<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[m0_37673307的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/m0_37673307</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; m0_37673307]]></copyright><item><title><![CDATA[EM算法]]></title><link>https://blog.youkuaiyun.com/m0_37673307/article/details/86539727</link><guid>https://blog.youkuaiyun.com/m0_37673307/article/details/86539727</guid><author>m0_37673307</author><pubDate>Fri, 18 Jan 2019 14:44:56 +0800</pubDate><description><![CDATA[下面主要介绍EM的整个推导过程。

1. Jensen不等式

      回顾优化理论中的一些概念。设f是定义域为实数的函数，如果对于所有的实数x，，那么f是凸函数。当x是向量时，如果其hessian矩阵H是半正定的（），那么f是凸函数。如果或者，那么称f是严格凸函数。

      Jensen不等式表述如下：

      如果f是凸函数，X是随机变量，那么

      

      特...]]></description><category></category></item><item><title><![CDATA[tensorflow实战——dropout防止过拟合验证]]></title><link>https://blog.youkuaiyun.com/m0_37673307/article/details/82386476</link><guid>https://blog.youkuaiyun.com/m0_37673307/article/details/82386476</guid><author>m0_37673307</author><pubDate>Tue, 04 Sep 2018 17:06:34 +0800</pubDate><description><![CDATA[了解dropout那得先了解什么是overfitting（过拟合），underfitting（欠拟合）


overfitting就是指Ein(在训练集上的错误率)变小，Eout(在整个数据集上的错误率)变大的过程

underfitting是指Ein和Eout都变大的过程


使用简单的模型去拟合复杂数据时，会导致模型很难拟合数据的真实分布，这时模型便欠拟合了，或者说有很大的 Bias，Bias...]]></description><category></category></item><item><title><![CDATA[tensorflow实战（一）——mnist识别]]></title><link>https://blog.youkuaiyun.com/m0_37673307/article/details/82378253</link><guid>https://blog.youkuaiyun.com/m0_37673307/article/details/82378253</guid><author>m0_37673307</author><pubDate>Tue, 04 Sep 2018 11:43:32 +0800</pubDate><description><![CDATA[目录

1. MNIST数据集

2. Softmax回归介绍

3. 实现回归模型（每一行代码复制即可，文末有完整代码）

4. 训练模型

5. 评估模型

6. 完整代码

 

1. MNIST数据集

MNIST数据集的官网是Yann LeCun's website。在这里，我们利用tensorflow自带的mnist下载器来下载数据


from tensorflow.contrib....]]></description><category></category></item><item><title><![CDATA[奇异值分解(SVD)原理详解]]></title><link>https://blog.youkuaiyun.com/m0_37673307/article/details/82317696</link><guid>https://blog.youkuaiyun.com/m0_37673307/article/details/82317696</guid><author>m0_37673307</author><pubDate>Sun, 02 Sep 2018 18:22:09 +0800</pubDate><description><![CDATA[一、奇异值与特征值基础知识：

    特征值分解和奇异值分解在机器学习领域都是属于满地可见的方法。两者有着很紧密的关系，我在接下来会谈到，特征值分解和奇异值分解的目的都是一样，就是提取出一个矩阵最重要的特征。先谈谈特征值分解吧：

   1）特征值：

    如果说一个向量v是方阵A的特征向量，将一定可以表示成下面的形式：



    这时候λ就被称为特征向量v对应的特征值，一个矩阵的一组特...]]></description><category></category></item><item><title><![CDATA[pytorch实战（一）之梯度下降实现]]></title><link>https://blog.youkuaiyun.com/m0_37673307/article/details/82315176</link><guid>https://blog.youkuaiyun.com/m0_37673307/article/details/82315176</guid><author>m0_37673307</author><pubDate>Sun, 02 Sep 2018 15:03:05 +0800</pubDate><description><![CDATA[1.需求说明


我们首先随机生成N个数，再通过一个线性函数生成目标数据target，然后将这N个数据通过我们自定义的神经网络得到输出output，通过不断迭代更新w和b，最小化target和output的差值，以此来实现：输入最初产生的随机数据N，通过网络，得到近似线性函数生成的目标数据target。


