<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_41744697的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_41744697</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_41744697]]></copyright><item><title><![CDATA[多项式拟合C++版本]]></title><link>https://blog.youkuaiyun.com/qq_41744697/article/details/129953682</link><guid>https://blog.youkuaiyun.com/qq_41744697/article/details/129953682</guid><author>qq_41744697</author><pubDate>Tue, 04 Apr 2023 15:14:53 +0800</pubDate><description><![CDATA[记录一个C++版本的多项式拟合实验，也适合机器学习刚入门的选手。]]></description><category></category></item><item><title><![CDATA[CNN理解这两个博客就够了]]></title><link>https://blog.youkuaiyun.com/qq_41744697/article/details/123620380</link><guid>https://blog.youkuaiyun.com/qq_41744697/article/details/123620380</guid><author>qq_41744697</author><pubDate>Sun, 20 Mar 2022 20:29:27 +0800</pubDate><description><![CDATA[卷积神经网络应该具备的基础知识：

卷积的原理，卷积的计算过程
池化的原理，池化的计算过程
局部感知和参数共享
卷积层和全连接层的区别和联系
卷积神经网络的参数个数的计算

卷积核池化的计算：
https://blog.youkuaiyun.com/huahuazhu/article/details/73469491
卷积，池化的计算、卷积神经网络的参数个数的计算：
https://www.cnblogs.com/touch-skyer/p/9150039.html
卷积神经网络（CNN）详解：
https://zhu]]></description><category></category></item><item><title><![CDATA[keras篇（1）--model.fit()的输入数据]]></title><link>https://blog.youkuaiyun.com/qq_41744697/article/details/114490441</link><guid>https://blog.youkuaiyun.com/qq_41744697/article/details/114490441</guid><author>qq_41744697</author><pubDate>Sun, 07 Mar 2021 19:52:04 +0800</pubDate><description><![CDATA[人生苦短，我用keras!!!
大家都知道keras极大的简化了神经网络的搭建，但是大家知道如何输入数据吗，数据大时，直接numpy矩阵输入使内存爆满？有试过生成器吗？有试过tf.data吗？想知道这几着的差距和优劣势吗？往下看吧！！！
一、简介
我们先来看看keras官方的代码中对model.fit()中的数据的输入的描述：
x: Input data. It could be:
 - A Numpy array (or array-like), or a list of arrays
  (in cas]]></description><category></category></item><item><title><![CDATA[ubuntu使用apt安装第一次就启动失败解决办法]]></title><link>https://blog.youkuaiyun.com/qq_41744697/article/details/113531156</link><guid>https://blog.youkuaiyun.com/qq_41744697/article/details/113531156</guid><author>qq_41744697</author><pubDate>Mon, 01 Feb 2021 22:52:14 +0800</pubDate><description><![CDATA[问题介绍：


安装命令为：apt-get install mysql-server


版本为：
. 


登录数据库时失败 mysql -u root -p

状态为：无法启动，报错代码：1698(28000)



解决方法一、在配置文件中跳过密码，先进入mysql后修改root密码。

经过尝试之后无效。
继续报错，报错代码2002(HY000)

解决mysqld.sock问题，这个是mysql的常见问题。
1、有可能是/var文件夹已经满了,无法生成该文件
2、/etc/mysql.my.con]]></description><category></category></item><item><title><![CDATA[Ubuntu的安装及使用（一）]]></title><link>https://blog.youkuaiyun.com/qq_41744697/article/details/113380158</link><guid>https://blog.youkuaiyun.com/qq_41744697/article/details/113380158</guid><author>qq_41744697</author><pubDate>Fri, 29 Jan 2021 13:08:07 +0800</pubDate><description><![CDATA[介于经常性的喜欢体验新系统所以干脆重头开始写一个关于ubuntu的教程。
1、Ubuntu的安装：
准备工作：

一个8g的u盘
rufus磁盘写入工具
ubuntu镜像

rufus磁盘写入工具和ubuntu镜像下载资源：https://pan.baidu.com/s/1JqL2DnlY051i1qIGwkkRDA 提取码：vi83
1.1、rufus磁盘工具的使用

