<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_40240102的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_40240102</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_40240102]]></copyright><item><title><![CDATA[tensorflow---入门基础知识]]></title><link>https://blog.youkuaiyun.com/qq_40240102/article/details/108931676</link><guid>https://blog.youkuaiyun.com/qq_40240102/article/details/108931676</guid><author>qq_40240102</author><pubDate>Tue, 06 Oct 2020 19:03:02 +0800</pubDate><description><![CDATA[0. 参考文章
 1. MNIST机器学习入门
2. 基本使用
3. 张量的阶、形状、数据类型
 4. 深入MNIST
5. TensorFlow运作方式入门
 6. tensorboard官方参考文档
7. tensorflow机器学习模型上线
1. 基础篇(概念和卷积经典函数api)
tensorflow运行op的最最基础概念 :在TensorFlow中，所有的操作只有当你执行(run)，或者另一个操作依赖于它的输出时才会运行
(这里可以参考这些文章)
 1. MNIST机器学习入门
2. 基本使用
3]]></description><category></category></item><item><title><![CDATA[统计学习之五-------决策树之分类树(ID3,C4.5)]]></title><link>https://blog.youkuaiyun.com/qq_40240102/article/details/108937060</link><guid>https://blog.youkuaiyun.com/qq_40240102/article/details/108937060</guid><author>qq_40240102</author><pubDate>Tue, 06 Oct 2020 14:19:00 +0800</pubDate><description><![CDATA[0. 前沿

本文想简单去概括一下决策树的大致内容,具体细节详见后面文章

1. 决策树模型
1.1 概括

ID3,C4.5决策树主要用于分类,注意,这两个树不是二叉树,只是下面图这样举例子而已
我们先看它长什么样子,如下图:
数据(x,y),其中数据x特征维度为2(上进心,有房子),y有三类(goodbye,备胎,考虑)



上图中的就是决策树的模型(我们最终也是要根据数据,构造出一个树结构,这就是它的模型),其中方框(非叶子节点)表示特征,圆框(叶子节点)表示类别,从父节点到孩子节点的选择过程属于特]]></description><category></category></item><item><title><![CDATA[图模型一之贝叶斯网络(初版本)]]></title><link>https://blog.youkuaiyun.com/qq_40240102/article/details/108918988</link><guid>https://blog.youkuaiyun.com/qq_40240102/article/details/108918988</guid><author>qq_40240102</author><pubDate>Tue, 06 Oct 2020 10:19:17 +0800</pubDate><description><![CDATA[0. 概率
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;~~~~~&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;在模式识别领域的⼀个关键概念是不确定性的概念。它可以由测量的误差引起，也可以由数据集的有限⼤⼩引起。概率论提供了⼀个合理的框架，⽤来对不确定性进⾏量化和计算。
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;~~~~~&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;在概率图模型中，每个结点表⽰⼀个随机变量（或⼀组随机变量），链接表⽰这些变量之间]]></description><category></category></item><item><title><![CDATA[统计学习方法四----朴素贝叶斯分类器]]></title><link>https://blog.youkuaiyun.com/qq_40240102/article/details/108929168</link><guid>https://blog.youkuaiyun.com/qq_40240102/article/details/108929168</guid><author>qq_40240102</author><pubDate>Mon, 05 Oct 2020 16:55:23 +0800</pubDate><description><![CDATA[0. 概率
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;~~~~~&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;在模式识别领域的⼀个关键概念是不确定性的概念。它可以由测量的误差引起，也可以由数据集的有限⼤⼩引起。概率论提供了⼀个合理的框架，⽤来对不确定性进⾏量化和计算。
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;~~~~~&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;在概率图模型中，每个结点表⽰⼀个随机变量（或⼀组随机变量），链接表⽰这些变量之间]]></description><category></category></item><item><title><![CDATA[统计学习基础三----KNN]]></title><link>https://blog.youkuaiyun.com/qq_40240102/article/details/108928084</link><guid>https://blog.youkuaiyun.com/qq_40240102/article/details/108928084</guid><author>qq_40240102</author><pubDate>Mon, 05 Oct 2020 14:21:37 +0800</pubDate><description><![CDATA[0. 导论

本文简单介绍梳理一下KNN理论知识.本文的重点其实是kd tree的构建和查找算法,但是算法最好的学习方法是coding出来,因此本文最后给出参考资料.
KNN是一种思想很简单的分类算法.它不算一个标准的统计模型,更像是一个纯粹基于数据的算法,它没有类似于感知机那种优化迭代的学习超参数过程.