2.编程实现

1）导入模块


import torch
from torch.auto...]]></description><category></category></item><item><title><![CDATA[彻底理解numpy中的axis]]></title><link>https://blog.youkuaiyun.com/m0_37673307/article/details/82118030</link><guid>https://blog.youkuaiyun.com/m0_37673307/article/details/82118030</guid><author>m0_37673307</author><pubDate>Mon, 27 Aug 2018 22:00:51 +0800</pubDate><description><![CDATA[
时下流行人工智能，python成为人工智能最好的处理语言，这与python中的科学计算模块numpy是分不开的。numpy相信大都数人都知道。而在numpy中，有很多的函数都涉及到axis，numpy中的轴axis是很重要的，许多numpy的操作根据axis的取值不同，作出的操作也不相同。可以说，axis让numpy的多维数组变的更加灵活，但也让numpy变得越发难以理解。因此，弄清楚axis的...]]></description><category></category></item><item><title><![CDATA[linux服务器开机自启动某个脚本程序（可设定启动优先级的高级启动方式）]]></title><link>https://blog.youkuaiyun.com/m0_37673307/article/details/81806962</link><guid>https://blog.youkuaiyun.com/m0_37673307/article/details/81806962</guid><author>m0_37673307</author><pubDate>Sat, 18 Aug 2018 12:24:20 +0800</pubDate><description><![CDATA[1.应用背景


我们在服务器上开发时，经常需要将某个程序开机就自启动，比如说系统的mysql服务就是开机自启动的。那么我们如何能够让自己的程序开机自启动呢？


 

2.实现步骤


1. 写好执行脚本，比如我在当前Desktop上写了个hello.sh，功能是：输出'succeed',以追加方式，重定向到 /home/xxx/Desktop/hello_store.txt文本中（方便看开机自...]]></description><category></category></item><item><title><![CDATA[如何把java文件打包成命令行带参数可执行的jar，without IDE，without maven，并在python下运行jar]]></title><link>https://blog.youkuaiyun.com/m0_37673307/article/details/81674999</link><guid>https://blog.youkuaiyun.com/m0_37673307/article/details/81674999</guid><author>m0_37673307</author><pubDate>Tue, 14 Aug 2018 23:33:22 +0800</pubDate><description><![CDATA[应用背景


问题的解决来源于问题的产生，今天就遇到了这样的问题：在linux环境下without IDE，做图像修复填充方面的工作，从github上clone了一个项目patchMatch（java source code）。通过命令javac编译和java运行，但是这样需要每次更改参数，又重新编译source code，太麻烦了。于是，我就想：能不能将source code编译成.class文...]]></description><category></category></item><item><title><![CDATA[正则表达式（四）——贪婪与非贪婪模式]]></title><link>https://blog.youkuaiyun.com/m0_37673307/article/details/81631880</link><guid>https://blog.youkuaiyun.com/m0_37673307/article/details/81631880</guid><author>m0_37673307</author><pubDate>Mon, 13 Aug 2018 17:51:02 +0800</pubDate><description><![CDATA[高级用法在这里：正则表达式（三）——高级用法：search，findall，sub，split

8.贪婪与非贪婪模式


首先我们以简单的例子来说说什么是正则表达式的贪婪与非贪婪匹配？

比如假定匹配字符串和正则表达式为：


&amp;gt;&amp;gt;&amp;gt; match_str = 'abcdefc'  #匹配字符串

 贪婪匹配:

&amp;gt;&amp;gt;&amp;gt; pattern = r'ab.*c'
&amp;...]]></description><category></category></item><item><title><![CDATA[正则表达式（三）——高级用法：search，findall，sub，split]]></title><link>https://blog.youkuaiyun.com/m0_37673307/article/details/81627553</link><guid>https://blog.youkuaiyun.com/m0_37673307/article/details/81627553</guid><author>m0_37673307</author><pubDate>Mon, 13 Aug 2018 12:26:18 +0800</pubDate><description><![CDATA[进阶部分在这里：正则表达式（二）——进阶之匹配分组

4. search用法

上面我们学习了re模块的match用法，下面我们来学习下re模块中search用法！（其实也算不上高级用法啦）


match和search对比：

match的一个特点就是从左向右完整的去匹配，多出来的不管，少了就不行；

search是在给定字符串当中去搜索的符合正则表达式的内容。

match和search的语法...]]></description><category></category></item><item><title><![CDATA[正则表达式（二）——进阶之匹配分组]]></title><link>https://blog.youkuaiyun.com/m0_37673307/article/details/81607986</link><guid>https://blog.youkuaiyun.com/m0_37673307/article/details/81607986</guid><author>m0_37673307</author><pubDate>Sun, 12 Aug 2018 18:16:22 +0800</pubDate><description><![CDATA[基础部分在这里：正则表达式（一）——基础之匹配字符，数量，边界

