<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_44527508的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_44527508</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_44527508]]></copyright><item><title><![CDATA[Swin空间窗口]]></title><link>https://blog.youkuaiyun.com/qq_44527508/article/details/138357046</link><guid>https://blog.youkuaiyun.com/qq_44527508/article/details/138357046</guid><author>qq_44527508</author><pubDate>Tue, 30 Apr 2024 21:15:36 +0800</pubDate><description><![CDATA[.transpose(1, 2)：这一步是对 view 后的张量进行转置操作，将第1维和第2维进行交换。S = torch.bmm(F, G)  # content_key,style_key批矩阵乘法操作。S = self.sm(S)  # 将一组数转换为概率分布,每个元素转换为非负值，并且所有元素的和为1。# 使用 contiguous 函数确保张量在内存中是连续存储的。]]></description><category></category></item><item><title><![CDATA[test000000]]></title><link>https://blog.youkuaiyun.com/qq_44527508/article/details/137388300</link><guid>https://blog.youkuaiyun.com/qq_44527508/article/details/137388300</guid><author>qq_44527508</author><pubDate>Fri, 05 Apr 2024 02:56:02 +0800</pubDate><description><![CDATA[import osbreaktry:else:]]></description><category></category></item><item><title><![CDATA[风格迁移常用代码]]></title><link>https://blog.youkuaiyun.com/qq_44527508/article/details/134074075</link><guid>https://blog.youkuaiyun.com/qq_44527508/article/details/134074075</guid><author>qq_44527508</author><pubDate>Fri, 27 Oct 2023 13:21:23 +0800</pubDate><description><![CDATA[计算相似度需逐层计算网络输出的对应channel的Cos Distance，然后对得到的distance进行平均（所有层，空间维度），LPIPS主要是把两个Cos Distance作为网络的输入，然后用Cross Entropy Loss训练网络学习2AFC。]]></description><category></category></item><item><title><![CDATA[EasyExcel的源码流程（导入Excel）]]></title><link>https://blog.youkuaiyun.com/qq_44527508/article/details/133296044</link><guid>https://blog.youkuaiyun.com/qq_44527508/article/details/133296044</guid><author>qq_44527508</author><pubDate>Tue, 26 Sep 2023 17:52:54 +0800</pubDate><description><![CDATA[5. 接下来调用的是.sheet()方法，这里我们会传入sheetNo、sheetName参数，调用build()方法创建ExcelReader对象，传入ExcelReaderSheetBuilder构造方法中，最终创ExcelReaderSheetBuilder对象。2.  EasyExcel类继承了EasyExcelFactory类，EasyExcel自动拥有EasyExcelFactory父类的所有方法，如read()，readSheet()，write()，writerSheet()等等。]]></description><category></category></item><item><title><![CDATA[DAV--接口]]></title><link>https://blog.youkuaiyun.com/qq_44527508/article/details/132665091</link><guid>https://blog.youkuaiyun.com/qq_44527508/article/details/132665091</guid><author>qq_44527508</author><pubDate>Mon, 04 Sep 2023 17:08:47 +0800</pubDate><description><![CDATA[两个参数： 大屏id 工作表id ------------------ 一般情况下，只需上传一个参数，或者不传参数。若无其他用户的文件：设置好权限相关参数，将数据转化为前端要求的格式。2. 获取某个大屏的用户工作表集合 （有大屏id）查询数据库中分享记录（资源类型为dataset的）获取用户所有的工作表集合 （无参数）获取工作表详情 （有工作表id）根据大屏id查询所有的工作表详情。]]></description><category></category></item><item><title><![CDATA[POI与EasyExcel--读Excel]]></title><link>https://blog.youkuaiyun.com/qq_44527508/article/details/132302864</link><guid>https://blog.youkuaiyun.com/qq_44527508/article/details/132302864</guid><author>qq_44527508</author><pubDate>Wed, 16 Aug 2023 16:47:47 +0800</pubDate><description><![CDATA[03版本+07版本，注意获取值的类型即可。]]></description><category></category></item><item><title><![CDATA[POI与EasyExcel--写Excel]]></title><link>https://blog.youkuaiyun.com/qq_44527508/article/details/132300044</link><guid>https://blog.youkuaiyun.com/qq_44527508/article/details/132300044</guid><author>qq_44527508</author><pubDate>Tue, 15 Aug 2023 15:41:36 +0800</pubDate><description><![CDATA[默认100条数据被保存到内存中，如果超过这数量，则最前面的数据被写入临时文件，如果想自定义内存中数据的数量，可以使用new SXSSFWorkbook(数量)优点： 可以写非常大的数据量，如100万甚至更多条，写数据速度更快，占用更少的内存。