<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[mokeyser的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/mokeyser</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; mokeyser]]></copyright><item><title><![CDATA[Mip-Nerf的抗锯齿混叠]]></title><link>https://blog.youkuaiyun.com/mokeyser/article/details/126153155</link><guid>https://blog.youkuaiyun.com/mokeyser/article/details/126153155</guid><author>mokeyser</author><pubDate>Thu, 04 Aug 2022 17:10:54 +0800</pubDate><description><![CDATA[思考下，mip-nerf抗锯齿的问题]]></description><category></category></item><item><title><![CDATA[Nerf + 3D生成]]></title><link>https://blog.youkuaiyun.com/mokeyser/article/details/125353013</link><guid>https://blog.youkuaiyun.com/mokeyser/article/details/125353013</guid><author>mokeyser</author><pubDate>Sat, 18 Jun 2022 23:16:31 +0800</pubDate><description><![CDATA[3D生成]]></description><category></category></item><item><title><![CDATA[ML的隐空间]]></title><link>https://blog.youkuaiyun.com/mokeyser/article/details/125347219</link><guid>https://blog.youkuaiyun.com/mokeyser/article/details/125347219</guid><author>mokeyser</author><pubDate>Sat, 18 Jun 2022 16:54:54 +0800</pubDate><description><![CDATA[隐空间、隐变量]]></description><category></category></item><item><title><![CDATA[Pytorch---DDP使用]]></title><link>https://blog.youkuaiyun.com/mokeyser/article/details/124869856</link><guid>https://blog.youkuaiyun.com/mokeyser/article/details/124869856</guid><author>mokeyser</author><pubDate>Thu, 19 May 2022 19:45:44 +0800</pubDate><description><![CDATA[目录



零、Pytorch并行模块

1、Data_parallel

2、多进程封装方式

一、实验目的和实验内容

1.1实验介绍

二、实验设计

2.1对model实现参数的广播、收集和聚合

2.2设置瓶颈节点

2.2.1 聚合时间瓶颈

2.2.2 梯度计算时间瓶颈



零、Pytorch并行模块

1、Data_parallel

单机多卡：数据并行的方式，网络的input数据一般要求IId，被切割成子集，不同子集作为不同device的输入（device指gpu，上面的model都是一]]></description><category></category></item><item><title><![CDATA[Python下划线和类]]></title><link>https://blog.youkuaiyun.com/mokeyser/article/details/124799984</link><guid>https://blog.youkuaiyun.com/mokeyser/article/details/124799984</guid><author>mokeyser</author><pubDate>Mon, 16 May 2022 15:25:31 +0800</pubDate><description><![CDATA[一、五种下划线

最近看到一些类，经常看见一些下划线。

data_ 为和系统变量防止重命名

_data 内部变量，不禁止外部调用

__data 私有的变量或函数，子类都不能用，调用即报错

_data_ python系统的变量或函数

_ 单下划线，通常为了表示的，临时变量，例如for _ in balabal:

refer:Python五种下划线详解 - 百度文库

二、python类继承

子类继承父类，一般继承的是变量，同时实例化子类时可以调用父类的函数。

注意的就是，类里面的 全局变量和.]]></description><category></category></item><item><title><![CDATA[Transform：Attention--VIT--Swin_T]]></title><link>https://blog.youkuaiyun.com/mokeyser/article/details/124716246</link><guid>https://blog.youkuaiyun.com/mokeyser/article/details/124716246</guid><author>mokeyser</author><pubDate>Wed, 11 May 2022 20:11:03 +0800</pubDate><description><![CDATA[目录



reference：建议看李沐大神b站视频

1、attention

点积式的attention机制

多头注意力机制

2、transform模型里面怎么使用注意力机制

编码器的输入的注意力

解码器的注意力

解码器的另一个注意力

3、feed forward

4、embedding

5、positional encoding

6、Norm

reference：建议看李沐大神b站视频

1、attention



点积式的attention机制

假设Q是（n，dk）维度..]]></description><category></category></item><item><title><![CDATA[leetcode day1]]></title><link>https://blog.youkuaiyun.com/mokeyser/article/details/124348262</link><guid>https://blog.youkuaiyun.com/mokeyser/article/details/124348262</guid><author>mokeyser</author><pubDate>Fri, 22 Apr 2022 17:58:26 +0800</pubDate><description><![CDATA[我是按照代码随想录的刷题顺序的，以此记录下自己的学习进展 + 感悟

