<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[JeJe_33的博客]]></title><description><![CDATA[Bonne Nuit~]]></description><link>https://blog.youkuaiyun.com/qq_44807945</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_44807945]]></copyright><item><title><![CDATA[Spatial Pyramid Pooling金字塔池化]]></title><link>https://blog.youkuaiyun.com/qq_44807945/article/details/123671576</link><guid>https://blog.youkuaiyun.com/qq_44807945/article/details/123671576</guid><author>qq_44807945</author><pubDate>Wed, 23 Mar 2022 21:51:37 +0800</pubDate><description><![CDATA[import torch
import torch.nn as nn
import math
def _spp_pool(in_h,in_w,out_hc,out_wc):
    #H_out=(H_in-F+2P)/S+1
    F_h=int(math.ceil(in_h/out_hc))
    F_w=int(math.ceil(in_w/out_wc))
    S_h=F_h
    S_w=F_w
    P_h=(F_h-1)*S_h+F_h-in_h
    P_w=(F_w-1)*S]]></description><category></category></item><item><title><![CDATA[数字图像信号-灰度内插]]></title><link>https://blog.youkuaiyun.com/qq_44807945/article/details/120838275</link><guid>https://blog.youkuaiyun.com/qq_44807945/article/details/120838275</guid><author>qq_44807945</author><pubDate>Tue, 19 Oct 2021 03:39:30 +0800</pubDate><description><![CDATA[1.概述
灰度内插法主要针对在图像处理过程中，小数像素坐标取值问题，有最邻近元，双线性内插，三次内插三种，精度复杂度依次增加，在此记录
2.最邻近元法

选择待求点四邻像素中最近的灰度为内插灰度，但该项会造成不连续
degree(a,b)=degree(round(a),round(b))

3.双线性内插

即使用相邻四像素构成两条直线从而获得位置，如图所示，假定四周点为（i，j),(i+1,j),(i,j+1),(i+1,j+1)，所求点为（i+u,j+v)

对于黄点位置（i,j+v)可以表示为f(i]]></description><category></category></item><item><title><![CDATA[VGGNet]]></title><link>https://blog.youkuaiyun.com/qq_44807945/article/details/118446980</link><guid>https://blog.youkuaiyun.com/qq_44807945/article/details/118446980</guid><author>qq_44807945</author><pubDate>Mon, 20 Sep 2021 16:03:16 +0800</pubDate><description><![CDATA[1.概述
VGG网络在2014年的图像分类竞赛中获得第二名，验证了小卷积核对特征的强大的提取能力，并且把卷积层深度推到了16-19层

]]></description><category></category></item><item><title><![CDATA[word2vec-CBOW原理及实现]]></title><link>https://blog.youkuaiyun.com/qq_44807945/article/details/120379681</link><guid>https://blog.youkuaiyun.com/qq_44807945/article/details/120379681</guid><author>qq_44807945</author><pubDate>Sun, 19 Sep 2021 13:56:23 +0800</pubDate><description><![CDATA[1.简介
word2vec用于提取embedding向量使用较多，即当结果较多时，如果使用onehot编码，每个特征会得到一个[0,0…,1,0,…0]的矩阵，维度较多，因此通过构建一个预测模型，在模型拟合效果较好时，使用内参作为对应的各特征向量。
2.模型构造
2.1 对每个特征向量（零一向量）
对于每个个长度为V（即存在v个特征）的特征向量，输入到输出如下图所示：

即通过W与W’矩阵后，输出一个与输入相同长度的矩阵，取softmax结果视为预测结果。
2.2 CBOW结构

假设每个特征长度为k，选取]]></description><category></category></item><item><title><![CDATA[Resnet 50 残差网络]]></title><link>https://blog.youkuaiyun.com/qq_44807945/article/details/118789320</link><guid>https://blog.youkuaiyun.com/qq_44807945/article/details/118789320</guid><author>qq_44807945</author><pubDate>Fri, 16 Jul 2021 13:21:58 +0800</pubDate><description><![CDATA[1.简述
resnet50是何凯明提出，能有效解决深度网络退化问题的一种结构，将输入的多重非线性变化拟合变成了拟合输入与输出的残差，变为恒等映射，50即50层
膜拜巨神：https://github.com/KaimingHe

