我亦是行人

科研 学术写作工具推荐：持续更新

1 删除 C:\Users\用户名.ssh 下的 know_hosts文件2 使用其他的ssh工具（MobaXterm）远程连接目标服务器首先使用指令：ps -aux |grep ‘自己的用户名’ 列出自己所有的运行的程序找到正在使用报错的文件/*/*/.vscode-server/bin/f80445acd5a3dadef24aa20916的进程使用kill ‘进程id’指令杀掉改进程然后使用 rm -rf /*/*/.vscode-server/bin/f80445acd5a3dadef24

python 实现 BCH 纠错码的方法BCH码是一类重要的纠错码，它把信源待发的信息序列按固定的κ位一组划分成消息组，再将每一消息组独立变换成长为n(n>κ)的二进制数字组，称为码字。如果消息组的数目为M(显然M>=2),由此所获得的M个码字的全体便称为码长为n、信息数目为M的分组码，记为n，M。把消息组变换成码字的过程称为编码，其逆过程称为译码。我这里考虑输入是 torch.Tensor的一个 只包含0 ，1 元素的张量对于输入是numpy或者0，1字符串的方法就更简单了，总之都先要

腾讯会议如何使用讲演者模式进行汇报（nian gao）首先列出步骤，再一一演示：alt+f5 开启讲演者模式，调整讲演者模式的窗口为小窗alt+tab 切换回腾讯会议界面，屏幕共享power point窗口（注意不是“桌面1”）alt+tab 切换回讲演者模式小窗，开始讲演播放结束，共享屏幕结束重新共享屏幕，共享“桌面1”下面开始演示：1. alt+f5 开启讲演者模式，调整讲演者模式的窗口为小窗2. alt+tab 切换回腾讯会议界面，屏幕共享power point窗口（注意不是

(python numpy) np.array.shape 中 (3,)、(3,1)、(1,3)的区别被人问到这个问题，就记录一下吧1. (3,)(3,)是[x,y,z][x,y,z][x,y,z]的形式，即为一维数组，访问数组元素用一个indexfor example:>>> array1 = np.array([1,2,3])>>> array1.shape(3,)2. (3,1)(3,1)是[[x],[y],[z]][[x],[y],[z]][[

sklearn .feature_extraction.text.TfidVectorizer.fit_transform(text)def normal_test(): from sklearn.feature_extraction.text import TfidfVectorizer corpus = [ 'This is the first document.', 'This document is the second document.', ]

python读取json格式的超参数json文件：{ "full_finetuning": true, "max_len": 180, "learning_rate": 3e-5, "weight_decay": 0.01, "clip_grad": 2, "batch_size": 30, "epoch_num": 20, "min_epoch_num": 5, "patience": 0.02, "patience_

DataLoaderclass torch.utils.data.DataLoader( \ dataset, batch_size=1, shuffle=False, sampler=None, batch_sampler=None, \num_workers=0, collate_fn=None, pin_memory=False, drop_last=False, timeout=0,\worker_init_fn=None, multiprocessing_context=None, gen

torch.squeeze(input, dim=None, *, out=None) → Tensorsqueezex = torch.zeros(2, 1, 2, 1, 2)x.size()#torch.Size([2, 1, 2, 1, 2])y = torch.squeeze(x)y.size()#torch.Size([2, 2, 2])y = torch.squeeze(x, 0)y.size()#torch.Size([2, 1, 2, 1, 2])y = torch.

np.triunumpy.triu(m, k=0)Upper triangle of an array.Return a copy of a matrix with the elements below the k-th diagonal zeroed.返回一个矩阵的上三角矩阵，第k条对角线以下的元素归零例如：import numpy as npnp.triu(np.ones([4,4]), k=1).astype('uint8')output:array([[0, 1, 1, 1],

torchtext.data.Field类接口class torchtext.data.Field(sequential=True, use_vocab=True, init_token=None, eos_token=None, fix_length=None, dtype=torch.int64, preprocessing=None, postprocessing=None, lower=False, tokenize=None, tokenizer_language='en', include_

import numpy as npa=np.random.rand(4)print(a)[0.48720333 0.67178384 0.65662903 0.40513918] print(a[-1]) #取最后一个元素0.4051391774882336 print(a[:-1]) #去除最后一个元素[0.48720333 0.67178384 0.65662903] print(a[::-1]) #逆序[0.40513918 0.65662903 0.67178384 0

