<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[张晖的专栏]]></title><description><![CDATA[一名搞视频技术的研究僧，关注公众号“灰度五十”，获取更多音视频技术知识、名企内推，玩转影音]]></description><link>https://blog.youkuaiyun.com/nonmarking</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; nonmarking]]></copyright><item><title><![CDATA[如何将Paddle(Lite)模型转换为TensorFlow(Lite)模型]]></title><link>https://blog.youkuaiyun.com/nonmarking/article/details/137564244</link><guid>https://blog.youkuaiyun.com/nonmarking/article/details/137564244</guid><author>nonmarking</author><pubDate>Tue, 09 Apr 2024 19:31:06 +0800</pubDate><description><![CDATA[模型间的相互转换在深度学习应用中很常见，paddlite和TensorFlowLite是移动端常用的推理框架，有时候需要将模型在两者之间做转换，本文将对转换方法做说明。]]></description><category></category></item><item><title><![CDATA[深度学习入门笔记（九）自编码器]]></title><link>https://blog.youkuaiyun.com/nonmarking/article/details/136080634</link><guid>https://blog.youkuaiyun.com/nonmarking/article/details/136080634</guid><author>nonmarking</author><pubDate>Thu, 08 Feb 2024 17:06:23 +0800</pubDate><description><![CDATA[自编码器是一个无监督的应用，它使用反向传播来更新参数，它最终的目标是让输出等于输入。数学上的表达为，f(x) = x，f 为自编码器，x 为输入数据。自编码器会先将输入数据压缩到一个较低维度的特征，然后利用这个较低维度的特征重现输入的数据，重现后的数据就是自编码器的输出。所以，从本质上来说，自编码器就是一个压缩算法。如下图有三点需要注意。]]></description><category></category></item><item><title><![CDATA[深度学习入门笔记（八）可以不断思考的模型：RNN与LSTM]]></title><link>https://blog.youkuaiyun.com/nonmarking/article/details/136080489</link><guid>https://blog.youkuaiyun.com/nonmarking/article/details/136080489</guid><author>nonmarking</author><pubDate>Thu, 08 Feb 2024 16:57:28 +0800</pubDate><description><![CDATA[梯度接近 0 则意味着梯度消失了；针对RNN的问题，如果我们能让 RNN 在接受上一时刻的状态和当前时刻的输入时，有选择地记忆和删除一部分内容（或者说信息），问题就可以解决了，比如有一句话提及刚才吃了苹果，那么在此之前说的吃香蕉的内容就没那么重要，删除就好了。之前学到的 CNN 和全连接，模型的输入数据之间是没有关联的，比如图像分类，每次输入的图片与图片之间就没有任何关系，上一张图片的内容不会影响到下一张图片的结果。也就是指当前系统的状态，可能受很长时间之前系统状态的影响，这是RNN中无法解决的一个问题。]]></description><category></category></item><item><title><![CDATA[深度学习入门笔记（附录一）性能优化实战经验]]></title><link>https://blog.youkuaiyun.com/nonmarking/article/details/136002670</link><guid>https://blog.youkuaiyun.com/nonmarking/article/details/136002670</guid><author>nonmarking</author><pubDate>Fri, 02 Feb 2024 23:42:32 +0800</pubDate><description><![CDATA[前面几节介绍了很多理论，难免会好奇：理论如何与实战结合呢？本节我们就穿插一点实战经验，来换换脑子~]]></description><category></category></item><item><title><![CDATA[深度学习入门笔记（七）卷积神经网络CNN]]></title><link>https://blog.youkuaiyun.com/nonmarking/article/details/136002457</link><guid>https://blog.youkuaiyun.com/nonmarking/article/details/136002457</guid><author>nonmarking</author><pubDate>Fri, 02 Feb 2024 23:32:02 +0800</pubDate><description><![CDATA[本节深入介绍CNN]]></description><category></category></item><item><title><![CDATA[深度学习入门笔记（六）线性回归模型]]></title><link>https://blog.youkuaiyun.com/nonmarking/article/details/136002431</link><guid>https://blog.youkuaiyun.com/nonmarking/article/details/136002431</guid><author>nonmarking</author><pubDate>Fri, 02 Feb 2024 23:18:03 +0800</pubDate><description><![CDATA[顾名思义，就是用一种线性关系进行回归。