<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[m0_46861439的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/m0_46861439</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; m0_46861439]]></copyright><item><title><![CDATA[SSH断联问题]]></title><link>https://blog.youkuaiyun.com/m0_46861439/article/details/155561139</link><guid>https://blog.youkuaiyun.com/m0_46861439/article/details/155561139</guid><author>m0_46861439</author><pubDate>Thu, 04 Dec 2025 11:23:13 +0800</pubDate><description><![CDATA[楼主之前没有跑长时间程序的经验，所以一般SSH后直接python train.py 来跑代码。现在有一个要跑很长时间的脚本，在我晚上离开之后，屏幕自动息屏了，结果当我早上回来的时候，我发现息屏的时候程序似乎是不动的，无比曹丹。gemini给出的解决方案之一是使用tmux，这会不因为息屏后ssh的断开而导致脚本不跑了。> my_log.txt：把原本打印在屏幕上的进度条和日志写入 my_log.txt 文件。2>&1：把错误信息也写入同一个文件。ohup：不挂断运行。]]></description><category></category></item><item><title><![CDATA[overleaf 挂双通讯/共同通讯]]></title><link>https://blog.youkuaiyun.com/m0_46861439/article/details/144414056</link><guid>https://blog.youkuaiyun.com/m0_46861439/article/details/144414056</guid><author>m0_46861439</author><pubDate>Thu, 12 Dec 2024 02:45:54 +0800</pubDate><description><![CDATA[按顺序，第一个人用传统的 \thanks方法挂就行，后面那个用\footnotemark[1]]]></description><category></category></item><item><title><![CDATA[openreview公式不能正常显示]]></title><link>https://blog.youkuaiyun.com/m0_46861439/article/details/143629600</link><guid>https://blog.youkuaiyun.com/m0_46861439/article/details/143629600</guid><author>m0_46861439</author><pubDate>Fri, 08 Nov 2024 17:55:52 +0800</pubDate><description><![CDATA[这哥们说的是对的，处理方法是在表示下标的 "_"的前面和后面都加一个空格，]]></description><category></category></item><item><title><![CDATA[2024.10从从onedrive 一步到 linux的办法]]></title><link>https://blog.youkuaiyun.com/m0_46861439/article/details/143038813</link><guid>https://blog.youkuaiyun.com/m0_46861439/article/details/143038813</guid><author>m0_46861439</author><pubDate>Fri, 18 Oct 2024 11:38:58 +0800</pubDate><description><![CDATA[开发者工具它改版了，所以有调整。]]></description><category></category></item><item><title><![CDATA[part6.vit]]></title><link>https://blog.youkuaiyun.com/m0_46861439/article/details/131191445</link><guid>https://blog.youkuaiyun.com/m0_46861439/article/details/131191445</guid><author>m0_46861439</author><pubDate>Wed, 21 Jun 2023 20:53:57 +0800</pubDate><description><![CDATA[例如，考虑以下句子：“I love to play soccer.” 如果我们使用空格作为分隔符，将句子分解为 token，得到的结果可能是：[“I”, “love”, “to”, “play”, “soccer”, “.”]，其中每个单词和句点都是一个 token。与传统的nlp不同，nlp领域里一个字符含有的信息非常丰富，而对于图像而言，一个像素点所含有的信息非常稀少，所以往常的处理都是基于一个个图片的小块，每个小块含有很多像素点。“我跑在狗子前面” 和 “狗子跑在我前面”，有典型的不同。]]></description><category></category></item><item><title><![CDATA[part5.transformer]]></title><link>https://blog.youkuaiyun.com/m0_46861439/article/details/131177899</link><guid>https://blog.youkuaiyun.com/m0_46861439/article/details/131177899</guid><author>m0_46861439</author><pubDate>Mon, 12 Jun 2023 22:51:53 +0800</pubDate><description><![CDATA[自言自语，供自己使用]]></description><category></category></item><item><title><![CDATA[最大均值差异（MMD）的介绍]]></title><link>https://blog.youkuaiyun.com/m0_46861439/article/details/130426473</link><guid>https://blog.youkuaiyun.com/m0_46861439/article/details/130426473</guid><author>m0_46861439</author><pubDate>Sun, 28 May 2023 01:53:23 +0800</pubDate><description><![CDATA[核函数：给定一个非空集合XX，方程kX×X→RkX×X→R，如果存在一个实希尔伯特空间 (R\mathbb{R}R-Hilbert space，实希尔伯特空间因其上的内积的定义的不同而不同) 和一个映射ϕxX→HϕxX→H，使得∀xx′∈X∀xx′∈Xkxx′≔ϕxϕx′Hkxx′ϕxϕx′H​1.对称性：kxx′kx′x。]]></description><category></category></item><item><title><![CDATA[最大均值差异MMD计算出现nan情况]]></title><link>https://blog.youkuaiyun.com/m0_46861439/article/details/129731054</link><guid>https://blog.youkuaiyun.com/m0_46861439/article/details/129731054</guid><author>m0_46861439</author><pubDate>Thu, 23 Mar 2023 15:11:54 +0800</pubDate><description><![CDATA[MMD计算出现nan]]></description><category></category></item><item><title><![CDATA[torch的一些函数]]></title><link>https://blog.youkuaiyun.com/m0_46861439/article/details/124326107</link><guid>https://blog.youkuaiyun.com/m0_46861439/article/details/124326107</guid><author>m0_46861439</author><pubDate>Thu, 21 Apr 2022 17:26:35 +0800</pubDate><description><![CDATA[0. 长期更新，看到奇怪的弄懂了就写
ref:
https://www.bilibili.com/video/BV1wQ4y1q7Bm/?spm_id_from=333.788
https://blog.youkuaiyun.com/m0_46384757/article/details/120509481
1.torch.gather
https://www.jianshu.com/p/b7d8d3c26f2d
上面的文章告诉我举例子的时候不要用1m或m1
也不要用n*n这种，不然歧义很多
这里是按我的理解写一遍，为]]></description><category></category></item><item><title><![CDATA[量化的一些paper阅读]]></title><link>https://blog.youkuaiyun.com/m0_46861439/article/details/123908110</link><guid>https://blog.youkuaiyun.com/m0_46861439/article/details/123908110</guid><author>m0_46861439</author><pubDate>Thu, 07 Apr 2022 23:28:53 +0800</pubDate><description><![CDATA[前言
这是一项赶鸭子上架的工作，此项工作的目的是把我从一个一无所知的小白变成懂一点神经网络轻量化东西的一年级学生，然后就可以参与大约十天后的文书撰写工作。我也不知道为什么每一年都这么忙。anyway，最重要的是
认知-认同-实践
这份东西主要是我的论文阅读概述，方便我找些东西
1.A White Paper on Neural Network Quantization
https://arxiv.org/pdf/2106.08295.pdf