深度学习的优化算法的原理与作用

深度循环神经网络循环神经网络只有一个单向的隐藏层，在深度学习应用里，我们通常会用到含有多个隐藏层的循环神经网络，也称作深度循环神经网络。下图演示了一个有LLL个隐藏层的深度循环神经网络，每个隐藏状态不断传递至当前层的下一时间步和当前时间步的下一层。具体来说在时间步ttt里，设小批量输入Xt∈Rn×d\boldsymbol{X}_t \in \mathbb{R}^{n \times d}Xt​∈Rn×d（样本数为nnn，输入个数为ddd）第ℓ\ellℓ隐藏层（ℓ=1,…,L\ell=1,\ldo

长短期记忆（LSTM）LSTM 中引入了3个门，即输入门（input gate）遗忘门（forget gate）输出门（output gate）以及与隐藏状态形状相同的记忆细胞（某些文献把记忆细胞当成一种特殊的隐藏状态），从而记录额外的信息。输入门、遗忘门和输出门与门控循环单元中的重置门和更新门一样，如下图所示长短期记忆的门的输入均为当前时间步输入Xt\boldsymbol{X}_tXt​与上一时间步隐藏状态Ht−1\boldsymbol{H}_{t-1}Ht−1​输出由激活函数为s

门控循环单元（GRU）循环神经网络中的梯度计算，当时间步数较大或者时间步较小时，循环神经网络的梯度较容易出现衰减或爆炸。虽然裁剪梯度可以应对梯度爆炸，但无法解决梯度衰减的问题。通常由于这个原因，循环神经网络在实际中较难捕捉时间序列中时间步距离较大的依赖关系。门控循环神经网络（gated recurrent neural network）的提出，正是为了更好地捕捉时间序列中时间步距离较大的依赖关系。它通过可以学习的门来控制信息的流动。其中，门控循环单元（gated recurrent unit，GRU）是

通过时间反向传播介绍循环神经网络中梯度的计算和存储方法，即通过时间反向传播（back-propagation through time）。正向传播和反向传播相互依赖。正向传播在循环神经网络中比较直观，而通过时间反向传播其实是反向传播在循环神经网络中的具体应用。我们需要将循环神经网络按时间步展开，从而得到模型变量和参数之间的依赖关系，并依据链式法则应用反向传播计算并存储梯度。定义模型考虑一个简单的无偏差项的循环神经网络，且激活函数为恒等映射（ϕ(x)=x\phi(x)=xϕ(x)=x）。设时间

使用pytorch框架nn.RNN实现循环神经网络首先，读取周杰伦专辑歌词数据集。import timeimport mathimport numpy as npimport torchfrom torch import nn, optimimport torch.nn.functional as Fimport syssys.path.append("..") import d2lzh_pytorch as d2ldevice = torch.device('cuda' if to

配置jupyter-pytorch深度学习环境安装anaconda3新建环境，命名为pytorch在虚拟环境里安装jupyteractivate pytorchpip install jupyter安装可视化插件，ipywidgets，并且关联pip install ipywidgetsjupyter nbextension enable --py widgetsnbextension配置jupyter里面的虚拟环境activate pytorchpip install

卷积神经网络中的填充(padding)和步幅(stride)之前写过一篇blog，描述CNN网络层的输入和输入尺寸的计算关系，但是并没有描述的很全面，这里全面描述了影响输出尺寸的两个超参数padding和stride，查阅了相关资料，编码理解了pytorch中CNN网络的输入输出关系。对于CNN网络，一般来说，假设输入形状是nh×nwn_h\times n_wnh​×nw​，卷积核窗口形状是kh×kwk_h\times k_wkh​×kw​，那么输出形状将会是(nh−kh+1)×(nw−kw+1).(