1. “模型”

其实没有严格的模型说法,按照它的过程来说: 就是你有一堆(xi,y)的训练数据,一个新的x需要分类,对于KNN来说就是寻找x在这一堆数据中最近的k个点,然后统计这k个点中y的类别个数,]]></description><category></category></item><item><title><![CDATA[统计机器学习-------第二章 感知机]]></title><link>https://blog.youkuaiyun.com/qq_40240102/article/details/108917209</link><guid>https://blog.youkuaiyun.com/qq_40240102/article/details/108917209</guid><author>qq_40240102</author><pubDate>Sun, 04 Oct 2020 13:42:57 +0800</pubDate><description><![CDATA[0. 介绍


本章不从神经网络单元的角度考虑,单纯的把它抽象出来,看作一个简单的二分类线性模型.


感知机是神经网络和支持向量机的基础.


1. 感知机模型
&nbsp;&nbsp;&nbsp;&nbsp;~~~~&nbsp;&nbsp;&nbsp;&nbsp; 感知机模型是一个线性二分类模型,学习的目的是寻找一个可以将实例划分为正负两类的超平面,其模型如下:

作用: 输入数据的特征向量 x,输出数据的类别(-1,+1),很明显这是一个判别模型.

&nbsp;f(x)=sign(w⋅x+b)
\ ]]></description><category></category></item><item><title><![CDATA[NLP基础编程------中文编码]]></title><link>https://blog.youkuaiyun.com/qq_40240102/article/details/108912997</link><guid>https://blog.youkuaiyun.com/qq_40240102/article/details/108912997</guid><author>qq_40240102</author><pubDate>Sat, 03 Oct 2020 20:22:31 +0800</pubDate><description><![CDATA[1. 扩展ASCII

原有ASCII 表示128位,最高位不用
使用第一位后,扩展到256,但是对于中文还是不够

2. 汉字机内码
机内码:  计算机系统中:存储,处理,传输汉字时使用的统一编码形式
汉字有多少个?


汉字标准共有 6763 个, 其中一级 3755, 二级 3008, 还有 682 非汉字字符。


ASCII一个字节表示字母(但是只用七位,最高为为0),但是汉字太多,需要两个字节


为了和ASCII区分,汉字机内码最高为用1.


那余下的2*7位怎么与汉字对应???


3. ]]></description><category></category></item><item><title><![CDATA[[1]统计学习方法---概论]]></title><link>https://blog.youkuaiyun.com/qq_40240102/article/details/108909847</link><guid>https://blog.youkuaiyun.com/qq_40240102/article/details/108909847</guid><author>qq_40240102</author><pubDate>Sat, 03 Oct 2020 14:01:17 +0800</pubDate><description><![CDATA[1. 统计学习三要素


模型
所要学习的条件分布概率或者决策函数.


决策
按照什么样的方法学习或者选择最优的模型(即,选择参数空间内最优的一组参数)


算法
学习模型(参数)的具体计算方法.


2. 避免过拟和的方法

正则化

​                 Y = 损失函数 + 正则化项.
​				过拟和产生原因是因为模型学习训练数据过度,甚至学习到了噪声点.
​                正则化目的在于减少模型复杂度,做法是将模型的参数的某种范式+损失函数共同作为最后的经验损失.
]]></description><category></category></item><item><title><![CDATA[nvidia-smi CUDA处显示 ERR!]]></title><link>https://blog.youkuaiyun.com/qq_40240102/article/details/103376524</link><guid>https://blog.youkuaiyun.com/qq_40240102/article/details/103376524</guid><author>qq_40240102</author><pubDate>Tue, 03 Dec 2019 20:57:41 +0800</pubDate><description><![CDATA[序

记一个小报错,方便他人和自己
自己在docker上碰到的一个报错,最后原因: nvidia驱动和cuda版本不匹配
ps: 我确定我有CUDA并且正常…我直接pull下来的好吧

报错

CUDA版本为 9.0


正常

自己为了验证想法换了一个镜像,果然成功!



