<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[perfect1t的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/perfect1t</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; perfect1t]]></copyright><item><title><![CDATA[word2vec的数学原理]]></title><link>https://blog.youkuaiyun.com/perfect1t/article/details/108091453</link><guid>https://blog.youkuaiyun.com/perfect1t/article/details/108091453</guid><author>perfect1t</author><pubDate>Wed, 19 Aug 2020 01:08:22 +0800</pubDate><description><![CDATA[word2vec 中的数学原理详解：https://www.cnblogs.com/peghoty/p/3857839.html
]]></description><category></category></item><item><title><![CDATA[算法]]></title><link>https://blog.youkuaiyun.com/perfect1t/article/details/101609484</link><guid>https://blog.youkuaiyun.com/perfect1t/article/details/101609484</guid><author>perfect1t</author><pubDate>Sat, 28 Sep 2019 20:08:33 +0800</pubDate><description><![CDATA[1、数轴上从左到右有n个点a[0],a[1]...a[n-1],给定一根长度为L的绳子，求绳子最多能覆盖其中的几个点。

简单意见的是枚举法，也就是以每个点为起点，遍历找最长，复杂度为。

的解法：以每个i为起点，只希望覆盖更多的点。注意每次循环best和i都只增不减，尽管两个循环，复杂度还是的。


int calculate(int *a, int n, int L)
{
    int be...]]></description><category></category></item><item><title><![CDATA[关于pytorch在使用torch.nn.functional.cross_entropy的注意点]]></title><link>https://blog.youkuaiyun.com/perfect1t/article/details/97831345</link><guid>https://blog.youkuaiyun.com/perfect1t/article/details/97831345</guid><author>perfect1t</author><pubDate>Tue, 30 Jul 2019 23:11:59 +0800</pubDate><description><![CDATA[在使用pytorch实现textcnn进行文本分类时，参考了别人的代码(keras)，在使用torch.nn.functional.cross_entropy纠结了很久，最后发现的下面的文章：

https://www.cnblogs.com/marsggbo/p/10401215.html

总结了以下的注意点：

在网络的forward最后输出时不用接softmax，直接全连接输出n类即可。
...]]></description><category></category></item><item><title><![CDATA[机器学习之常见的损失函数(loss function)]]></title><link>https://blog.youkuaiyun.com/perfect1t/article/details/88199179</link><guid>https://blog.youkuaiyun.com/perfect1t/article/details/88199179</guid><author>perfect1t</author><pubDate>Wed, 06 Mar 2019 09:40:43 +0800</pubDate><description><![CDATA[解决一个机器学习问题主要有两部分：数据和算法。而算法又有三个部分组成：假设函数、损失函数、算法优化。我们一般在看算法书或者视频教学时，更多的是去推算或者说参数估计出其假设函数，而往往不太注重损失函数，但是损失函数在面试时却是一个很重要的知识点。所以仅在此以自己理解的方式总结一些常见的损失函数，作为笔记方便日后复习。

参考文章：

一、总览

在机器学习中，通常把模型关于单个样本预测值与真实值的差...]]></description><category></category></item><item><title><![CDATA[机器学习之特征工程(Feature Engineering)]]></title><link>https://blog.youkuaiyun.com/perfect1t/article/details/86481344</link><guid>https://blog.youkuaiyun.com/perfect1t/article/details/86481344</guid><author>perfect1t</author><pubDate>Mon, 14 Jan 2019 22:27:24 +0800</pubDate><description><![CDATA[什么是特征工程？有什么用呢？

特征工程是使用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程。

更好的特征工程意味着更强的灵活度，更好的特征意味着只需用简单模型，更好的特征意味着更好的结果。

数据清洗

特征处理

在特征处理中，主要有一下几种类型需要进行一些处理：


	数值型
	
	
	类别型
	
	
	时间类
	
	
	文本类
	
	
	统计类
	
	
	组合...]]></description><category></category></item><item><title><![CDATA[机器学习之集成学习(ensemble learning)]]></title><link>https://blog.youkuaiyun.com/perfect1t/article/details/83684995</link><guid>https://blog.youkuaiyun.com/perfect1t/article/details/83684995</guid><author>perfect1t</author><pubDate>Sat, 10 Nov 2018 16:42:47 +0800</pubDate><description><![CDATA[写本文的目的：