2.基础框架
将block分为两类，block1适用于resnet34及以下，仅有两层结构，需要注意的是，至少应该保证两层，如果只有一层，即
out=F(x,wi)+x=wix+b+xout=F(x,w_i)+x=w_ix+b+xout=F(x,wi​)+x=wi​x+b+x仍为线]]></description><category></category></item><item><title><![CDATA[雪球结构期权]]></title><link>https://blog.youkuaiyun.com/qq_44807945/article/details/118540195</link><guid>https://blog.youkuaiyun.com/qq_44807945/article/details/118540195</guid><author>qq_44807945</author><pubDate>Wed, 07 Jul 2021 10:56:11 +0800</pubDate><description><![CDATA[1.概述
雪球类期权，可以认为是与发行商进行的一个对赌，即赌未来标的（挂钩的产品，比如中证五百）到期日前不会产生过大跌幅，到期日或者KO（敲出，即观察日（发行商规定）超出给定涨幅）即可获得发行商承诺的年化收益率
2.详述
2.1 结束标准
期权合约结束只有两种可能，第一是时间，到达到期日自动结束，第二是KO，合约过程中观察日一旦达到敲出价格自动结束。
2.2 多种可能
标的波动，幅度较小

获得年化收益率利息+本金
标的跌破敲入价，中途未敲出

一旦敲入，则失去年化收益率，损失为期末价格与期初价格的差值（也]]></description><category></category></item><item><title><![CDATA[2021“中兴捧月“图灵赛道总结]]></title><link>https://blog.youkuaiyun.com/qq_44807945/article/details/118364040</link><guid>https://blog.youkuaiyun.com/qq_44807945/article/details/118364040</guid><author>qq_44807945</author><pubDate>Wed, 30 Jun 2021 16:50:20 +0800</pubDate><description><![CDATA[赛道选择上还是出了些问题，对于编解码不够熟悉导致决赛在理解题意上就费了不少时间，不过也是第一次参加这种竞赛，也算是有所收获了，而且zte的工作人员都挺热情的，接下来会更多刷题和刷题思路的更新了。
1.初赛
初赛就是对YUV视频进行压缩，大概做法有使用ffmpeg直接转换格式进行压缩或者使用Huffman树重新编码，相对来说我选择的是偏向数据处理，用了个svd压缩，大概思路如下：
压缩思路：
已知分解出的sigma对角线矩阵前10%对角线元素包含99%以上的矩阵信息，即假设原数据矩阵为mn矩阵，分解后得到mm]]></description><category></category></item><item><title><![CDATA[tensorflow常用函数]]></title><link>https://blog.youkuaiyun.com/qq_44807945/article/details/117983727</link><guid>https://blog.youkuaiyun.com/qq_44807945/article/details/117983727</guid><author>qq_44807945</author><pubDate>Thu, 17 Jun 2021 10:58:36 +0800</pubDate><description><![CDATA[张量：多维数组
#零向量
tf.zeros()
#1数组
tf.ones()
#自定义全a数组
tf.fill([2,2],a)#2*2大小
#创建常量
tf.constant(内容,dtype=数据类型）
#生成正态随机数
tf.random.normal(维度,mean=均值,stddev=标准差)
#生成截断式正态随机数，数据更加集中
tf.random.trancated_normal()
#均匀分布随机数
tf.random.uniform(维度,minval=,maxval=)
#更改数据类型
]]></description><category></category></item><item><title><![CDATA[LGSS-一种多模态电影幕分割方法]]></title><link>https://blog.youkuaiyun.com/qq_44807945/article/details/117136807</link><guid>https://blog.youkuaiyun.com/qq_44807945/article/details/117136807</guid><author>qq_44807945</author><pubDate>Tue, 15 Jun 2021 21:19:15 +0800</pubDate><description><![CDATA[1.简介
该方法发布于IEEE Conference on Computer Vision and Pattern Recognition (CVPR) 2020，由 港中文商汤联合实验室与香港中文大学合作发作
GitHub地址：https://github.com/AnyiRao/SceneSeg
网站地址：https://anyirao.com/projects/SceneSeg.html

