<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qinglv1的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qinglv1</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qinglv1]]></copyright><item><title><![CDATA[win可以上网，但是右下方显示“无internet链接“]]></title><link>https://blog.youkuaiyun.com/qinglv1/article/details/130860815</link><guid>https://blog.youkuaiyun.com/qinglv1/article/details/130860815</guid><author>qinglv1</author><pubDate>Thu, 25 May 2023 09:56:12 +0800</pubDate><description><![CDATA[再返回到原来的窗口，将值改回开启即可，如果改回开启后，不能使用的话，可以一直关闭。将右侧的值改成关闭，此时网络连接会重新断开，再连接，连接上好已经显示成功了。首先，打开控制面板(control)，右上角，将查看方式切换为小图标。调整计算机的设置下，找到并点击网络和共享中心。右键点击网络图标，在打开的菜单项中，选择属性。]]></description><category></category></item><item><title><![CDATA[利用opencv检测移动的物体----mog2()]]></title><link>https://blog.youkuaiyun.com/qinglv1/article/details/104798993</link><guid>https://blog.youkuaiyun.com/qinglv1/article/details/104798993</guid><author>qinglv1</author><pubDate>Wed, 11 Mar 2020 16:12:27 +0800</pubDate><description><![CDATA[检测移动的物体，opencv具有一个函数是mog2()。
]]></description><category></category></item><item><title><![CDATA[re-id]]></title><link>https://blog.youkuaiyun.com/qinglv1/article/details/103686070</link><guid>https://blog.youkuaiyun.com/qinglv1/article/details/103686070</guid><author>qinglv1</author><pubDate>Tue, 24 Dec 2019 17:03:29 +0800</pubDate><description><![CDATA[Triplet loss(三胞胎损失)，更适合用在图像识别的问题上面


但是他的缺点是：不好训练

详见链接：https://www.zhihu.com/question/62486208

图像检索：BoF、VLAD、FV三剑客(这些都是传统的非深度学习的方法)，可以参考链接：https://yongyuan.name/blog/CBIR-BoF-VLAD-FV.html
	Bow的作用只是用...]]></description><category></category></item><item><title><![CDATA[零散笔记]]></title><link>https://blog.youkuaiyun.com/qinglv1/article/details/103677595</link><guid>https://blog.youkuaiyun.com/qinglv1/article/details/103677595</guid><author>qinglv1</author><pubDate>Tue, 24 Dec 2019 10:22:09 +0800</pubDate><description><![CDATA[knn（k近邻）
K值得选取，就是选择距离某个点距离最近的k个点，利用投票的策略，进行类别的归属。多数表决规则，等价于经验风险最小化。属于监督学习，因为除了未被分类的点，别的点都是带有标签的。如果k值选取的太小，容易过拟合；k值太大，容易欠拟合。想要选取合适的k值，那么需要使用交叉验证选取最佳的k值。

矩阵的乘以，可以理解为是矩阵的空间向量的变化。
	矩阵的行列式是为了表示，压缩或者扩张的面积比...]]></description><category></category></item><item><title><![CDATA[如何解决机器学习里面的类别不平衡问题]]></title><link>https://blog.youkuaiyun.com/qinglv1/article/details/99694807</link><guid>https://blog.youkuaiyun.com/qinglv1/article/details/99694807</guid><author>qinglv1</author><pubDate>Sat, 17 Aug 2019 16:35:39 +0800</pubDate><description><![CDATA[转载自：https://zhuanlan.zhihu.com/p/78508502

总结下机器学习中类别不均衡的处理方法主要有下，希望对你有帮助~~

采样
	这里的采样可以分为上采样和下采样，简单说就是从类别少的多采样或者类别多的少采样。对于上采样，如SMOTE算法。
	转化为One-class问题
	把它看做一分类（One Class Learning）或异常检测（Novelty Detec...]]></description><category></category></item><item><title><![CDATA[判断一个数是否是2的整数次幂，python实现]]></title><link>https://blog.youkuaiyun.com/qinglv1/article/details/99694724</link><guid>https://blog.youkuaiyun.com/qinglv1/article/details/99694724</guid><author>qinglv1</author><pubDate>Sat, 17 Aug 2019 16:32:00 +0800</pubDate><description><![CDATA[问题：判断一个数是否是2的整数次幂？
分析一：判断一个数是否是是2的整数次幂。方法和思路也很多，其中最简单的就是，用这个数除以2用除的商再除以2，直到最后被除数为2，证明这个数是2的整数次幂。这种思路简单，但是略显笨重。我们采用第二种思路。
分析二：由于2这个数在计算机中是一个比较特殊的数。计算机是以二进位制进行运算的。于是有了按位与，或，异或和非的运算。2的整数次幂都有一个共同的特点，就是以二...]]></description><category></category></item><item><title><![CDATA[leetcode盛最多水的容器]]></title><link>https://blog.youkuaiyun.com/qinglv1/article/details/99690743</link><guid>https://blog.youkuaiyun.com/qinglv1/article/details/99690743</guid><author>qinglv1</author><pubDate>Sat, 17 Aug 2019 11:19:35 +0800</pubDate><description><![CDATA[原题：https://leetcode-cn.com/problems/container-with-most-water/