博主本人正在入门机器学习，期间对于每个算法都看了几遍书，写下这篇文章希望可以用自己理解的方式来记录，加深对算法的理解。
	记下自己的理解，方便日后进行复习。
集成学习(Ensemble learning)通过构建并结合多个学习器来完成学习任务，有时也被称为多分类器系统、基于委员会的学习等。

集成学习的一般结构为：先产生一组“个体学习器”，再用某种策略将它们结合起来。集成中只包含...]]></description><category></category></item><item><title><![CDATA[机器学习之决策树(Decision Tree)]]></title><link>https://blog.youkuaiyun.com/perfect1t/article/details/83448801</link><guid>https://blog.youkuaiyun.com/perfect1t/article/details/83448801</guid><author>perfect1t</author><pubDate>Mon, 29 Oct 2018 11:26:43 +0800</pubDate><description><![CDATA[写本文的目的：

博主本人正在入门机器学习，期间对于每个算法都看了几遍书，写下这篇文章希望可以用自己理解的方式来记录，加深对算法的理解。
	记下自己的理解，方便日后进行复习。
决策树(Decision Tree)是一种基本的分类与回归方法。决策树模型呈树形结构，其主要优点是模型具有可读性，分类速度快。如下图，决策树模型，其中最上的圆为根节点，其余的圆为内部节点，方形为叶节点。叶节点对应于决策结果...]]></description><category></category></item><item><title><![CDATA[机器学习之支持向量机(Support Vector Machines)]]></title><link>https://blog.youkuaiyun.com/perfect1t/article/details/83187057</link><guid>https://blog.youkuaiyun.com/perfect1t/article/details/83187057</guid><author>perfect1t</author><pubDate>Mon, 22 Oct 2018 21:31:08 +0800</pubDate><description><![CDATA[支持向量机(Support Vector Machines, SVM)是一种二分类模型。其基本模型是定义在特征空间上的间隔最大化的线性分类器，通过引入核技巧的方式，可以实现非线性分类。支持向量机的学习策略就是间隔最大化。

间隔最大化的直观解释是：对训练数据集找到几何间隔最大的超平面意味着以充分大的确信度对训练数据进行分类。也就是说，不仅将正负实例分开，而且最难分的实例点(离超平面最近的点)也有足...]]></description><category></category></item><item><title><![CDATA[机器学习之朴素贝叶斯(Naive Bayes)]]></title><link>https://blog.youkuaiyun.com/perfect1t/article/details/83061081</link><guid>https://blog.youkuaiyun.com/perfect1t/article/details/83061081</guid><author>perfect1t</author><pubDate>Mon, 15 Oct 2018 21:41:06 +0800</pubDate><description><![CDATA[贝叶斯概率以18世纪的一位神学家托马斯·贝叶斯(Thomas Bayes)的名字命名。

一、为什么叫朴素贝叶斯？

朴素贝叶斯是经典机器学习算法之一，是基于概率论的分类算法，其原理简单，易于实现，多使用于文本分类，如垃圾邮件过滤、新闻分类等。

朴素贝叶斯中的朴素是来源于该算法是基于属性条件独立性假设，即对于已知类别，假设所有属性(特征)相互独立；而贝叶斯则是其基于贝叶斯定理而得到的。

所以说...]]></description><category></category></item><item><title><![CDATA[详解最大似然估计（MLE）、最大后验概率估计（MAP），以及贝叶斯公式的理解]]></title><link>https://blog.youkuaiyun.com/perfect1t/article/details/83042310</link><guid>https://blog.youkuaiyun.com/perfect1t/article/details/83042310</guid><author>perfect1t</author><pubDate>Sat, 13 Oct 2018 21:22:55 +0800</pubDate><description><![CDATA[本文作者: nebulaf91 
本文原始地址：http://blog.youkuaiyun.com/u011508640/article/details/72815981