1.2、安装细节

先进入磁盘分区工具，分割一块200g的硬盘出来，不需要新建卷，显示未分配就可以。

1.3、设置电脑为u盘第一启动项
]]></description><category></category></item><item><title><![CDATA[Attention和Self-attention之间的区别]]></title><link>https://blog.youkuaiyun.com/qq_41744697/article/details/113280040</link><guid>https://blog.youkuaiyun.com/qq_41744697/article/details/113280040</guid><author>qq_41744697</author><pubDate>Wed, 27 Jan 2021 22:49:05 +0800</pubDate><description><![CDATA[介绍一下Attention和Self-attention之间的区别

一般在自然语言处理应用里会把Attention模型看作是输出Target句子中某个单词和输入Source句子每个单词的对齐模型，这是非常有道理的。
目标句子生成的每个单词对应输入句子单词的概率分布可以理解为输入句子单词和这个目标生成单词的对齐概率，这在机器翻译语境下是非常直观的：传统的统计机器翻译一般在做的过程中会专门有一个短语对齐的步骤，而注意力模型其实起的是相同的作用。
在一般任务的Encoder-Decoder框架中，输入Sourc]]></description><category></category></item><item><title><![CDATA[python3列表生成式]]></title><link>https://blog.youkuaiyun.com/qq_41744697/article/details/113033139</link><guid>https://blog.youkuaiyun.com/qq_41744697/article/details/113033139</guid><author>qq_41744697</author><pubDate>Sat, 23 Jan 2021 11:08:39 +0800</pubDate><description><![CDATA[python3的列表生成式主要有3种：

for循环+if -------  [i for i in xxx if x xxx]
for循环+if else --------- [i if exp1 else exp2 for i in xxx]
多层for循环 ----------- [for i in xxx for j in xxx]

# 列表生成式1  for循环+if
# [i for i in xxx if x xxx]
# 此处的if语句主要起判断的作用,if在后
a = [i for i ]]></description><category></category></item><item><title><![CDATA[python的lambda函数和generator生成器的用法]]></title><link>https://blog.youkuaiyun.com/qq_41744697/article/details/113008193</link><guid>https://blog.youkuaiyun.com/qq_41744697/article/details/113008193</guid><author>qq_41744697</author><pubDate>Sat, 23 Jan 2021 10:34:05 +0800</pubDate><description><![CDATA[一、lambda函数的用法
eg:
funtion_name = lambda x,y,z:x+y+z
# 函数名 = lambda 参数:函数体

print(function_name(1,2,3))

二、generator生成器
1、生成器的定义：一边循环一边计算的机制，称为生成器。
2、生成器的优势：在需要庞大的数据的同时，占有的内存小。
3、如何创建生成器：

把一个列表的[]改为()，就创建了一个generator
print(i for i in range(5)),print(list((]]></description><category></category></item><item><title><![CDATA[手把手教你区分Dijkstra算法和veterbi算法--图解]]></title><link>https://blog.youkuaiyun.com/qq_41744697/article/details/108644628</link><guid>https://blog.youkuaiyun.com/qq_41744697/article/details/108644628</guid><author>qq_41744697</author><pubDate>Thu, 17 Sep 2020 16:46:34 +0800</pubDate><description><![CDATA[无论是Viterbi算法，还是Dijsktra算法，都是处理边权重图的最优路径问题。
Viterbi算法属于动态规划算法，Dijsktra算法属于贪心算法。Viterbi算法是广度优先，Dijsktra算法是深度优先。
一、Dijkstra算法
Dijkstra算法是典型的贪心算法，每次都寻找局部最优解最后达到全局最优！（不是所有的贪心算法都可以达到最优，看每种算法的设计）
我们需要一个辅助数组dist[]来存储最短路径长度，集合S来存储已经访问过的节点。
Diljstar的算法的步骤如下（这里使用*代替无]]></description><category></category></item><item><title><![CDATA[ubuntu如何连接显示器]]></title><link>https://blog.youkuaiyun.com/qq_41744697/article/details/108434907</link><guid>https://blog.youkuaiyun.com/qq_41744697/article/details/108434907</guid><author>qq_41744697</author><pubDate>Sun, 06 Sep 2020 18:43:40 +0800</pubDate><description><![CDATA[转载
https://blog.youkuaiyun.com/qq_24946843/article/details/93593078