利用双指针进行求解的，这样时间复杂度比较低为O(n)


class Solution(object):
    def maxArea(self, height):
        """
        :type height: List[int]
        ...]]></description><category></category></item><item><title><![CDATA[batch norm的作用]]></title><link>https://blog.youkuaiyun.com/qinglv1/article/details/99685946</link><guid>https://blog.youkuaiyun.com/qinglv1/article/details/99685946</guid><author>qinglv1</author><pubDate>Fri, 16 Aug 2019 21:33:26 +0800</pubDate><description><![CDATA[　　论文中将Batch Normalization的作用说得突破天际，好似一下解决了所有问题，下面就来一一列举一下：

　　(1) 可以使用更高的学习率。如果每层的scale不一致，实际上每层需要的学习率是不一样的，同一层不同维度的scale往往也需要不同大小的学习率，通常需要使用最小的那个学习率才能保证损失函数有效下降，Batch Normalization将每层、每维的scale保持一致，那么...]]></description><category></category></item><item><title><![CDATA[梯度法和牛顿法的区别？]]></title><link>https://blog.youkuaiyun.com/qinglv1/article/details/99683300</link><guid>https://blog.youkuaiyun.com/qinglv1/article/details/99683300</guid><author>qinglv1</author><pubDate>Fri, 16 Aug 2019 18:09:41 +0800</pubDate><description><![CDATA[转载自：https://zhuanlan.zhihu.com/p/78185057

梯度法和牛顿法都是优化中常用的算法，一般来说机器学习和深度学习中用到的优化方法中梯度法是较多的，以及它的改进的算法，如adagrad, adadelta, rmsprop, adam等。回到本问题上来。

梯度下降法的公式如下：



牛顿法的公式如下：



可以看到梯度法要求的是一阶导数，牛顿法要求二阶导数且...]]></description><category></category></item><item><title><![CDATA[堆排序，python]]></title><link>https://blog.youkuaiyun.com/qinglv1/article/details/99611421</link><guid>https://blog.youkuaiyun.com/qinglv1/article/details/99611421</guid><author>qinglv1</author><pubDate>Wed, 14 Aug 2019 21:22:31 +0800</pubDate><description><![CDATA[转载自：https://www.jianshu.com/p/d174f1862601

堆排序的Python实现(附详细过程图和讲解)

正文前的扯淡

之前电话面试一个公司时，面试官让写一个堆排序，遗憾的是我忘了堆排序的思想了，所以直接说不会写，这次电面也以失败告终...知耻后勇，这几天在网上找了很多写堆排序的帖子，但是帖子质量不好，堆排序是什么不介绍，代码也非常不详细，看了半天没整明白，不过好...]]></description><category></category></item><item><title><![CDATA[寻找一个数组里面的第k大的数字，python]]></title><link>https://blog.youkuaiyun.com/qinglv1/article/details/99474664</link><guid>https://blog.youkuaiyun.com/qinglv1/article/details/99474664</guid><author>qinglv1</author><pubDate>Tue, 13 Aug 2019 20:56:24 +0800</pubDate><description><![CDATA[类似于快速排序的思想，leetcode里面的思想


class Solution(object):
    def findKthLargest(self, nums, k):
        """
        :type nums: List[int]
        :type k: int
        :rtype: int
        """

        def pa...]]></description><category></category></item><item><title><![CDATA[概率题]]></title><link>https://blog.youkuaiyun.com/qinglv1/article/details/99063871</link><guid>https://blog.youkuaiyun.com/qinglv1/article/details/99063871</guid><author>qinglv1</author><pubDate>Sat, 10 Aug 2019 11:55:07 +0800</pubDate><description><![CDATA[转自：https://blog.youkuaiyun.com/huntinux/article/details/16844941

52张扑克牌，4个人平分，红桃A和黑桃A同时被一个人拿到的概率

正确解法：假设N=4. 那么每人拿13张牌。

那么此事件的概率=C(1,4)*C(11,50)/C(13,52)
C(1,4)=从四个人中任选1人为红A+黑A
C(11,50)=从剩余50张牌中抽取11张给指定人...]]></description><category></category></item><item><title><![CDATA[概率题]]></title><link>https://blog.youkuaiyun.com/qinglv1/article/details/99062366</link><guid>https://blog.youkuaiyun.com/qinglv1/article/details/99062366</guid><author>qinglv1</author><pubDate>Sat, 10 Aug 2019 11:32:43 +0800</pubDate><description><![CDATA[1.一副牌52张(去掉大小王)，从中抽取两张牌，一红一黑的概率是多少？26/51。来自牛客网的解法连接：https://www.nowcoder.com/questionTerminal/ee5eaa561309406fae8ac68f5123e177?toCommentId=1699864