读取和存储数据我们可以使用pt文件存储Tensor数据：import torchfrom torch import nnx = torch.ones(3)torch.save(x, 'x.pt')这样我们就将数据存储在名为x.pt的文件中了我们可以从文件中将该数据读入内存：x2 = torch.load('x.pt')print(x2)还可以存储Tensor列表到文件中，并读取：y = torch.zeros(4)torch.save([x, y], "xy.pt")xy_l

pytorch实现自定义网络层，并自设定前向传播路径-学习笔记1. 不包含模型参数的自定义网络层首先我们自定义一个网络层，定义一个网络层，使其不包含模型参数，并在forward()函数中进行运算：import torch from torch import nnclass non_param_layer(nn.Module): def __init__(self, **kwargs): super(non_param_layer, self).__init__(**kwargs) de

模型参数的初始化与访问操作学习 如何初始化以及访问模型参数，以及如何在多层之间共享模型参数首先定义一个含有单个隐藏层的多层感知机，使用默认方式初始化该模型的参数，并且进行一次前向计算：...

pytorch构造深度学习模型通过继承module类的方式来构造模型Module类是nn模块里提供的一个模型构造类，是所有神经网络模块的基类。可以继承基类并重构 __init()__函数和forward()forward()forward()函数的方式来构造模型。以下是一个构造一个模型的例子：import torchfrom torch import nnclass MLP(nn.Module): # 声明带有模型参数的层，这里声明了两个全连接层 def __init__(s

ResNet残差网络的理解ResNet伴随文章 Deep Residual Learning for Image Recognition 诞生，该文章是MSRA何凯明团队在2015年ImageNet上使用的网络，在当年的classification、detection等比赛中，ResNet均获了第一名，这也导致了ResNet声名鹊起。1. 提出ResNet的背景：出了什么问题该思想的起源是训练深度网络中发现的一个问题，即在一定的深度下，深层网络的训练误差可能大于浅层网络的训练误差。ℓ(Fshallo

实现kaggle房价预测导入所需模块：%matplotlib inlineimport torchimport torch.nn as nnimport numpy as npimport pandas as pdprint(torch.__version__)torch.set_default_tensor_type(torch.FloatTensor)读取数据集：（具体以自己存放的数据集的位置为准）train_data = pd.read_csv('./data/train.c

傅里叶变换原理解析震动频率：节拍数/秒矢量旋转频率：圈/秒傅里叶频域就是：音频信号波形的不同频率的旋转频率形成的图形的质心的坐标变化，即（frequency, (x,y)）（其中实数为x轴坐标，虚部为 y轴坐标）为什么傅里叶变换可以分离不同频率的信号？因为，当对复合信号进行傅里叶变换时，当信号波形在轴上以不同的频率旋转时，比如该信号由a,b,c三个频率的正弦波信号复合而成，当复合信号的波形的旋转频率为a,b,c三个频率的时候，旋转图形的质心的横坐标达到峰值（极大值），所以我们只要在旋转得到的（

ubuntu怎么在jupyter notebook中引入anaconda虚拟环境~坑：先activate visaul envirument 再打开jupyter notebook 是不行的conda install nb_conda 也是不行的正确做法：conda create -n your_env_name python=X.X #创建环境//先activate pytorch 再pip install ipykernelpython -m ipykernel install --use

ubuntu 给pip换源，给conda换源//修改 ~/.pip/pip.conf (没有就创建一个)， 内容如下：[global]timeout = 6000index-url = https://pypi.tuna.tsinghua.edu.cn/simpletrusted-host = pypi.tuna.tsinghua.edu.cn//给conda换源conda config --add channels https://mirrors.ustc.edu.cn/anaconda/p

windows10 计算文件的HASH（SHA256\MD5等）certutil -hashfile .\文件名 带后缀 SHA256可选哈希算法参数：MD2 MD4 MD5 SHA1 SHA256 SHA384 SHA512