回归与分类都属于有监督学习，分类预测的是一个类别，而回归预测的是一个数值，例如房价、天气的温度、股票的走势。线性关系 f(x)可以定义为向量的表示方式为其中 w 为权重，是一个列向量，b 是一个偏移项。这个 f(x)就是我们说的线性回归模型。我们对 f(x)的训练，就是获得 f(x)中的 w 与 b。我们可不可以把线性回归模型用于分类问题呢？答案是可以的，只需要把回归方程 f(x)输出加一个 sigmoid 函数就可以了。]]></description><category></category></item><item><title><![CDATA[深度学习入门笔记（五）模型是如何自我学习的：前馈网络与反向传播]]></title><link>https://blog.youkuaiyun.com/nonmarking/article/details/136002347</link><guid>https://blog.youkuaiyun.com/nonmarking/article/details/136002347</guid><author>nonmarking</author><pubDate>Fri, 02 Feb 2024 23:14:21 +0800</pubDate><description><![CDATA[接着上一节，本节讲解模型自我学习的数学计算过程究竟是怎么样的。]]></description><category></category></item><item><title><![CDATA[深度学习入门笔记（四）模型是如何自我学习的：函数与优化方法]]></title><link>https://blog.youkuaiyun.com/nonmarking/article/details/136002223</link><guid>https://blog.youkuaiyun.com/nonmarking/article/details/136002223</guid><author>nonmarking</author><pubDate>Fri, 02 Feb 2024 23:05:09 +0800</pubDate><description><![CDATA[深度学习有三大部分本节我们就来介绍模型是如何学习或更新的。]]></description><category></category></item><item><title><![CDATA[深度学习入门笔记（三）深度学习基本常识与术语]]></title><link>https://blog.youkuaiyun.com/nonmarking/article/details/136002101</link><guid>https://blog.youkuaiyun.com/nonmarking/article/details/136002101</guid><author>nonmarking</author><pubDate>Fri, 02 Feb 2024 22:51:50 +0800</pubDate><description><![CDATA[本节我们介绍一些深度学习领域常用的术语。]]></description><category></category></item><item><title><![CDATA[深度学习入门笔记（二）神经元的结构]]></title><link>https://blog.youkuaiyun.com/nonmarking/article/details/136001938</link><guid>https://blog.youkuaiyun.com/nonmarking/article/details/136001938</guid><author>nonmarking</author><pubDate>Fri, 02 Feb 2024 22:40:08 +0800</pubDate><description><![CDATA[神经网络的基本单元是神经元，本节我们介绍神经元的结构。]]></description><category></category></item><item><title><![CDATA[深度学习入门笔记（一）必备数学基础知识]]></title><link>https://blog.youkuaiyun.com/nonmarking/article/details/136001694</link><guid>https://blog.youkuaiyun.com/nonmarking/article/details/136001694</guid><author>nonmarking</author><pubDate>Fri, 02 Feb 2024 22:24:32 +0800</pubDate><description><![CDATA[本节中，我们先来介绍一些深度学习中必备的数学知识，有些是大学课堂讲过的，还有些可能没有，对于第一次见到的知识，可以先不用深究，了解概念即可，再后面应用的时候可以翻过头再看。]]></description><category></category></item><item><title><![CDATA[速度快\颜色准\功能多，移动端HEIF图片解码实现方案]]></title><link>https://blog.youkuaiyun.com/nonmarking/article/details/130885426</link><guid>https://blog.youkuaiyun.com/nonmarking/article/details/130885426</guid><author>nonmarking</author><pubDate>Sun, 30 Jul 2023 12:30:16 +0800</pubDate><description><![CDATA[功能多：SDK同时支持YUV400/420格式解码、Alpha通道、缩放、SO后下载等功能，并且提供有集成到Glide、Freso的示例，具有更广泛的应用场景和更高的灵活性。速度快：SDK采用了先进的图像处理技术和优化算法，确保了图片解码的速度和效率，相比原生接口有数倍的性能提升，如下面对比图所示（图中0代表Android原生接口解码失败）颜色准：SDK内置了先进的色彩管理模块，支持多种颜色空间，可以更准确地还原图片的色彩。在下面的例子中，我们解码一张带Alpha通道的HEIF图片并叠加到紫色背景上。]]