]]></description><category></category></item><item><title><![CDATA[docker部署mysql出错：mysqld: Can‘t read dir of ‘/etc/mysql/conf.d/‘ (Errcode: 13 - Permission denied)]]></title><link>https://blog.youkuaiyun.com/qq_41744697/article/details/108408292</link><guid>https://blog.youkuaiyun.com/qq_41744697/article/details/108408292</guid><author>qq_41744697</author><pubDate>Fri, 04 Sep 2020 17:18:02 +0800</pubDate><description><![CDATA[如果docekr中的mysql启动不起来，可以查看一下log日志
sudo docekr logs [container ID]

转载：
https://blog.youkuaiyun.com/Kingtu_linux/article/details/105852403

]]></description><category></category></item><item><title><![CDATA[Ubuntu 18.04 开启隐藏录音降噪功能]]></title><link>https://blog.youkuaiyun.com/qq_41744697/article/details/108400466</link><guid>https://blog.youkuaiyun.com/qq_41744697/article/details/108400466</guid><author>qq_41744697</author><pubDate>Fri, 04 Sep 2020 11:09:21 +0800</pubDate><description><![CDATA[转载，亲测有效
https://blog.youkuaiyun.com/weixin_37272286/article/details/81200494
如果最后设置勾选Michd时遇到设置无法打开时，可以在kazam录屏软件内部选取。

]]></description><category></category></item><item><title><![CDATA[Docker ubuntu apt-get更换国内源解决Dockerfile构建速度过慢]]></title><link>https://blog.youkuaiyun.com/qq_41744697/article/details/108352251</link><guid>https://blog.youkuaiyun.com/qq_41744697/article/details/108352251</guid><author>qq_41744697</author><pubDate>Tue, 01 Sep 2020 22:35:39 +0800</pubDate><description><![CDATA[转载
https://blog.youkuaiyun.com/weixin_33936401/article/details/93283478

]]></description><category></category></item><item><title><![CDATA[ubuntu18.04安装docker的教程及下载docker很慢的解决办法]]></title><link>https://blog.youkuaiyun.com/qq_41744697/article/details/108307028</link><guid>https://blog.youkuaiyun.com/qq_41744697/article/details/108307028</guid><author>qq_41744697</author><pubDate>Sun, 30 Aug 2020 15:40:12 +0800</pubDate><description><![CDATA[从阿里云安装
从官网安装（博客）
从官网安装（菜鸟教程）
建议使用从阿里云安装，结合博客和菜鸟教程的安装步骤了解安装逻辑。

]]></description><category></category></item><item><title><![CDATA[关于神经网络的直观理解]]></title><link>https://blog.youkuaiyun.com/qq_41744697/article/details/108288747</link><guid>https://blog.youkuaiyun.com/qq_41744697/article/details/108288747</guid><author>qq_41744697</author><pubDate>Sat, 29 Aug 2020 00:05:58 +0800</pubDate><description><![CDATA[最好有一点线性回归和逻辑回归的基础知识，才能有更深刻的理解。
宏观认识：https://blog.youkuaiyun.com/qq_41744697/article/details/108288099

以下参考吴恩达机器学习视频讲义：

1、我们有了逻辑回归，为啥还需要神经网络？


2、神经网络长啥样？

3、神经网络的前向传播


我们来尝试计算第二层的数值：

仔细看：

所以多层的神经网络可以看成多层逻辑回归的堆叠，所以具备了任意拟合函数的能力，随便一个简单的多元函数经过多层的逻辑回归之后具备了多层权重，可]]></description><category></category></item><item><title><![CDATA[关于线性回归和逻辑回归的宏观记录以及机器学习的建议]]></title><link>https://blog.youkuaiyun.com/qq_41744697/article/details/108288099</link><guid>https://blog.youkuaiyun.com/qq_41744697/article/details/108288099</guid><author>qq_41744697</author><pubDate>Fri, 28 Aug 2020 23:38:23 +0800</pubDate><description><![CDATA[--------不记录具体的知识的具体细节，只记录宏观情况-------
细节请转：http://www.ai-start.com/ml2014/
一、线性回归
回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析（单特征）)。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析（多特征）。
1、一元简单线性回归
模型拟合函数为：

