<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Panda]]></title><description><![CDATA[Stay hungry. Stay foolish.]]></description><link>https://blog.youkuaiyun.com/qq_34484472</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_34484472]]></copyright><item><title><![CDATA[动态规划原理解析]]></title><link>https://blog.youkuaiyun.com/qq_34484472/article/details/78663117</link><guid>https://blog.youkuaiyun.com/qq_34484472/article/details/78663117</guid><author>qq_34484472</author><pubDate>Wed, 29 Nov 2017 11:11:10 +0800</pubDate><description><![CDATA[终于来到了算法设计思想中最有趣的这部分，在去年的google笔试中，7道算法设计题有2道动态规划（Dynamic Programming）。看了这么久的算法，这部分也是唯一感觉到了比较难的地方，从这篇文章开始，将花连续的篇幅来讨论一些对动态规划的认识和其中的问题。]]></description><category></category></item><item><title><![CDATA[字节序网络序大小端问题]]></title><link>https://blog.youkuaiyun.com/qq_34484472/article/details/78250836</link><guid>https://blog.youkuaiyun.com/qq_34484472/article/details/78250836</guid><author>qq_34484472</author><pubDate>Mon, 16 Oct 2017 16:07:36 +0800</pubDate><description><![CDATA[基本概念：

主机字节序： 
就是自己的主机内部，内存中数据的处理方式，可以分为两种： 
大端字节序（big-endian）：按照内存的增长方向，高位数据存储于低位内存中 
小端字节序（little-endian）：按照内存的增长方向，高位数据存储于高位内存中 
网络序是大端的

深层次讨论

说起来很抽象，看图： 


0X12345678这个数哪里是高位哪里是低位呢？显然12是高位，78是低位...]]></description><category></category></item><item><title><![CDATA[虚函数，虚指针和虚表详解]]></title><link>https://blog.youkuaiyun.com/qq_34484472/article/details/78232465</link><guid>https://blog.youkuaiyun.com/qq_34484472/article/details/78232465</guid><author>qq_34484472</author><pubDate>Sat, 14 Oct 2017 10:26:02 +0800</pubDate><description><![CDATA[关于虚函数的背景知识 
1.    用virtual关键字申明的函数叫做虚函数，虚函数肯定是类的成员函数。 
2.    存在虚函数的类都有一个一维的虚函数表叫做虚表。每一个类的对象都有一个指向虚表开始的虚指针。虚表是和类对应的，虚表指针是和对象对应的。 
3.    多态性是一个接口多种实现，是面向对象的核心。分为编译多态性和运行多态性。 
4.    运行多态用虚函数来实现，结合动态绑定。 
...]]></description><category></category></item><item><title><![CDATA[c++经典面试题]]></title><link>https://blog.youkuaiyun.com/qq_34484472/article/details/78001350</link><guid>https://blog.youkuaiyun.com/qq_34484472/article/details/78001350</guid><author>qq_34484472</author><pubDate>Sat, 16 Sep 2017 09:35:27 +0800</pubDate><description><![CDATA[精选经典c++面试题（面试必问）！学好c++，走遍天下都不怕。]]></description><category></category></item><item><title><![CDATA[Batch Normalization详解]]></title><link>https://blog.youkuaiyun.com/qq_34484472/article/details/77982224</link><guid>https://blog.youkuaiyun.com/qq_34484472/article/details/77982224</guid><author>qq_34484472</author><pubDate>Thu, 14 Sep 2017 16:38:02 +0800</pubDate><description><![CDATA[Batch Normalization详细介绍]]></description><category></category></item><item><title><![CDATA[聚类算法]]></title><link>https://blog.youkuaiyun.com/qq_34484472/article/details/77981083</link><guid>https://blog.youkuaiyun.com/qq_34484472/article/details/77981083</guid><author>qq_34484472</author><pubDate>Thu, 14 Sep 2017 15:32:10 +0800</pubDate><description><![CDATA[所谓聚类，就是将相似的事物聚集在一起，而将不相似的事物划分到不同的类别的过程，是数据分析之中十分重要的一种手段。比如古典生物学之中，人们通过物种的形貌特征将其分门别类，可以说就是一种朴素的人工聚类。如此，我们就可以将世界上纷繁复杂的信息，简化为少数方便人们理解的类别，可以说是人类认知这个世界的最基本方式之一。 
　　 
　　在数据分析的术语之中，聚类和分类是两种技术。分类是指我们已经知道了事物的类别]]></description><category></category></item><item><title><![CDATA[自编码器及相关变种算法简介]]></title><link>https://blog.youkuaiyun.com/qq_34484472/article/details/77962586</link><guid>https://blog.youkuaiyun.com/qq_34484472/article/details/77962586</guid><author>qq_34484472</author><pubDate>Wed, 13 Sep 2017 10:18:21 +0800</pubDate><description><![CDATA[本文对自编码器（Auto-Encoder）算法及其相关变种算法进行简要介绍，其中包括 Regularized Auto-Encoder、Sparse Auto-Encoder、Denoising Auto-Encoder 和 Contractive Auto-Encoder，重点讨论各算法的基本思想及优化时所需目标函数的构造。]]></description><category></category></item><item><title><![CDATA[tensorflow搭建自己的残差网络（ResNet）]]></title><link>https://blog.youkuaiyun.com/qq_34484472/article/details/77848091</link><guid>https://blog.youkuaiyun.com/qq_34484472/article/details/77848091</guid><author>qq_34484472</author><pubDate>Tue, 05 Sep 2017 10:07:04 +0800</pubDate><description><![CDATA[tensorflow用残差网处理自己的数据集]]></description><category></category></item><item><title><![CDATA[LSTM预测时间序列]]></title><link>https://blog.youkuaiyun.com/qq_34484472/article/details/77371848</link><guid>https://blog.youkuaiyun.com/qq_34484472/article/details/77371848</guid><author>qq_34484472</author><pubDate>Fri, 18 Aug 2017 16:34:01 +0800</pubDate><description><![CDATA[LSTM网络（长短期记忆网络）可以理解为是RNN的改进版，它的出现解决了RNN的记忆问题。本博将给出lstm的实现代码，并做出简要讲解。]]></description><category></category></item><item><title><![CDATA[c++调用tensorflow]]></title><link>https://blog.youkuaiyun.com/qq_34484472/article/details/76598852</link><guid>https://blog.youkuaiyun.com/qq_34484472/article/details/76598852</guid><author>qq_34484472</author><pubDate>Wed, 02 Aug 2017 21:33:13 +0800</pubDate><description><![CDATA[目前深度学习越来越火，学习、使用tensorflow的相关工作者也越来越多。但是目前绝大部分的python都是拥有着丰富的python的API，而c++的API不够完善。这就导致绝大多是使用tensorflow的项目都是基于python。 
如果项目是由c++编写，想调用python下的tensorflow？可参考本教程（tensorflow模型是CNN卷积神经网络）：