 ]]></description><category></category></item><item><title><![CDATA[机器学习之逻辑回归实战---信用卡欺诈检测]]></title><link>https://blog.youkuaiyun.com/perfect1t/article/details/83002858</link><guid>https://blog.youkuaiyun.com/perfect1t/article/details/83002858</guid><author>perfect1t</author><pubDate>Wed, 10 Oct 2018 20:26:28 +0800</pubDate><description><![CDATA[一、一个完整机器学习项目的流程

1 抽象成数学问题

  明确问题是进行机器学习的第一步。机器学习的训练过程通常都是一件非常耗时的事情，胡乱尝试时间成本是非常高的。

  这里的抽象成数学问题，指的我们明确我们可以获得什么样的数据，目标是一个分类还是回归或者是聚类的问题，如果都不是的话，如果划归为其中的某类问题。

 

2 获取数据  

  数据决定了机器学习结果的上限，而算法只是尽可能逼近...]]></description><category></category></item><item><title><![CDATA[机器学习之逻辑回归(Logistic Regression)]]></title><link>https://blog.youkuaiyun.com/perfect1t/article/details/82966647</link><guid>https://blog.youkuaiyun.com/perfect1t/article/details/82966647</guid><author>perfect1t</author><pubDate>Mon, 08 Oct 2018 17:02:37 +0800</pubDate><description><![CDATA[一、逻辑回归模型

逻辑回归主要应用于二分类问题，其主要思想是：根据现有数据对分类边界线建立回归公式，以此进行分类。逻辑回归把线性回归的输出集输入到simoid函数

                 

中得到：

                 .

sigmoid函数自变量为实数集R,即自变量的取值范围在负无穷到正无穷...]]></description><category></category></item><item><title><![CDATA[机器学习之线性回归（Linear Regression）]]></title><link>https://blog.youkuaiyun.com/perfect1t/article/details/82914055</link><guid>https://blog.youkuaiyun.com/perfect1t/article/details/82914055</guid><author>perfect1t</author><pubDate>Mon, 01 Oct 2018 17:42:11 +0800</pubDate><description><![CDATA[在数理统计中，线性回归是这样定义的：线性回归是利用数理统计中回归分析，来确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。

一、基本形式

线性模型的基本形式：给定由d个属性描述的示例  ，其中  是x在第i个属性上的取值，线性模型试图学到一个函数，该函数通过属性的线性组合来进行预测，表示为： ---- (1).  用向量表示为:   ----- (2)，当学到w和b之后，模型就可以...]]></description><category></category></item><item><title><![CDATA[C语言字节对齐、结构体对齐最详细的解释]]></title><link>https://blog.youkuaiyun.com/perfect1t/article/details/82696110</link><guid>https://blog.youkuaiyun.com/perfect1t/article/details/82696110</guid><author>perfect1t</author><pubDate>Thu, 13 Sep 2018 22:52:16 +0800</pubDate><description><![CDATA[一、概念 
　　 对齐跟数据在内存中的位置有关。如果一个变量的内存地址正好位于它长度的整数倍，他就被称做自然对齐。比如在32位cpu下，假设一个整型变量的地址为0x00000004，那它就是自然对齐的。
　　 
二、为什么要字节对齐
　　 需要字节对齐的根本原因在于CPU访问数据的效率问题。假设上面整型变量的地址不是自然对齐，比如为0x00000002，则CPU如果取它的值的话需要访问两次内存，第...]]></description><category></category></item><item><title><![CDATA[linux内核启动流程(文章最后流程图)]]></title><link>https://blog.youkuaiyun.com/perfect1t/article/details/81741531</link><guid>https://blog.youkuaiyun.com/perfect1t/article/details/81741531</guid><author>perfect1t</author><pubDate>Thu, 16 Aug 2018 14:59:28 +0800</pubDate><description><![CDATA[原文：linux内核启动流程