这部分我将换种形式来讲述，结合实际问题需求来讲述。

3.匹配分组

字符
			功能
		|
			匹配左右任意一个表达式
		(ab)
			将括号中的字符作为一个分组
		\num
			引用分组num匹配到的字符串
		(?P&amp;lt;name&amp;gt;)
			分组起别名
		(?P=name)
			引用别名为name分组匹...]]></description><category></category></item><item><title><![CDATA[正则表达式（一）——基础之匹配字符，数量，边界]]></title><link>https://blog.youkuaiyun.com/m0_37673307/article/details/81605053</link><guid>https://blog.youkuaiyun.com/m0_37673307/article/details/81605053</guid><author>m0_37673307</author><pubDate>Sun, 12 Aug 2018 14:25:03 +0800</pubDate><description><![CDATA[1.概念

1.1 正则表达式概念

正则表达式，又称正规表达式，规则表达式，正规表示法等（英语：Regular Expression，在代码中常简写为regex、regexp或RE），计算机科学的一个概念。正则表达式使用单个字符串来描述，匹配一系列匹配某个句法规则的字符串。在很多文本编辑器中，通常被用来检索、替换那些符合某个模式(规则)的文本。

Regular Expression的“Regu...]]></description><category></category></item><item><title><![CDATA[玩转python（一）——微信远程控制电脑]]></title><link>https://blog.youkuaiyun.com/m0_37673307/article/details/81592050</link><guid>https://blog.youkuaiyun.com/m0_37673307/article/details/81592050</guid><author>m0_37673307</author><pubDate>Sat, 11 Aug 2018 22:56:32 +0800</pubDate><description><![CDATA[ 


	1. 综述
	
         这是一个挺有意思的 python 程序，基于 itchat 实现微信控制电脑。你可以通过在微信发送命令，来拍摄当前电脑的使用者，然后图片会发送到你的微信上。甚至你可以发送命令来远程关闭电脑。效果如下图所示：






	2.应用场景
	

       你可爱又迷人的女朋友，在看到这篇教程之后，非常的开心。在你的电脑上部署了这个脚本，并且在你不知情的情...]]></description><category></category></item><item><title><![CDATA[Linux中Kill进程的N种方法]]></title><link>https://blog.youkuaiyun.com/m0_37673307/article/details/81534690</link><guid>https://blog.youkuaiyun.com/m0_37673307/article/details/81534690</guid><author>m0_37673307</author><pubDate>Thu, 09 Aug 2018 12:50:26 +0800</pubDate><description><![CDATA[linux的进程管理手段丰富。想怎么杀进程都可以。废话少说，正题开始：

常规篇：

首先，用ps查看进程，方法如下：


$ ps -ef



或者：


$ ps -aux



此时如果我想杀了火狐的进程就在终端输入：


$ kill -s 9 1827


其中-s 9 制定了传递给进程的信号是９，即强制、尽快终止进程。各个终止信号及其作用见附录。

1827则是上面ps查到的火狐的P...]]></description><category></category></item><item><title><![CDATA[pytorch学习日记（三）——之Data Parallelism]]></title><link>https://blog.youkuaiyun.com/m0_37673307/article/details/81503699</link><guid>https://blog.youkuaiyun.com/m0_37673307/article/details/81503699</guid><author>m0_37673307</author><pubDate>Wed, 08 Aug 2018 10:38:21 +0800</pubDate><description><![CDATA[PyTorch中使用了张量类型，而不用numpy的array，就是为了可以在GPU上运行代码，那我们怎么样才能使用GPUs来加速运行呢。其实非常简单，几条语句就可以完成了。