...]]></description><category></category></item><item><title><![CDATA[LSA算法——潜在语义分析概率潜在语义分析]]></title><link>https://blog.youkuaiyun.com/qq_44807945/article/details/116603342</link><guid>https://blog.youkuaiyun.com/qq_44807945/article/details/116603342</guid><author>qq_44807945</author><pubDate>Sat, 15 May 2021 20:04:27 +0800</pubDate><description><![CDATA[1.简介
LSA使一种无监督学习方法，主要用于文本的话题分析，其特点使通过矩阵分解发现文本与单词之间的基于话题的语义关系。潜在语义分析通常将文本集合表示为单词-文本矩阵，对单词-文本矩阵进行奇异值分解或非负矩阵分解（non-negative matrix factorizatiion,NMF)，从而得到话题向量空间以及文本在话题向量空间的表示。
2.相关概念
2.1 单词向量空间
给定一个含有n个文本的集合D={d1,d2,...,dn}D=\{d_1,d_2,...,d_n\}D={d1​,d2​,...]]></description><category></category></item><item><title><![CDATA[主成分分析法PCA]]></title><link>https://blog.youkuaiyun.com/qq_44807945/article/details/116574607</link><guid>https://blog.youkuaiyun.com/qq_44807945/article/details/116574607</guid><author>qq_44807945</author><pubDate>Mon, 10 May 2021 08:23:25 +0800</pubDate><description><![CDATA[1.简介
主成分分析（principal component analysis,PCA）是一种常见的无监督学习方法，其通过正交变化将线性相关变量表示的观测数据转换为少数几个由线性无关变量表示的数据，线性无关的变量称为主成分。主成分的个数通常小于原始变量个数，因此可以通过主成分分析进行降维。PCA常用于发现数据的基本结构及用于其他机器学习方法的预处理。
主成分分析先将给定数据规范化，使得每一变量均值为0，方差为1，然后通过正交变换变成由若干个线性无关的新变量表示的数据。新变量是可能的正交变换中变量的方差的和（]]></description><category></category></item><item><title><![CDATA[无监督学习-SVD奇异值分解]]></title><link>https://blog.youkuaiyun.com/qq_44807945/article/details/116278951</link><guid>https://blog.youkuaiyun.com/qq_44807945/article/details/116278951</guid><author>qq_44807945</author><pubDate>Sun, 02 May 2021 23:22:21 +0800</pubDate><description><![CDATA[1.定理及性质
1.1基础概念
奇异值分解（singular value decomposition）是一种矩阵因子分解方法，即任意m x n矩阵，都可以分解为三个矩阵的乘积（因子分解），分别为m阶正交矩阵，由降序排列的非负的对角线元素组成的m x n对角矩阵以及n阶正交矩阵。奇异值必定存在但不唯一，可以看成矩阵数据压缩的一种方法，即用因子分解的方式近似地表示原始矩阵，这种近似是在平方损失最优情况下的近似。
A=UσVTA=U\sigma{V^T}A=UσVT
条件：

UUT=IUU^T=IUUT=I
V]]></description><category></category></item><item><title><![CDATA[聚类方法]]></title><link>https://blog.youkuaiyun.com/qq_44807945/article/details/115706699</link><guid>https://blog.youkuaiyun.com/qq_44807945/article/details/115706699</guid><author>qq_44807945</author><pubDate>Mon, 19 Apr 2021 18:44:53 +0800</pubDate><description><![CDATA[1.基本概念
1.1 相似度或距离
聚类的核心概念是相似度（similarity）或距离（distance），有多种相似度或距离的定义，根据问题特性选择不同相似度。
1.1.1 闵可夫斯基距离
闵可夫斯基距离越大相似度越小，距离越小相似度越大
dij=(∑1m∣xki−xkj∣p)1pd_{ij}=(\sum^m_1|x_{ki}-x_{kj}|^p)^\frac{1}{p}dij​=(∑1m​∣xki​−xkj​∣p)p1​
当p=1时，称为曼哈顿距离
当p=2时，称为欧氏距离
当p=∞时称为切比雪夫距离]]></description><category></category></item><item><title><![CDATA[提升AdaBoost与提升树(boosting tree)]]></title><link>https://blog.youkuaiyun.com/qq_44807945/article/details/113924116</link><guid>https://blog.youkuaiyun.com/qq_44807945/article/details/113924116</guid><author>qq_44807945</author><pubDate>Sat, 03 Apr 2021 13:51:58 +0800</pubDate><description><![CDATA[1.简介

]]></description><category></category></item><item><title><![CDATA[神经网络]]></title><link>https://blog.youkuaiyun.com/qq_44807945/article/details/113924660</link><guid>https://blog.youkuaiyun.com/qq_44807945/article/details/113924660</guid><author>qq_44807945</author><pubDate>Mon, 01 Mar 2021 00:18:06 +0800</pubDate><description><![CDATA[1.简介
神经网络可以看成是含有多个变换层的感知机模型，变换层会把上一层的输出当成输入，经过一番内部护理后把输出传给下一层。
一般而言，神经网络算法包含以下三部分

