print(list())显示。

具体使用方法如下：


# 计算特征集中每个特征的信息增益
l = map(lambda x: [x...]]></description><category></category></item><item><title><![CDATA[Python3之打印出map结果的print(list())用法]]></title><link>https://blog.youkuaiyun.com/lyq_12/article/details/86595369</link><guid>https://blog.youkuaiyun.com/lyq_12/article/details/86595369</guid><author>lyq_12</author><pubDate>Tue, 22 Jan 2019 15:28:01 +0800</pubDate><description><![CDATA[ 在Python2里，直接使用map就可以打印结果，但是在Python3里，map返回的结果是迭代器(iterator)，因此需要先转换为列表list，再print输出。

 

1、直接使用print()，只能显示类型


# 计算特征集中每个特征的信息增益
l = map(lambda x: [x, self.caculateGain(dataset=dataset, feature=x)],...]]></description><category></category></item><item><title><![CDATA[Python之max(num, key=lambda x:x[0])用法的详细解析]]></title><link>https://blog.youkuaiyun.com/lyq_12/article/details/86594935</link><guid>https://blog.youkuaiyun.com/lyq_12/article/details/86594935</guid><author>lyq_12</author><pubDate>Tue, 22 Jan 2019 15:10:04 +0800</pubDate><description><![CDATA[ 1、max(num, key=lambda x:x[0])语法介绍如下：

key=lambda 元素: 元素[字段索引]

print(max(C, key=lambda x: x[0]))   

x:x[]字母可以随意修改，求最大值方式按照中括号[]里面的维度，[0]按照第一维，[1]按照第二维。

 

2、具体代码用法及输出结果如下：

2.1、取第1维


num = [(1,2.5...]]></description><category></category></item></channel></rss>