................................]]></description><category></category></item><item><title><![CDATA[数学建模的一些方法]]></title><link>https://blog.youkuaiyun.com/m0_46861439/article/details/122757818</link><guid>https://blog.youkuaiyun.com/m0_46861439/article/details/122757818</guid><author>m0_46861439</author><pubDate>Mon, 31 Jan 2022 23:48:14 +0800</pubDate><description><![CDATA[AHP Topsis]]></description><category></category></item><item><title><![CDATA[DRL的个人学习——part_1]]></title><link>https://blog.youkuaiyun.com/m0_46861439/article/details/121685409</link><guid>https://blog.youkuaiyun.com/m0_46861439/article/details/121685409</guid><author>m0_46861439</author><pubDate>Fri, 03 Dec 2021 00:47:00 +0800</pubDate><description><![CDATA[1.名词解释以及一些简写
蒙特卡洛近似：抽一个或很多个随机样本，用随机样本来近似
PDF： probability density function  概率密度函数，对于连续变量
PMF： probability mass function  概率质量函数，对于离散变量
CDF： cumulative distribution function  累积分布函数

大写字母，X，表示随机变量

...]]></description><category></category></item><item><title><![CDATA[跟李沐学AI part4]]></title><link>https://blog.youkuaiyun.com/m0_46861439/article/details/120654468</link><guid>https://blog.youkuaiyun.com/m0_46861439/article/details/120654468</guid><author>m0_46861439</author><pubDate>Mon, 11 Oct 2021 22:20:32 +0800</pubDate><description><![CDATA[1. ResNet
这是用来解决网络退化问题的

就比如左边这幅图，从F1到F6（都视为网络），虽然网络层数上升了，但层到目标f（蓝色五角星）的距离却变大了，就是效果变坏了，称之为网络退化，在统计机器学习里叫模型偏差
解决的想法就是：在构造模型的时候每一个模型都包含这前面的小模型，这样学习的效果就应该严格地比前面的更好（就像右边那张图一样）

...]]></description><category></category></item><item><title><![CDATA[深度学习的一些名词]]></title><link>https://blog.youkuaiyun.com/m0_46861439/article/details/120644455</link><guid>https://blog.youkuaiyun.com/m0_46861439/article/details/120644455</guid><author>m0_46861439</author><pubDate>Fri, 08 Oct 2021 01:42:46 +0800</pubDate><description><![CDATA[batch_size 表示每次处理的样本的数目，loss=loss(x1)+loss(x2)+…loss(x_batch_size)=f(w1)+f(w2)+…f(w_n)
f(w)表示从众多loss中提取的w_m的分量之和，其实不这么写也没关系，不过是求偏导的时候变成求众loss对某w的偏导之和
epoch_num: 表示要训练几轮，每一轮所有的样本都会参加，分数次进行，每一次选batch_size个样本来训练模型并进行一次模型的权重更新