把这个问题换一个说法，有52个球，26个黑，26个红。不放回抽两次，获得不同颜色的概率为多少？

第一次...]]></description><category></category></item><item><title><![CDATA[详解深度学习中的梯度消失、爆炸原因及其解决方法]]></title><link>https://blog.youkuaiyun.com/qinglv1/article/details/98993651</link><guid>https://blog.youkuaiyun.com/qinglv1/article/details/98993651</guid><author>qinglv1</author><pubDate>Fri, 09 Aug 2019 21:26:36 +0800</pubDate><description><![CDATA[转载自：https://zhuanlan.zhihu.com/p/33006526

Batchnorm是深度学习发展以来提出的最重要的成果之一了，目前已经被广泛的应用到了各大网络中，具有加速网络收敛速度，提升训练稳定性的效果，Batchnorm本质上是解决反向传播过程中的梯度问题。batchnorm全名是batch normalization，简称BN，即批规范化，通过规范化操作将输出信号x规范...]]></description><category></category></item><item><title><![CDATA[batch morm的作用]]></title><link>https://blog.youkuaiyun.com/qinglv1/article/details/98872171</link><guid>https://blog.youkuaiyun.com/qinglv1/article/details/98872171</guid><author>qinglv1</author><pubDate>Thu, 08 Aug 2019 15:17:44 +0800</pubDate><description><![CDATA[1.BN在batch的维度上norm，归一化维度为[N，H，W]，对batch中对应的channel归一化

主要部分说完了，接下来对BatchNorm做一个总结：

没有它之前，需要小心的调整学习率和权重初始化，但是有了BN可以放心的使用大学习率，但是使用了BN，就不用小心的调参了，较大的学习率极大的提高了学习速度，
	Batchnorm本身上也是一种正则的方式，可以代替其他正则方式如dropo...]]></description><category></category></item><item><title><![CDATA[给定一棵二叉树，找到两个节点的最近公共父节点(LCA)]]></title><link>https://blog.youkuaiyun.com/qinglv1/article/details/98735418</link><guid>https://blog.youkuaiyun.com/qinglv1/article/details/98735418</guid><author>qinglv1</author><pubDate>Wed, 07 Aug 2019 11:37:56 +0800</pubDate><description><![CDATA[给定一棵二叉树，找到两个节点的最近公共父节点(LCA)。

最近公共祖先是两个节点的公共的祖先节点且具有最大深度。

可以查看连接：https://blog.youkuaiyun.com/wenqiwenqi123/article/details/79952043
...]]></description><category></category></item><item><title><![CDATA[优化方法总结：SGD，Momentum，AdaGrad，RMSProp，Adam]]></title><link>https://blog.youkuaiyun.com/qinglv1/article/details/98729654</link><guid>https://blog.youkuaiyun.com/qinglv1/article/details/98729654</guid><author>qinglv1</author><pubDate>Wed, 07 Aug 2019 10:22:14 +0800</pubDate><description><![CDATA[转载自：https://blog.youkuaiyun.com/u010089444/article/details/76725843

1. SGD
Batch Gradient Descent
在每一轮的训练过程中，Batch Gradient Descent算法用整个训练集的数据计算cost fuction的梯度，并用该梯度对模型参数进行更新：

Θ=Θ−α⋅▽ΘJ(Θ) \Theta = \Theta...]]></description><category></category></item><item><title><![CDATA[整数全排列]]></title><link>https://blog.youkuaiyun.com/qinglv1/article/details/98666279</link><guid>https://blog.youkuaiyun.com/qinglv1/article/details/98666279</guid><author>qinglv1</author><pubDate>Tue, 06 Aug 2019 21:54:19 +0800</pubDate><description><![CDATA[输入一个整数N，可以将它的各个位数的数字重新组合，但是数字开头不能为0，判断他的全部的组合中，有没有是2的整数次幂的值。有就返回ture，否则返回flase。这个要求在pc机器上面1s跑完

还没有来得及写代码
...]]></description><category></category></item><item><title><![CDATA[有n个A，m个B，不能有三个相同的字母连续出现。任意写出来一个组合输出]]></title><link>https://blog.youkuaiyun.com/qinglv1/article/details/98666059</link><guid>https://blog.youkuaiyun.com/qinglv1/article/details/98666059</guid><author>qinglv1</author><pubDate>Tue, 06 Aug 2019 21:52:55 +0800</pubDate><description><![CDATA[# coding:utf-8
# n-&gt;A
# m-&gt;B
#输入n和m，构造一个n+m长度的字符串。正好有n个A，m个B。
# 不能有三个相同的字母连续出现。任意写出来一个组合输出
def construct(m, n, size):
    if max(m, n) &lt;= min(m, n) * 2 + 2:
        dif = 0
        res = ""
...]]></description><category></category></item><item><title><![CDATA[求导]]></title><link>https://blog.youkuaiyun.com/qinglv1/article/details/98620462</link><guid>https://blog.youkuaiyun.com/qinglv1/article/details/98620462</guid><author>qinglv1</author><pubDate>Tue, 06 Aug 2019 15:23:54 +0800</pubDate><description><![CDATA[]]></description><category></category></item></channel></rss>