Caused by: org.attoparser.ParseException: Could not parse as expression: "{field: ‘id’, title: ‘ID’, fixed: ‘left’, unresize: true, sort: true}, {field: ‘number’, title: ‘学号’, edit: ‘number’, sort: true}, {field: ‘name’, title: ‘姓名’, edit: ‘text’, sort:

thymeleaf There was an unexpected error (type=Internal Server Error, status=500).使用thymeleaf依赖，无法访问html文件，解决方法如下：

使用IDEA 连接mysql数据库，执行sql指令1 配置项目的SQL依赖首先参考这篇博文，创建springboot的基本框架在创建项目的过程中，需要选择SQL相关的依赖，如下：SQL勾选：MySQL Driver，JDBC API 和 MyBatis Framework三项；2 设置MYSQL数据库在resources文件夹下application.properties中先配置DataSource基本信息如下：spring.datasource.url = jdbc:mysql://

springboot 项目实战 基本框架搭建（IDEA）IDEA下载我使用的是破解的专业版IDEA，使用权一直到2089年：下载IDEA:下载processional版本，然后百度搜索激活码即可概率激活，如果你不成功就多找几个激活码配置jdk相信开始学习spring的同学一定有配置过jdk的环境建议使用jdk1.8（比较稳定），而且你学习很多教程基本上老师都是使用jdk1.8.下载地址找到1.8版本的jdk下载后安装配置环境变量···配置maven这里有一个要注意的问

title: windows安装mysqlwindows安装mysql1.下载mysqlmysql国内镜像链接：http://mirrors.sohu.com/mysql/MySQL-8.0/`2.安装mysql下载完成，双击msi选择你要安装的路径：3.配置环境变量在安装Mysql根目录新建my.ini文件：文件内容如下：[mysqld]# 设置3306端口port=3306# 设置mysql的安装目录basedir=D:/so.

problem：遇到的问题idea创建springboot项目，一直在reading pom.xml解决方法有三种：（1）修改windows配置文件c;\windows\System32\drivers\etc\hosts将12.0.0.1 localhost前的注释符号#去掉（2）方法二：设置网络配置win+ R、打开cmd、输入netsh winsock reset然后重启电脑就可（3）方法三：删除.mvn然后重启IDEA***之后就可正确加载mvn项目...

安装git客户端进入官网，点击右侧下载windows版本的软件包·····如果下载慢的话，给一个传送门，可以快速下载：····双击安装一直点击下一步就可，安装位置可以自己选择一下Github创建仓库填写项目名称以及base 描述·在git安装目录双击启动git bash··使用cd 命令 转移到预上传的项目的目录下·输入pwd查看当前文件夹位置使用如下命令创建git仓库先设置email和username：git config --gl

Python enumerate函数描述enumerate() 函数用于将一个可遍历的数据对象(如列表、元组或字符串)组合为一个索引序列，同时列出数据和数据下标，一般用在 for 循环当中。Python 2.3. 以上版本可用，2.6 添加 start 参数。语法以下是 enumerate() 方法的语法:enumerate(sequence, [start=0])参数sequence – 一个序列、迭代器或其他支持迭代对象。start – 下标起始位置。返回值返回 enumerate

教你如何使用hexo以及nginx、github搭建属于自己的博客（妈妈级教学）~~1.解释一下你要的服务器的效果以及对应的操作~~首先你要有自己的一台服务器，可以是云服务器，或者你可以用自己的电脑作为服务器，（windows也可以的）（1）你有自己的windows(或者linux)安装hexo以及nodejs即可实现在github上可以访问的远程管理的blog（2）你有租了服务器安装hexo以及Nodejs,你可以在服务器上创建博客 的同时再将blog远程传到github的blog仓库，这

Client:package firststudy;import java.awt.*;import java.awt.event.*;import java.io.*;import java.net.*;import java.util.*;import javax.swing.*;public class Client{ public static void main(Str...