梯度下降算法和线性回归算法比较如图：


2、一元复杂线性回归
模型拟合函数]]></description><category></category></item><item><title><![CDATA[Docker的安装和使用]]></title><link>https://blog.youkuaiyun.com/qq_41744697/article/details/107775558</link><guid>https://blog.youkuaiyun.com/qq_41744697/article/details/107775558</guid><author>qq_41744697</author><pubDate>Fri, 14 Aug 2020 15:32:17 +0800</pubDate><description><![CDATA[为什么要使用docker？
https://xiaozhuanlan.com/topic/2418053976
《Docker从入门到实践》
https://bingohuang.gitbooks.io/docker_practice/content/introduction/why.html
Docker的第三方下载地址：http://get.daocloud.io/
安装使用：
1、window家庭版本的话需要安装visualbox tools使用，下载安装之后一路next安装
2、安装完之后会出现以下]]></description><category></category></item><item><title><![CDATA[《特征工程入门与实践》---阅读笔记（一）]]></title><link>https://blog.youkuaiyun.com/qq_41744697/article/details/107773956</link><guid>https://blog.youkuaiyun.com/qq_41744697/article/details/107773956</guid><author>qq_41744697</author><pubDate>Mon, 03 Aug 2020 22:07:52 +0800</pubDate><description><![CDATA[大体上，我们会在3个领域内对特征的好处进行量化：
1、监督学习

回归 — 预测任务（测量定量数据） 主要使用均方误差作为测量指标
分类 — 预测定性数据  主要使用准确率作为测量指标

2、无监督学习

聚类 — 将数据特征行为进行分类  主要使用轮廓系数作为测量指标

3、统计检验

用相关系数、t-检验，卡方检验，以及其他方法评估及量化原始数据和转换后数据的效果

一、特征理解：我的数据集中有什么
我们开始探索不同类型的数据，并且学习如何识别不同数据集的数据类型。我们从不同的角度研究数据集，分析其中的]]></description><category></category></item><item><title><![CDATA[快速搭建易于医疗领域的小型知识图谱]]></title><link>https://blog.youkuaiyun.com/qq_41744697/article/details/107745134</link><guid>https://blog.youkuaiyun.com/qq_41744697/article/details/107745134</guid><author>qq_41744697</author><pubDate>Sun, 02 Aug 2020 18:27:11 +0800</pubDate><description><![CDATA[本文仅限于调通项目运行，并对其代码进行解释，没有对其代码进行修改，仅供入门学习使用！
1、知识图谱介绍
知识图谱技术包括信息抽取（命名体识别和关系识别），知识表示，知识融合，知识推理。
信息抽取是从不同数据源得到本体化的知识表达；知识融合是对新知识进行合并消除歧义和重复；知识加工是将新知识加到现有知识库，新增数据，拓展知识库。

自互联网技术产业化以来，网络信息量与日俱增，人们对信息获取的准确度也有更高要求。在信息量巨大的网络中，找到符合预期的结果信息是亟待解决的问题。长期以来，传统的信息检索方式是通过搜索]]></description><category></category></item><item><title><![CDATA[openjdk和neo4j的环境变量设置]]></title><link>https://blog.youkuaiyun.com/qq_41744697/article/details/107747136</link><guid>https://blog.youkuaiyun.com/qq_41744697/article/details/107747136</guid><author>qq_41744697</author><pubDate>Sun, 02 Aug 2020 17:05:55 +0800</pubDate><description><![CDATA[什么是环境变量？
环境变量是在操作系统中一个具有特定名字的对象，它包含了一个或者多个应用程序所将使用到的信息。例如Windows和DOS操作系统中的path环境变量，当要求系统运行一个程序而没有告诉它程序所在的完整路径时，系统除了在当前目录下面寻找此程序外，还应到path中指定的路径去找。用户通过设置环境变量，来更好的运行进程。
解压openjdk和neo4j压缩包:（建议不要有中文路径）
例如：
openjdk的解压环境为：
G:\OpenJDK8U-jdk_x64_windows_hotspot_8u2]]></description><category></category></item></channel></rss>