缺点： 写数据时速度非常慢，非常耗内存，也会发生内存溢出，如100万条。优点： 过程中写入缓存，不操作磁盘，最后一次性写入磁盘，速度快。注意： 过程中会产生临时文件，需要清理临时文件。2. 文件后缀不同：03对应xls，07对应xlsx。优点： 可以写较大的数据量。]]></description><category></category></item><item><title><![CDATA[图像处理代码学习]]></title><link>https://blog.youkuaiyun.com/qq_44527508/article/details/132226074</link><guid>https://blog.youkuaiyun.com/qq_44527508/article/details/132226074</guid><author>qq_44527508</author><pubDate>Fri, 11 Aug 2023 17:46:29 +0800</pubDate><description><![CDATA[向该对象中添加你要关注的命令行参数和选项，每一个add_argument方法对应一个你要关注的参数或选项。创建目录： save_dir.mkdir(exist_ok=True, parents=True)最后调用parse_args方法进行解析，解析成功之后即可使用。exist_ok：只有在目录不存在时创建目录，目录已存在时不会抛出异常。parents：如果父目录不存在，是否创建父目录。]]></description><category></category></item><item><title><![CDATA[Neural Network学习笔记4]]></title><link>https://blog.youkuaiyun.com/qq_44527508/article/details/131093234</link><guid>https://blog.youkuaiyun.com/qq_44527508/article/details/131093234</guid><author>qq_44527508</author><pubDate>Fri, 28 Jul 2023 14:09:34 +0800</pubDate><description><![CDATA[关于正确率计算的一点说明。]]></description><category></category></item><item><title><![CDATA[Java: 处理Json格式的字符串]]></title><link>https://blog.youkuaiyun.com/qq_44527508/article/details/131786134</link><guid>https://blog.youkuaiyun.com/qq_44527508/article/details/131786134</guid><author>qq_44527508</author><pubDate>Tue, 18 Jul 2023 14:20:41 +0800</pubDate><description><![CDATA[Integer类型转Long类型： Long.valueOf(body.toString())]]></description><category></category></item><item><title><![CDATA[Neural Network学习笔记3]]></title><link>https://blog.youkuaiyun.com/qq_44527508/article/details/130921430</link><guid>https://blog.youkuaiyun.com/qq_44527508/article/details/130921430</guid><author>qq_44527508</author><pubDate>Mon, 05 Jun 2023 13:44:07 +0800</pubDate><description><![CDATA[以Adadelta为例，torch.optim.Adadelta(params, lr=1.0, rho=0.9, eps=1e-06, weight_decay=0)torchvision.modles中的VGG为例。weights: 可选，要使用的预训练权重。默认情况下，不使用预先训练的权重。params: 模型的参数，让优化器知道我们的模型长什么样子。其他的参数可以采用默认，并且优化算法不同，参数也会有很大不同。在进行损失函数计算后，再进行.backward()反向传播。]]></description><category></category></item><item><title><![CDATA[Neural Network学习笔记2]]></title><link>https://blog.youkuaiyun.com/qq_44527508/article/details/130482381</link><guid>https://blog.youkuaiyun.com/qq_44527508/article/details/130482381</guid><author>qq_44527508</author><pubDate>Sat, 06 May 2023 16:47:03 +0800</pubDate><description><![CDATA[Containers: 神经网络骨架Convolution Layers 卷积层Pooling Layers  池化层Normalization Layers 正则化层Non-linear Activations (weighted sum, nonlinearity) 非线性激活torch.nn.Conv2d(in_channels, out_channels, kernel_size, stride=1, padding=0, dilation=1, groups=1, bias=True, paddi]]></description><category></category></item><item><title><![CDATA[入门Pytorch时的一些报错]]></title><link>https://blog.youkuaiyun.com/qq_44527508/article/details/130283353</link><guid>https://blog.youkuaiyun.com/qq_44527508/article/details/130283353</guid><author>qq_44527508</author><pubDate>Fri, 21 Apr 2023 11:46:47 +0800</pubDate><description><![CDATA[Anaconda是一个很好的可以管理python环境的工具，推荐大家结合pycharm使用。我入门时是参照up我的土堆的Pytorch教程来安装学习的，其中也遇到了一些问题。]]