今天刷的是 二分查找，每次通过mid来找target。

一、704. 二分查找

二分查找的关键确实是 不变量，确定好 left 和 right的变化。可以明确一个概念，left和right都是边界，通过什么循环条件在升序list查找target呢？这是一个关键，对边界的判断。每次通过 mid对 left和right进行变化，可以明确，一旦left 大于 right，就是没找到，循环退出。

循环条件就是：


while left .]]></description><category></category></item><item><title><![CDATA[e4e反演框架：Designing an Encoder for StyleGAN Image Manipulation]]></title><link>https://blog.youkuaiyun.com/mokeyser/article/details/124165900</link><guid>https://blog.youkuaiyun.com/mokeyser/article/details/124165900</guid><author>mokeyser</author><pubDate>Fri, 15 Apr 2022 15:58:48 +0800</pubDate><description><![CDATA[这里记录下本文学到的概念：

一、W空间

e4e原文在intro第三段描述：由于并不是所有的图都W空间，W空间表达能力有限在下文Image2stylegan: How to embed images into the stylegan latent space?



e4e使用的是W+空间，

二、两种Latent Space Embedding

1、 learn an encoder that maps a given image to the latent space

encoder方法例如..]]></description><category></category></item><item><title><![CDATA[SPADE: Semantic Image Synthesis with Spatially-Adaptive Normalization]]></title><link>https://blog.youkuaiyun.com/mokeyser/article/details/124060444</link><guid>https://blog.youkuaiyun.com/mokeyser/article/details/124060444</guid><author>mokeyser</author><pubDate>Sun, 10 Apr 2022 17:27:07 +0800</pubDate><description><![CDATA[介绍

先前的工作（指的是pix2pix，pix2pixHD）是：semantic layout 作为网络input。作者认为由于normalization会洗掉语义信息，提出网络的输入the input layout for modulating the activations in normalization layers through a spatially adaptive, learned transformation.通过空间自适应学习转换使用输入语义布局来调制激活函数，这个翻译我一直不怎么.]]></description><category></category></item><item><title><![CDATA[pix2pixHD: High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs]]></title><link>https://blog.youkuaiyun.com/mokeyser/article/details/124060938</link><guid>https://blog.youkuaiyun.com/mokeyser/article/details/124060938</guid><author>mokeyser</author><pubDate>Sat, 09 Apr 2022 18:12:34 +0800</pubDate><description><![CDATA[摘要

1、a novel adversarial loss, as well as new multi-scale generator and discriminator architectures.

2、edit

介绍（改进什么）

1、语义生成两个（2018年）sota架构：pix2pix架构，高分辨率不稳定；a modified perceptual loss缺少细节和纹理

2、对抗训练，perceptual losses from pre-trained networks

对于intera]]></description><category></category></item><item><title><![CDATA[CVPR2022-SemanticStyleGAN]]></title><link>https://blog.youkuaiyun.com/mokeyser/article/details/123673158</link><guid>https://blog.youkuaiyun.com/mokeyser/article/details/123673158</guid><author>mokeyser</author><pubDate>Wed, 23 Mar 2022 00:20:53 +0800</pubDate><description><![CDATA[这是一篇来自CVPR2022关于GAN的新作：
文章效果经验，引入了语义图进行解耦，很有新意。]]></description><category></category></item><item><title><![CDATA[CS231n学习]]></title><link>https://blog.youkuaiyun.com/mokeyser/article/details/123259386</link><guid>https://blog.youkuaiyun.com/mokeyser/article/details/123259386</guid><author>mokeyser</author><pubDate>Thu, 03 Mar 2022 17:24:47 +0800</pubDate><description><![CDATA[一、k类近邻

主要思路是：对相同类进行矩阵距离划分，得到近邻

代码实现：


def predict_labels(self, dists, k=1):
    """
    通过距离矩阵，预测每一个测试样本的类别

    输入：
    - dists: 一个(num_test, num_train) 大小的numpy数组，其中dists[i, j]表示
      第i个测试样本到第j个训练样本的距离