将输入经过多层变换层后得到输出
将输出与真值比较得到损失函数梯度
利用梯度更新模型各参数

2.前向传导算法
3.常见激活函数
3.1逻辑函数sigmoid
ϕ(x)=11+e−x\phi(x)=\frac{1}{1+e^{-x}}ϕ(x)=1+e−x1​
3.2正切函数
ϕ(x)=tanh(x)=1−e−2x1+e−2x\phi(x)=tan]]></description><category></category></item><item><title><![CDATA[感知机模型]]></title><link>https://blog.youkuaiyun.com/qq_44807945/article/details/113922792</link><guid>https://blog.youkuaiyun.com/qq_44807945/article/details/113922792</guid><author>qq_44807945</author><pubDate>Sun, 21 Feb 2021 21:19:01 +0800</pubDate><description><![CDATA[1.简介
感知机(perceptron)对应于输入空间(特征空间)中将实例划分为正负两类分离超平面，属于判别模型，是神经网络及支持向量机的基础。
2.感知机模型
2.1感知机
若输入空间（特征空间）为χ∈Rn\chi\in R^nχ∈Rn输出空间为Y∈{+1,−1}Y\in\{+1,-1\}Y∈{+1,−1}输入x表示实例的特征向量，对应于输入空间的点，输出y表示实例类别。对应函数表示为
f(x)=sign(wx+b)f(x)=sign(wx+b)f(x)=sign(wx+b)
则为感知机。w为权值向量，b]]></description><category></category></item><item><title><![CDATA[SVM支持向量机模型-SMO最小最优算法]]></title><link>https://blog.youkuaiyun.com/qq_44807945/article/details/113840751</link><guid>https://blog.youkuaiyun.com/qq_44807945/article/details/113840751</guid><author>qq_44807945</author><pubDate>Sat, 20 Feb 2021 04:43:21 +0800</pubDate><description><![CDATA[1.支持向量机简介
支持向量机是一种二类分类模型，定义在特征空间上的间隔最大的线性分类器，间隔最大使其有别于感知机。
即求解凸二次规划的最优化算法，包括线性可分支持向量机，线性支持向量机以及非线性支持向量机三种。
2.线性可分支持向量机
训练数据线性可分时调用，通过硬间隔最大化学习
2.1函数间隔
对于给定训练数据集T与超平面(w,b)，定义超平面关于样本点的函数间隔为
γi′=yi(wxi+b)\gamma_i'=y_i(wx_i+b)γi′​=yi​(wxi​+b)
定义超平面关于训练集的函数间隔为超平]]></description><category></category></item><item><title><![CDATA[机器学习分类问题常用评判指标]]></title><link>https://blog.youkuaiyun.com/qq_44807945/article/details/113830668</link><guid>https://blog.youkuaiyun.com/qq_44807945/article/details/113830668</guid><author>qq_44807945</author><pubDate>Wed, 17 Feb 2021 03:13:11 +0800</pubDate><description><![CDATA[1.分类问题
1.混淆矩阵
[TPFPFNTN]\begin{bmatrix}
TP&amp;FP\\\\
FN&amp;TN\\\\
\end{bmatrix}⎣⎢⎢⎡​TPFN​FPTN​⎦⎥⎥⎤​
真正率：TPR=TP/(TP+FN)
假正率：FPR=FP/(FP+TN)
假负率：FNR=FN/(FN+TP)
真负率：TNR=TN/(TN+FP)
from sklearn.metrics import confusion_matrix

2.准确率
即正确预测的例子（正与负）除以总数
accuracy]]></description><category></category></item><item><title><![CDATA[逻辑斯谛回归logistic regression-最大熵]]></title><link>https://blog.youkuaiyun.com/qq_44807945/article/details/113819955</link><guid>https://blog.youkuaiyun.com/qq_44807945/article/details/113819955</guid><author>qq_44807945</author><pubDate>Tue, 16 Feb 2021 21:03:39 +0800</pubDate><description><![CDATA[1.定义
1.1逻辑斯谛分布
服从逻辑斯谛分布的X具有以下分布函数与密度函数
F(x)=P(X≤x)=11+e−(x−μ)γF(x)=P(X\leq x)=\frac{1}{1+e^{\frac{-(x-\mu)}{\gamma}}}F(x)=P(X≤x)=1+eγ−(x−μ)​1​
f(x)=F′(x)=e−(x−μ)γγ(1+e−(x−μ)γ)2f(x) = F'(x)=\frac{e^{\frac{-(x-\mu)}{\gamma}}}{\gamma({1+e^{\frac{-(x-\mu)}{\ga]]></description><category></category></item><item><title><![CDATA[决策树分类模型-ID3 C4.5 CART]]></title><link>https://blog.youkuaiyun.com/qq_44807945/article/details/113798693</link><guid>https://blog.youkuaiyun.com/qq_44807945/article/details/113798693</guid><author>qq_44807945</author><pubDate>Sat, 13 Feb 2021 05:55:23 +0800</pubDate><description><![CDATA[1.简介
根据损失函数最小化原则建立决策树模型
损失函数一般是正则化的极大似然函数
本质上为从训练数据集中归纳出的一组分类规则
每一个子结点对应一个特征取值，叶节点即一个类
步骤
特征选择、决策树生成、决策树修剪4
2.特征选择
2.1 熵
使用熵度量随机变量不确定性
P(X=xi)=piP(X=x_i) = p_iP(X=xi​)=pi​
则熵定义为H(X)=H(p)=−sum(pilogpi)H(X)=H(p)=-sum(p_ilogp_i)H(X)=H(p)=−sum(pi​logpi​)
对于条件概]]></description><category></category></item></channel></rss>