></description><category></category></item><item><title><![CDATA[风格迁移学习笔记]]></title><link>https://blog.youkuaiyun.com/qq_44527508/article/details/130148879</link><guid>https://blog.youkuaiyun.com/qq_44527508/article/details/130148879</guid><author>qq_44527508</author><pubDate>Fri, 14 Apr 2023 16:43:52 +0800</pubDate><description><![CDATA[简单来讲，正则化是抑制样本里面的某些特征，使得模型对于这些特征的重视度下降，举个例子来讲，房价预测，要考虑的特征或者因素有房屋面积，房屋新旧年限，地理位置，房屋是否有独立卫浴，房间是否有阳台等等，将这些因素都考虑进去，可以得到一个模型，但是可能某些因素并不是我们特别关系的，那么就需要使用正则化的手段，来降低模型对于该因素的重视程度，这样可以使模型简化，如果正则因子比较大，那么相对应的因素特征可以直接被模型给忽视掉。可以抑制房屋面积特征，也可以抑制地理位置特征，等等，这都取决于建模者的偏好和实际的应用场景。]]></description><category></category></item><item><title><![CDATA[amis框架对应格式]]></title><link>https://blog.youkuaiyun.com/qq_44527508/article/details/130053920</link><guid>https://blog.youkuaiyun.com/qq_44527508/article/details/130053920</guid><author>qq_44527508</author><pubDate>Mon, 10 Apr 2023 18:05:18 +0800</pubDate><description><![CDATA["autoGenerateFilter": true   开启查询区域，会根据列元素的 searchable 属性值，自动生成查询条件表单，只有 searchable 属性值为合法的组件 Schema 时才会生成查询条件。注意这个属性和 filter 冲突，开启 filter 后 autoGenerateFilter 将会失效。]]></description><category></category></item><item><title><![CDATA[SpringBoot读取resources下的文件以及resources的资源路径]]></title><link>https://blog.youkuaiyun.com/qq_44527508/article/details/130053406</link><guid>https://blog.youkuaiyun.com/qq_44527508/article/details/130053406</guid><author>qq_44527508</author><pubDate>Mon, 10 Apr 2023 10:17:24 +0800</pubDate><description><![CDATA[【代码】SpringBoot读取resources下的文件以及resources的资源路径。]]></description><category></category></item><item><title><![CDATA[Colab Softmax回归]]></title><link>https://blog.youkuaiyun.com/qq_44527508/article/details/129881085</link><guid>https://blog.youkuaiyun.com/qq_44527508/article/details/129881085</guid><author>qq_44527508</author><pubDate>Fri, 31 Mar 2023 18:02:56 +0800</pubDate><description><![CDATA[softmax函数能够将未规范化的预测变换为非负数并且总和为1，同时让模型保持 可导的性质。为了完成这一目标，我们首先对每个未规范化的预测求幂，这样可以确保输出非负。为了确保最终输出的概率值总和为1，我们再让每个求幂后的结果除以它们的总和。回归估计一个连续值：单连续数值输出，有一个自然区间，跟真实值的区别作为损失。分类预测一个离散类别：通常多个输出，输出的第i个元素是预测为第i类的置信度。使用Softmax操作子得到每个类的预测置信度。softmax实际上是一个分类问题。使用交叉熵来衡量预测和标号的区别。]]></description><category></category></item><item><title><![CDATA[SQL链接语句]]></title><link>https://blog.youkuaiyun.com/qq_44527508/article/details/129831013</link><guid>https://blog.youkuaiyun.com/qq_44527508/article/details/129831013</guid><author>qq_44527508</author><pubDate>Wed, 29 Mar 2023 11:43:40 +0800</pubDate><description><![CDATA[UNION在进行表链接后会筛选掉重复的记录，所以在表链接后会对所产生的结果集进行排序运算，删除重复的记录再返回结果。内连接查询中一种特殊的等值连接，所谓的自连接就是指表与其自己当前表进行连接。step1:查询所有员工编号，姓名，领导者编号，领导姓名和 领导的员工编号。例子：查询员工编号大于其领导的编号的每个员工姓名，职位和领导姓名。例子：查询员工表，查询每一个员工的姓名、员工的职位和领导的姓名。例子：查询部门名称，部门的所在地，员工的编号和员工的姓名。关联条件 员工表.deptno=部门表.deptno。]]></description><category></category></item><item><title><![CDATA[java小知识点]]></title><link>https://blog.youkuaiyun.com/qq_44527508/article/details/129794952</link><guid>https://blog.youkuaiyun.com/qq_44527508/article/details/129794952</guid><author>qq_44527508</author><pubDate>Mon, 27 Mar 2023 16:15:47 +0800</pubDate><description><![CDATA[将json字符串转化为相应的对象。将对象转化为Json字符串。]]></description><category></category></item><item><title><![CDATA[Neural Network笔记1]]></title><link>https://blog.youkuaiyun.com/qq_44527508/article/details/129791798</link><guid>https://blog.youkuaiyun.com/qq_44527508/article/details/129791798</guid><author>qq_44527508</author><pubDate>Mon, 27 Mar 2023 11:21:46 +0800</pubDate><description><![CDATA[reshape(-1,1)这里的-1被理解为unspecified value，意思是未指定为给定的。如果我只需要特定的列数，行数多少我无所谓，我只需要指定列数，那么行数直接用-1代替就行了，计算机帮我们算赢有多少行，反之亦然。所以-1在这里应该可以理解为一个正整数通配符，它代替任何整数。这个好理解，就是转换成矩阵。]]></description><category></category></item></channel></rss>