></description><category></category></item><item><title><![CDATA[移动端高性能Unity播放器实现方案]]></title><link>https://blog.youkuaiyun.com/nonmarking/article/details/130229986</link><guid>https://blog.youkuaiyun.com/nonmarking/article/details/130229986</guid><author>nonmarking</author><pubDate>Tue, 18 Apr 2023 20:39:12 +0800</pubDate><description><![CDATA[随着VR、AR、元宇宙等新玩法的出现，Unity平台的视频播放需求逐渐增加，比如下面两个动图就是在百度真实的案例。前者是演唱会场景，后者则是一个演讲会场。通过这两个案例可以真切地感受到虚实结合给传统视听体验带来的改变。所以在网络上能看到很多文章，介绍如何自己实现Unity播放器SDK，基本都是如下的思路：从硬件解码器中取出YUV数据 -> 送到Unity上下文中进行渲染。这个思路非常简单直接，问题也很明显。]]></description><category></category></item><item><title><![CDATA[最简单的移动端VR播放\投屏\防挡弹幕实现方案]]></title><link>https://blog.youkuaiyun.com/nonmarking/article/details/129826357</link><guid>https://blog.youkuaiyun.com/nonmarking/article/details/129826357</guid><author>nonmarking</author><pubDate>Wed, 29 Mar 2023 20:03:42 +0800</pubDate><description><![CDATA[去年，我提出了终端播放产品『』的概念，以全景声、HDR、超低延时直播、元宇宙虚实结合为重点。今天，百度智能云移动端播放器SDK 3.5.0版本发布，为『沉浸超感』这个主题添加了三大能力。]]></description><category></category></item><item><title><![CDATA[如何打造新时代的终端播放产品？]]></title><link>https://blog.youkuaiyun.com/nonmarking/article/details/127920491</link><guid>https://blog.youkuaiyun.com/nonmarking/article/details/127920491</guid><author>nonmarking</author><pubDate>Fri, 18 Nov 2022 17:37:30 +0800</pubDate><description><![CDATA[站在2022年底这个时间点，提问当今时代的终端播放产品应具备怎样的特点？。以沉浸式的观看交互，超越感官的视听体验，打造符合新时代特征的高质量终端播放产品。]]></description><category></category></item><item><title><![CDATA[移动端跨平台开发（二）一个跨平台的helloworld]]></title><link>https://blog.youkuaiyun.com/nonmarking/article/details/123699773</link><guid>https://blog.youkuaiyun.com/nonmarking/article/details/123699773</guid><author>nonmarking</author><pubDate>Thu, 24 Mar 2022 23:24:22 +0800</pubDate><description><![CDATA[在上一篇文章移动端音视频跨平台开发技术概论中，我们分析了跨平台开发的总体架构。今天我们实际动手，写一个helloworld项目，这个项目很简单，就是做一个简单的日志库，最终我们希望能在Android和ios手机上打印出一行hello world日志。
项目名字就叫simplest_crossplatfrom_helloworld，简称sch，对应下文代码中的变量、方法名称。
编写打印日志的核心代码流程
在Android平台上，我们利用jni的log.h进行日志的输出，在ios平台上，则直接利用printf函]]></description><category></category></item><item><title><![CDATA[移动端音视频跨平台开发技术概论]]></title><link>https://blog.youkuaiyun.com/nonmarking/article/details/123310818</link><guid>https://blog.youkuaiyun.com/nonmarking/article/details/123310818</guid><author>nonmarking</author><pubDate>Sun, 06 Mar 2022 20:14:54 +0800</pubDate><description><![CDATA[严格来说，具体到移动端音视频这个细分领域，除非你不依赖任何平台硬件加速能力（比如硬件编解码），否则我们可以大胆的说：根本不存在彻底的跨平台。
我们可以从更狭义的角度来说，移动端音视频领域的跨平台，其实是编译工具链和数据流程上的跨平台，基于这两个底座，接入依赖平台特性的功能模块，最终封装为多平台统一的native接口。
这里所谓的数据流程，或者叫pipeline，我们可以说它还包含了线程管理、内存管理、数据统计、日志管理等附属模块。
此外，如果要封装应用层面的API，则又要基于统一的native接口，依据各平]]></description><category></category></item><item><title><![CDATA[2021年多媒体技术圈年终事件大回顾]]></title><link>https://blog.youkuaiyun.com/nonmarking/article/details/122328813</link><guid>https://blog.youkuaiyun.com/nonmarking/article/details/122328813</guid><author>nonmarking</author><pubDate>Wed, 05 Jan 2022 17:57:40 +0800</pubDate><description><![CDATA[今年的年终总结，虽迟但到，回看往年的总结：