...]]></description><category></category></item><item><title><![CDATA[跟李沐学AI part3]]></title><link>https://blog.youkuaiyun.com/m0_46861439/article/details/120609435</link><guid>https://blog.youkuaiyun.com/m0_46861439/article/details/120609435</guid><author>m0_46861439</author><pubDate>Tue, 05 Oct 2021 13:36:19 +0800</pubDate><description><![CDATA[]]></description><category></category></item><item><title><![CDATA[jupyter 只显示*而不运行]]></title><link>https://blog.youkuaiyun.com/m0_46861439/article/details/120610276</link><guid>https://blog.youkuaiyun.com/m0_46861439/article/details/120610276</guid><author>m0_46861439</author><pubDate>Tue, 05 Oct 2021 01:26:17 +0800</pubDate><description><![CDATA[0.本文在于阐述尝试的过程，可以视作是一个方法合集，希望在最后一条之前你就能解决问题
1.https://blog.youkuaiyun.com/weixin_35006433/article/details/113393375?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-3.no_search_link&amp;depth_1-utm_source=distribute.pc_relevant.non]]></description><category></category></item><item><title><![CDATA[jupyter 500]]></title><link>https://blog.youkuaiyun.com/m0_46861439/article/details/120609442</link><guid>https://blog.youkuaiyun.com/m0_46861439/article/details/120609442</guid><author>m0_46861439</author><pubDate>Mon, 04 Oct 2021 23:08:13 +0800</pubDate><description><![CDATA[0.说明：这是一篇博主解决改问题的路径表，希望能帮到你
1.https://blog.youkuaiyun.com/qq_24946843/article/details/88531582
2.https://blog.youkuaiyun.com/weixin_41013322/article/details/108584287?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7Edefault-4.no_search_link&amp]]></description><category></category></item><item><title><![CDATA[跟李沐学AI part2]]></title><link>https://blog.youkuaiyun.com/m0_46861439/article/details/120486533</link><guid>https://blog.youkuaiyun.com/m0_46861439/article/details/120486533</guid><author>m0_46861439</author><pubDate>Sun, 03 Oct 2021 16:04:42 +0800</pubDate><description><![CDATA[https://www.bilibili.com/video/BV1K64y1Q7wu/?spm_id_from=333.788.recommend_more_video.0
1.分类和回归的区别
回归：最后得到的是经过预测函数所得到的一个预测结果
分类：最后得到的是数量为要分类的总物体品种的数量的置信度。比如计划是分十个类别，那么经过预测函数（网络）后最后得到的是是个置信度，比如mnist分类，对应的类别有【0，1，2，3，4，5，6，7，8，9】，通过预测函数后最后的输出结果是【0.2，0.13，0.2]]></description><category></category></item><item><title><![CDATA[杂七杂八 for p9]]></title><link>https://blog.youkuaiyun.com/m0_46861439/article/details/120578616</link><guid>https://blog.youkuaiyun.com/m0_46861439/article/details/120578616</guid><author>m0_46861439</author><pubDate>Sun, 03 Oct 2021 15:46:38 +0800</pubDate><description><![CDATA[1.
UserWarning: The given NumPy array is not writeable, and PyTorch does not support non-writeable tensors. This means you can write to the underlying (supposedly non-writeable) NumPy array using the tensor. You may want to copy the array to protect its da]]></description><category></category></item><item><title><![CDATA[torch的一些函数]]></title><link>https://blog.youkuaiyun.com/m0_46861439/article/details/120406390</link><guid>https://blog.youkuaiyun.com/m0_46861439/article/details/120406390</guid><author>m0_46861439</author><pubDate>Thu, 23 Sep 2021 21:44:57 +0800</pubDate><description><![CDATA[1.https://zhuanlan.zhihu.com/p/288541909
2.    .detach()
y=tensor.detach()
创建一个常量,名字是y, 注意它没有梯度
3.     .normal()
torch.normal(means,std,out=None)
效果：返回一个张量，包含从给定参数means,std的离散正态分布中抽取随机数。 均值means是一个张量，包含每个输出元素相关的正态分布的均值。 std是一个张量，包含每个输出元素相关的正态分布的标准差。 均值和标准差]]></description><category></category></item></channel></rss>