具体步骤：

1.pyt...]]></description><category></category></item><item><title><![CDATA[tensorflow之变量初始化（tf.Variable）]]></title><link>https://blog.youkuaiyun.com/qq_34484472/article/details/75736036</link><guid>https://blog.youkuaiyun.com/qq_34484472/article/details/75736036</guid><author>qq_34484472</author><pubDate>Sat, 22 Jul 2017 15:34:03 +0800</pubDate><description><![CDATA[打算写一个关于tensorflow的API的系列博客，方便自己理解，也能给他人带来一点小帮助。 
本人默认本系列的的读者已经熟悉tensorflow。我们通过tf.Variable构造一个variable添加进图中，Variable()构造函数需要变量的初始值（是一个任意类型、任意形状的tensor），这个初始值指定variable的类型和形状。通过Variable()构造函数后，此variable]]></description><category></category></item><item><title><![CDATA[TensorFlow打印tensor值]]></title><link>https://blog.youkuaiyun.com/qq_34484472/article/details/75049179</link><guid>https://blog.youkuaiyun.com/qq_34484472/article/details/75049179</guid><author>qq_34484472</author><pubDate>Thu, 13 Jul 2017 12:01:14 +0800</pubDate><description><![CDATA[最近一直在用TF做CNN的图像分类，当softmax层得到预测结果后，我希望能够看到预测结果，以便和标签之间进行比较。特此补上，以便自己记忆。



我现在通过softmax层得到变量train_logits，如果我直接执行print(train_logits)时，得到的结果如下（因为我是134类分类，所以结果是（1,134）维）： 
 
这貌似什么都看不出来。 
其实tensorflow提供输出...]]></description><category></category></item><item><title><![CDATA[深度学习中的BN层]]></title><link>https://blog.youkuaiyun.com/qq_34484472/article/details/75007015</link><guid>https://blog.youkuaiyun.com/qq_34484472/article/details/75007015</guid><author>qq_34484472</author><pubDate>Wed, 12 Jul 2017 11:03:00 +0800</pubDate><description><![CDATA[机器学习中很著名的trick，非常值得学习的一篇文献：《Batch Normalization: Accelerating Deep Network Training by  Reducing Internal Covariate Shift》。看了几篇相关文章后，写这篇博客是为了自己的理解。
BN（batch normalization）算法最重要的特点就是初始时加速训练速度，具有快速训练收敛的特]]></description><category></category></item><item><title><![CDATA[YOLO训练自己的数据集]]></title><link>https://blog.youkuaiyun.com/qq_34484472/article/details/73135354</link><guid>https://blog.youkuaiyun.com/qq_34484472/article/details/73135354</guid><author>qq_34484472</author><pubDate>Mon, 12 Jun 2017 19:09:29 +0800</pubDate><description><![CDATA[很高兴现在已经有几百人通过我的教程成功地使用YOLO处理自己的数据集。



最近一直在用CNN的模型做图像二分类，但苦于效果不佳，于是把图像分类问题转作目标识别问题。做目标识别选择了Yolo（you only look once）,一个最近推出的方法，突出的优点就是速度快。查找了网上关于yolo的训练自己数据集的方法，大都存在一点问题，而且yolo不久前更新到version2版本。在自己的亲身试...]]></description><category></category></item></channel></rss>