    返回：
    - y: 一个 (num_test,)大小的numpy数组，其中y[]]></description><category></category></item><item><title><![CDATA[from sklearn.metrics import roc_curve, auc画ROC曲线]]></title><link>https://blog.youkuaiyun.com/mokeyser/article/details/120936030</link><guid>https://blog.youkuaiyun.com/mokeyser/article/details/120936030</guid><author>mokeyser</author><pubDate>Sun, 24 Oct 2021 16:47:36 +0800</pubDate><description><![CDATA[一、明白ROC的原理

ROC曲线针对的是 正负样本，画出预测曲线。

网上给出的概念解读有很多，我查看的这篇ROC and AUC, Clearly Explained! - YouTube

我说说自己对ROC的理解，ROC曲线是用来判断 预测效果 的。深度学习对猫狗分类做ROC曲线时，使用from sklearn.metrics import roc_curve, auc是可以画出两条ROC曲线的。一条是猫，另一条是狗的ROC，最后取做平均。

二、from sklearn.metrics impo.]]></description><category></category></item><item><title><![CDATA[Ubuntu切换lightdm后不能修改分辨率，强行修改xorg.conf重启后只能进入tty模式]]></title><link>https://blog.youkuaiyun.com/mokeyser/article/details/120631659</link><guid>https://blog.youkuaiyun.com/mokeyser/article/details/120631659</guid><author>mokeyser</author><pubDate>Thu, 07 Oct 2021 09:49:41 +0800</pubDate><description><![CDATA[目录



出现问题: 如题

问题背景

探索过程

解决办法

查看日志

出现问题: 如题

问题背景

描述:因为需要使用向日葵远程控制，发现win10不能远程控制ubuntu。百度后提示

造成的原因有如下：
1、桌面环境是否开启？若没有开启，需要开启显示屏使用。
2、需要安装lightdm插件否则会连接停止
3、设备终端运行xhost+再重新远程连接。

我安装lightdm后，并切换启动lightdm后即可连接了。但是发现分辨率固定在640*800，我又百度后，根据文章关于ubuntu16.0]]></description><category></category></item><item><title><![CDATA[C Learning]]></title><link>https://blog.youkuaiyun.com/mokeyser/article/details/116771342</link><guid>https://blog.youkuaiyun.com/mokeyser/article/details/116771342</guid><author>mokeyser</author><pubDate>Thu, 13 May 2021 23:41:59 +0800</pubDate><description><![CDATA[目录

C第一章

变量

浮点数

运算

复合赋值

递增递减运算符

class2

判断

if语句

比较

分支

if else 嵌套

级联的if else if语句

常见错误（尊重warning）

switch case语句（多路分支）

C第一章

C语言需要 英文状态编写

#include &lt;stdio.h&gt;

int main()

{}

变量

int型，变量用于保存数据；

变量是一种标识符，由字母、数字和下划线组成。数字不能开头，关键字不能做标识符。

赋值]]></description><category></category></item><item><title><![CDATA[单片机学习：第一篇 基于Python的树莓派语音助手]]></title><link>https://blog.youkuaiyun.com/mokeyser/article/details/116136484</link><guid>https://blog.youkuaiyun.com/mokeyser/article/details/116136484</guid><author>mokeyser</author><pubDate>Sun, 25 Apr 2021 20:29:11 +0800</pubDate><description><![CDATA[title: 单片机学习：第一篇 基于Python的树莓派语音助手
tags: 树莓派,python,语音助手,百度AIP

目录

一、pyaudio录音

二、语音识别

三、与图灵机器人对话

四、语音合成

五、封装


树莓派功能十分强大，作为一个微型电脑，独特的阵脚设计使得树莓派开发的自定义程度非常高。本篇博客通过使用python语言，封装一个简单的语音助手程序。制作一个语音助手你需要如下物品：
```
1：一个树莓派（3代、4代皆可）
2：免驱的usb声卡（声卡需接在树莓派usb接口...]]></description><category></category></item></channel></rss>