本文以Linux3.14版本源码为例分析其启动流程。各版本启动代码略有不同，但核心流程与思想万变不离其宗。

内核映像被加载到内存并获得控制权之后，内核启动流程开始。通常，内核映像以压缩形式存储，并不是一个可以执行的内核。因此，内核阶段的首要工作是自解压内核映像。

内核编译生成vmliunx后，通常会对其进行压缩，得到zImage（小内核，小于512KB）或bzI...]]></description><category></category></item><item><title><![CDATA[sizeof详解、类的大小、内存对齐、位域]]></title><link>https://blog.youkuaiyun.com/perfect1t/article/details/81698734</link><guid>https://blog.youkuaiyun.com/perfect1t/article/details/81698734</guid><author>perfect1t</author><pubDate>Wed, 15 Aug 2018 09:52:48 +0800</pubDate><description><![CDATA[原文：https://blog.youkuaiyun.com/so_geili/article/details/53014722

概述

sizeof这个知识点几乎是程序员找工作笔试必考的题目。已经遇到过几次，深受其害，有必要总结一下了。 
sizeof是C/C++中的关键字，它是一个运算符，其作用是取得一个对象(数据类型或者数据对象)的内存长度(以byte为单位)。其中类型包含基本数据类型(不包括void...]]></description><category></category></item><item><title><![CDATA[LVDS，接口，时序讲解，非常好的文章]]></title><link>https://blog.youkuaiyun.com/perfect1t/article/details/81627066</link><guid>https://blog.youkuaiyun.com/perfect1t/article/details/81627066</guid><author>perfect1t</author><pubDate>Mon, 13 Aug 2018 11:37:13 +0800</pubDate><description><![CDATA[

 

1.1.1 LVDS接口分类

1.1.1.1  单路6bit LVDS

 

这种接口电路中，采用单路方式传输，每个基色信号采用6位数据，共18位RGB数据，因此，也称18位或18bit LVDS接口。此，也称18位或18bit  LVDS接口。   

1.1.1.2 双路6bit LVDS

这种接口电路中，采用双路方式传输，每个基色信号采用6位数据，其中奇路数据为18位，偶路数...]]></description><category></category></item><item><title><![CDATA[python 如何判断数据类型]]></title><link>https://blog.youkuaiyun.com/perfect1t/article/details/81592383</link><guid>https://blog.youkuaiyun.com/perfect1t/article/details/81592383</guid><author>perfect1t</author><pubDate>Sat, 11 Aug 2018 23:29:15 +0800</pubDate><description><![CDATA[python中如何判断一个变量的数据类型？(原创) 收藏 



import types 
type(x) is types.IntType # 判断是否int 类型 
type(x) is types.StringType #是否string类型 



超级恶心的模式，不用记住types.StringType



import types 
type(x) == types(1) # 判断...]]></description><category></category></item><item><title><![CDATA[tensorflow学习笔记------神经网络优化]]></title><link>https://blog.youkuaiyun.com/perfect1t/article/details/81437135</link><guid>https://blog.youkuaiyun.com/perfect1t/article/details/81437135</guid><author>perfect1t</author><pubDate>Sun, 05 Aug 2018 23:43:35 +0800</pubDate><description><![CDATA[
神经元模型：用数学公式表示为：f(∑iXiWi + b)，其中f为激活函数，b为偏置向。神经网络是以神经元为基本单位构成的。 

激活函数：引入非线性激活因子，提高模型的表达能力。常用的激活函数有relu, sigmoid, tanh等。





激活函数relu：在tensorflow中使用tf.nn.relu()表示




tf.nn.relu()

 
 2. 激活函数sigmoid:...]]></description><category></category></item><item><title><![CDATA[Tensorflow学习笔记 (基础-第一篇)------ 搭建神经网络，总结搭建八股]]></title><link>https://blog.youkuaiyun.com/perfect1t/article/details/81047619</link><guid>https://blog.youkuaiyun.com/perfect1t/article/details/81047619</guid><author>perfect1t</author><pubDate>Mon, 16 Jul 2018 22:27:11 +0800</pubDate><description><![CDATA[---- 内容                                                                                                                    

1、基本概念

2、神经网络的参数

3、神经网络的搭建 

4、反向传播

5、搭建神经网络的八股

一、基本概念                 ...]]></description><category></category></item></channel></rss>