...]]></description><category></category></item><item><title><![CDATA[一个简单的堆的小例子]]></title><link>https://blog.youkuaiyun.com/qq_40240102/article/details/103375297</link><guid>https://blog.youkuaiyun.com/qq_40240102/article/details/103375297</guid><author>qq_40240102</author><pubDate>Tue, 03 Dec 2019 19:57:51 +0800</pubDate><description><![CDATA[序

python有一个 专门的heap文件, import heap就可以了.
目的: 这里只是一个单纯的形成堆的例子,给一个list,将list堆化

思路

简爱说一代码的思路,代码参考B站( https://www.bilibili.com/video/av47196993?from=search&amp;seid=17395044821033317472 )



首先堆是一个完全二叉树...]]></description><category></category></item><item><title><![CDATA[DRQA-简单的思路整理]]></title><link>https://blog.youkuaiyun.com/qq_40240102/article/details/103358547</link><guid>https://blog.youkuaiyun.com/qq_40240102/article/details/103358547</guid><author>qq_40240102</author><pubDate>Tue, 03 Dec 2019 19:17:00 +0800</pubDate><description><![CDATA[序言

前段时间看了cdqa,所以自己顺手也把这个给看了看,没有细看,只是大致浏览了下源码
由于cdqa是继承drqa的关系,所以两者框架思路很很多trick都是通的.

简介


官方github
https://github.com/facebookresearch/DrQA/#machine-reading-at-scale


项目对应论文( 竟然是陈丹琪的一作…)
https://arx...]]></description><category></category></item><item><title><![CDATA[ubuntu 16.04 + GTX1050安装nvidia驱动]]></title><link>https://blog.youkuaiyun.com/qq_40240102/article/details/103333854</link><guid>https://blog.youkuaiyun.com/qq_40240102/article/details/103333854</guid><author>qq_40240102</author><pubDate>Sun, 01 Dec 2019 13:30:50 +0800</pubDate><description><![CDATA[0 序

由于某些原因,配好的nvidia驱动崩了,崩了的大致情况如下:
nvidia-smi没有了
nvidia-setting显示none
重装吧.但是重装过程中碰到了很多小bug,快疯了,这里都记录一下.

1. 最最前面

每一条命令别傻傻的复制粘贴,要想清楚(我因为复制粘贴最近两天跳了无数的坑…不只是这个驱动安装)
安装失败别害怕,删了重来,我就装了十几次,找了很多博客才装好.

2. ...]]></description><category></category></item><item><title><![CDATA[ImportError: libnvidia-fatbinaryloader.so.384.111: cannot open shared object file: No such file or d]]></title><link>https://blog.youkuaiyun.com/qq_40240102/article/details/103328585</link><guid>https://blog.youkuaiyun.com/qq_40240102/article/details/103328585</guid><author>qq_40240102</author><pubDate>Sat, 30 Nov 2019 20:17:56 +0800</pubDate><description><![CDATA[开篇

sudo vim ~/.bashrc
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64KaTeX parse error: Expected '}', got 'EOF' at end of input: …LIBRARY_PATH:+:{LD_LIBRARY_PATH}}:/usr/lib/nvidia-410/   (根据自己情况匹配)
...]]></description><category></category></item><item><title><![CDATA[【Tools】ubuntu16.04 your screen ,graphics card,and input device setting could not be detected correct]]></title><link>https://blog.youkuaiyun.com/qq_40240102/article/details/103326163</link><guid>https://blog.youkuaiyun.com/qq_40240102/article/details/103326163</guid><author>qq_40240102</author><pubDate>Sat, 30 Nov 2019 16:37:06 +0800</pubDate><description><![CDATA[原文:
https://blog.youkuaiyun.com/u014647208/article/details/82894324#commentBox
报错

个人ubuntu开机时有这个报错,没有管,进入系统发现又有一个xorg的报错,自己感觉不正常就处理了一下,办法见下:

方法:
步骤1：重启虚拟机，按ctrl + alt + F1进入纯字符界面，输入账号和密码
步骤2：
1 ：cd /etc/X...]]></description><category></category></item><item><title><![CDATA[CDQA-简介与资料]]></title><link>https://blog.youkuaiyun.com/qq_40240102/article/details/103280643</link><guid>https://blog.youkuaiyun.com/qq_40240102/article/details/103280643</guid><author>qq_40240102</author><pubDate>Wed, 27 Nov 2019 22:01:08 +0800</pubDate><description><![CDATA[序

算是自己看得机器阅读理解的第一个小项目,断断续续看完了,还是有点收获的,所以把自己学的时候的一些资料放上来,其实github上都有,自己只是总结下.
CDQA: closed-domain QA,闭域的QA系统.