1. 基本语句


模型放到一个GPU上运行model.gpu()
	将张量放到GPU上mytensor = my_tensor.gpu()注: 仅仅调用my_tensor.gpu()函数并不会将张量复制到GPU上，所以一定...]]></description><category></category></item><item><title><![CDATA[pytorch学习日记（二）——之cv2，matplotlib，PIL比较及与Tensor的转换]]></title><link>https://blog.youkuaiyun.com/m0_37673307/article/details/81271155</link><guid>https://blog.youkuaiyun.com/m0_37673307/article/details/81271155</guid><author>m0_37673307</author><pubDate>Wed, 08 Aug 2018 09:12:18 +0800</pubDate><description><![CDATA[用python进行图像处理中分别用到过matplotlib.pyplot、PIL、cv2三种库，这三种库图像读取和保存方法各异，并且图像读取时顺序也有差异，如plt.imread和PIL.Image.open读入的都是RGB顺序，而cv2.imread读入的是BGR顺序。使用时需要倍加注意。

1. cv2，matplotlib，PIL比较

读取图像
1.cv2.imread

opencv读进...]]></description><category></category></item><item><title><![CDATA[pytorch学习日记（一）——之CIFAR10图像训练测试实战]]></title><link>https://blog.youkuaiyun.com/m0_37673307/article/details/81268222</link><guid>https://blog.youkuaiyun.com/m0_37673307/article/details/81268222</guid><author>m0_37673307</author><pubDate>Sun, 29 Jul 2018 11:25:19 +0800</pubDate><description><![CDATA[
神经网络NN编程实现，往往需要以下几个步骤：

1）定义NN，初始化NN的参数（权重和偏置）

2）准备好输入数据集

3）让输入通过NN，得到输出

4）计算输出和理想输出的loss

5）采用随机梯度下降方法（SGD），后向传播更新NN的权重和偏置，更新规则：

weight = weight - learning_rate * gradient


下面，将根据这些步骤进行编程：


导入...]]></description><category></category></item><item><title><![CDATA[VGG16卷积神经网络]]></title><link>https://blog.youkuaiyun.com/m0_37673307/article/details/81167908</link><guid>https://blog.youkuaiyun.com/m0_37673307/article/details/81167908</guid><author>m0_37673307</author><pubDate>Mon, 23 Jul 2018 15:06:58 +0800</pubDate><description><![CDATA[刚开始接触深度学习、卷积神经网络的时候非常懵逼，不知道从何入手，我觉得应该有一个进阶的过程，也就是说，理应有一些基本概念作为奠基石，让你有底气去完全理解一个庞大的卷积神经网络：

本文思路：



一、我认为学习卷积神经网络必须知道的几个概念：

1、卷积过程：

  我们经常说卷积神经网络卷积神经网络，到底什么才是卷积？网络层卷积过程到底怎么实现？我们在这里借鉴了另一位博客大牛的动态图来给大家演...]]></description><category></category></item><item><title><![CDATA[卷积神经网络CNN原理详解——基本原理（一）]]></title><link>https://blog.youkuaiyun.com/m0_37673307/article/details/81166266</link><guid>https://blog.youkuaiyun.com/m0_37673307/article/details/81166266</guid><author>m0_37673307</author><pubDate>Mon, 23 Jul 2018 13:49:37 +0800</pubDate><description><![CDATA[神经网络的预备知识

     为什么要用神经网络？

特征提取的高效性。
 　　大家可能会疑惑，对于同一个分类任务，我们可以用机器学习的算法来做，为什么要用神经网络呢？大家回顾一下，一个分类任务，我们在用机器学习算法来做时，首先要明确feature和label，然后把这个数据&quot;灌&quot;到算法里去训练，最后保存模型，再来预测分类的准确性。但是这就有个问题，即我们需要实现确定好特征，每一个特征即为一个维...]]></description><category></category></item><item><title><![CDATA[python下建立elasticsearch索引实现大数据搜索——之连接ssh穿透的阿里云rdb服务器（四）]]></title><link>https://blog.youkuaiyun.com/m0_37673307/article/details/81154019</link><guid>https://blog.youkuaiyun.com/m0_37673307/article/details/81154019</guid><author>m0_37673307</author><pubDate>Sun, 22 Jul 2018 13:52:50 +0800</pubDate><description><![CDATA[出于安全考虑，数据库服务器只允许堡垒机通过ssh访问，这对日常的使用带来了麻烦。昨天的工作中，就遇到了这样的问题，mysql数据库放在了服务器A上，只允许服务器B来访问，而我在机器C上，可以通过ssh连接服务器B。为了解决在机器C上连接mysql这个问题，用百度搜索解决方法，遗憾的是，找不到什么靠谱的，最后，还是翻墙用了google，终于找到了一种简单可靠的方法。把google赶出中国，让中国的I...]]></description><category></category></item></channel></rss>