2018年多媒体技术圈年终事件大回顾

2019年多媒体技术圈年终事件大回顾

2020（我鸽了）



以下内容均为个人见解，大佬轻拍~

一月

一月属于WebRTC，W3C和IETF终于宣布WebRTC成为正式标准。尽管此前WebRTC早已得到广泛的应用，但是毫无疑问，WebRTC的标准化将更好地促进各种浏览器和系统之间的兼容与协作。

Chrome也在这个月发布新版本，添加对AV1编码的支持，这也是RTC大规模应用场景的重要feature。

MPEG第]]></description><category></category></item><item><title><![CDATA[掌握真正科学的学习方法——学会如何学习（Learning How to Learn）课程笔记]]></title><link>https://blog.youkuaiyun.com/nonmarking/article/details/121326649</link><guid>https://blog.youkuaiyun.com/nonmarking/article/details/121326649</guid><author>nonmarking</author><pubDate>Sat, 18 Dec 2021 23:16:36 +0800</pubDate><description><![CDATA[Learning How to Learn是Coursera平台上最热门的在线课程之一。当年本来只是看这个课程标题很有意思，所以抱着猎奇的心态点进去随便看看，没想到还真有点东西。
简单来说，这门课程是以大脑认知的底层科学原理为基础，介绍如何更有效地进行学习。
如果说我们平时掌握的各种技能是“术”，那这门课程讲的是如何更有效地学习技能的“道”。
下面把之前听课做的笔记简单总结一下：
如何克服拖延症
拖延症的成因是当我们去做一件特别不愿意做的事情时，会触发大脑的痛觉区域，因此大脑会让我们去做其他事情来避免疼痛。]]></description><category></category></item><item><title><![CDATA[流媒体播放的数学原理]]></title><link>https://blog.youkuaiyun.com/nonmarking/article/details/120258486</link><guid>https://blog.youkuaiyun.com/nonmarking/article/details/120258486</guid><author>nonmarking</author><pubDate>Sat, 18 Dec 2021 19:21:44 +0800</pubDate><description><![CDATA[这是本系列的第六篇文章
前五篇文章的链接如下:
自适应流媒体传输（一）——DASH媒体内容的生成
自适应流媒体传输（二）——为什么要使用fragmented MP4
自适应流媒体传输（三）——和TS格式说再见
自适应流媒体传输（四）——深入理解MPD
自适应流媒体传输（五）——正确认识码率切换
当我们抛开繁杂的业务代码，从纯数学的角度去理解流媒体传输\播放的过程，会有全新的体会。
首先，无论是传统的渐进式下载（progressive download）还是现在流行的自适应传输（adaptive stream]]></description><category></category></item></channel></rss>