项目官方资料


项目github官方：
https://github.com/cdqa-suite/cdQA


CDQA——suit
https://github.com/c...]]></description><category></category></item><item><title><![CDATA[CQDA中针对bert的数据读取与处理]]></title><link>https://blog.youkuaiyun.com/qq_40240102/article/details/103265509</link><guid>https://blog.youkuaiyun.com/qq_40240102/article/details/103265509</guid><author>qq_40240102</author><pubDate>Tue, 26 Nov 2019 21:43:14 +0800</pubDate><description><![CDATA[序

其实本质上是对squad数据针对bert的变形处理，本文不深究细节，过于琐碎，相信会调用bert的人也不会被一个数据读入难住，这里是想形象的展示记录一下cqda里面数据处理的流程。

小知识


skearn 自定义转换器 [TransformerMixin, BaseEstimator, fit_transform, fit, transform]


如果使用TransformerMix...]]></description><category></category></item><item><title><![CDATA[CDQA——BM25算法]]></title><link>https://blog.youkuaiyun.com/qq_40240102/article/details/103238378</link><guid>https://blog.youkuaiyun.com/qq_40240102/article/details/103238378</guid><author>qq_40240102</author><pubDate>Mon, 25 Nov 2019 16:25:36 +0800</pubDate><description><![CDATA[序

自己在看这个开源代码中看到了这个相似性算法和一些工程中的技巧，感觉很不错，算是多了点儿见识，以前还从没有用过稀疏矩阵这个存储结构，这里就写一个文档简单记录一下

python小知识

Python中关于eval函数与ast.literal_eval使用的区别介绍（图文）
https://www.php.cn/python-tutorials-376459.html
numpy的广播机制（具体...]]></description><category></category></item><item><title><![CDATA[混合精度训练——资料+简单说明]]></title><link>https://blog.youkuaiyun.com/qq_40240102/article/details/103215860</link><guid>https://blog.youkuaiyun.com/qq_40240102/article/details/103215860</guid><author>qq_40240102</author><pubDate>Sat, 23 Nov 2019 16:51:38 +0800</pubDate><description><![CDATA[序

最近看CDQA这个开源库的时候看到了混合精度训练这种写法，所以简单去了解了下，
结果得出了一个很悲催的结论：我的小破笔记本的显卡不支持混合精度训练…？？！
自己不研究这个，找到一些很不错的资料，自己看完后这里就奉送上！

Tensor Core
-----------------------------大神自取-----------------------------
2. 想读读PyTor...]]></description><category></category></item><item><title><![CDATA[pip 更新报错]]></title><link>https://blog.youkuaiyun.com/qq_40240102/article/details/103129010</link><guid>https://blog.youkuaiyun.com/qq_40240102/article/details/103129010</guid><author>qq_40240102</author><pubDate>Mon, 18 Nov 2019 19:43:19 +0800</pubDate><description><![CDATA[序

连着两次碰到pip更新后报错的问题，关于mian的，这里找到一种解决办法：



更新pip (注意，单纯8.多的版本无法直接用下面命令删除pip)
python -m pip install --upgrade pip


删除pip
python -m pip uninstall pip


更新到19.
curl https://bootstrap.pypa.io/get-pip.py...]]></description><category></category></item><item><title><![CDATA[python小知识——多线程加速]]></title><link>https://blog.youkuaiyun.com/qq_40240102/article/details/103117623</link><guid>https://blog.youkuaiyun.com/qq_40240102/article/details/103117623</guid><author>qq_40240102</author><pubDate>Mon, 18 Nov 2019 10:00:57 +0800</pubDate><description><![CDATA[python中调用多线程加速处理文件
出处：
个人以后可能会用到的代码加速

解释
最开始有一个疑惑，因为：廖雪峰这篇文章里说：

Python的线程虽然是真正的线程，但解释器执行代码时，有一个GIL锁：Global Interpreter Lock，任何Python线程执行前，必须先获得GIL锁，然后，每执行100条字节码，解释器就自动释放GIL锁，让别的线程有机会执行。这个GIL全局锁实际上把...]]></description><category></category></item></channel></rss>