<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[sykai1的博客]]></title><description><![CDATA[记录自己成长的点点滴滴]]></description><link>https://blog.youkuaiyun.com/sykai1</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; sykai1]]></copyright><item><title><![CDATA[nvidia-smi时，Failed to initialize NVML: Driver/library version mismatch]]></title><link>https://blog.youkuaiyun.com/sykai1/article/details/122503559</link><guid>https://blog.youkuaiyun.com/sykai1/article/details/122503559</guid><author>sykai1</author><pubDate>Fri, 14 Jan 2022 23:02:46 +0800</pubDate><description><![CDATA[记录一下配置cuda环境时遇到的问题和解决方法，已方便日后查证：
问题
终端输入nvidia-smi时，报如下错误：
Failed to initialize NVML: Driver/library version mismatch
出现这种情况的原因是NVIDIA内核驱动版本和系统驱动不一致。
大多数出现该错误的情况可能是NVIDIA驱动是在低版本的时候安装，由于系统更新，内核版本升级导致NVIDIA无法应用在高内核版本，新版本内核和显卡驱动不匹配,显卡驱动版本太低!
我的情况是在配置低版本的cuda时]]></description><category></category></item><item><title><![CDATA[牛客16498 寻找道路（双向BFS）]]></title><link>https://blog.youkuaiyun.com/sykai1/article/details/121055914</link><guid>https://blog.youkuaiyun.com/sykai1/article/details/121055914</guid><author>sykai1</author><pubDate>Sat, 30 Oct 2021 20:28:32 +0800</pubDate><description><![CDATA[链接：https://ac.nowcoder.com/acm/problem/16498
来源：牛客网

在有向图G中，每条边的长度均为1，现给定起点和终点，请你在图中找一条从起点到终点的路径，该路径满足以下条件：
1．路径上的所有点的出边所指向的点都直接或间接与终点连通。
2．在满足条件1的情况下使路径最短。
注意：图G中可能存在重边和自环，题目保证终点没有出边。
请你输出符合条件的路径的长度。
输入描述:
第一行有两个用一个空格隔开的整数n和m，表示图有n个点和m条边。
接下来的m行每行2个整数x、y.]]></description><category></category></item><item><title><![CDATA[LeetCode34 在排序数组中查找元素的第一个位置和最后一个位置（二分查找）]]></title><link>https://blog.youkuaiyun.com/sykai1/article/details/119786071</link><guid>https://blog.youkuaiyun.com/sykai1/article/details/119786071</guid><author>sykai1</author><pubDate>Wed, 18 Aug 2021 18:10:38 +0800</pubDate><description><![CDATA[谨以本文记录学习、回顾二分查找算法过程，如有错误还请朋友指正！
题目
给定一个按照升序排列的整数数组 nums，和一个目标值 target。找出给定目标值在数组中的开始位置和结束位置。
如果数组中不存在目标值 target，返回 [-1, -1]。
进阶：你可以设计并实现时间复杂度为 O(log n) 的算法解决此问题吗？
示例 1：
输入：nums = [5,7,7,8,8,10], target = 8
输出：[3,4]
示例 2：
输入：nums = [5,7,7,8,8,10], target = ]]></description><category></category></item><item><title><![CDATA[LeetCode704 二分查找]]></title><link>https://blog.youkuaiyun.com/sykai1/article/details/119784203</link><guid>https://blog.youkuaiyun.com/sykai1/article/details/119784203</guid><author>sykai1</author><pubDate>Wed, 18 Aug 2021 17:14:46 +0800</pubDate><description><![CDATA[题目：
给定一个 n 个元素有序的（升序）整型数组 nums 和一个目标值 target  ，写一个函数搜索 nums 中的 target，如果目标值存在返回下标，否则返回 -1。
示例1：
输入: nums = [-1,0,3,5,9,12], target = 9
输出: 4
解释: 9 出现在 nums 中并且下标为 4
示例2：
输入: nums = [-1,0,3,5,9,12], target = 2
输出: -1
解释: 2 不存在 nums 中因此返回 -1
提示：

你可以假设 nums ]]></description><category></category></item><item><title><![CDATA[深度学习-R-CNN学习简记]]></title><link>https://blog.youkuaiyun.com/sykai1/article/details/119718121</link><guid>https://blog.youkuaiyun.com/sykai1/article/details/119718121</guid><author>sykai1</author><pubDate>Mon, 16 Aug 2021 20:13:23 +0800</pubDate><description><![CDATA[谨以本文记录深度学习入门过程中学习的R-CNN系列，如有错误还请朋友不吝指教！
R-CNN

原论文：Rich feature hierarchies for accurate object detection and semantic segmentation

R-CNN可以说是利用深度学习进行目标检测的开山之作。相比于传统方式，R-CNN使用CNN提取图像特征，并采用大样本下有监督预训练+小样本微调的方式解决小样本难以训练甚至过拟合等问题（现实任务中，带标签的数据可能很少）。
算法流程




在一张]]></description><category></category></item><item><title><![CDATA[深度学习-目标检测中的mAP计算]]></title><link>https://blog.youkuaiyun.com/sykai1/article/details/119507522</link><guid>https://blog.youkuaiyun.com/sykai1/article/details/119507522</guid><author>sykai1</author><pubDate>Sun, 08 Aug 2021 10:47:19 +0800</pubDate><description><![CDATA[谨以本文记录深度学习入门过程中学习的目标检测常见指标，如有错误还请朋友不吝指教！
目标检测评价指标——mAP



如上图所示，绿颜色的为GT Box，红颜色的Predict Box。如果要正确检测出图中的猫和狗，那怎么才能算是正确的检测呢?下边的这三个标准是都需要看的：  

GT与预测框的IoU是否大于阈值？
预测的类别是否正确？
置信度是否大于阈值？

交并比（IoU，Intersection over Union）
IoU的作用是评价两个矩形框之间的相似性，在目标检测中是度量两个检测框的交叠程度。计]]></description><category></category></item><item><title><![CDATA[李宏毅2021春机器学习课程笔记——生成对抗模型]]></title><link>https://blog.youkuaiyun.com/sykai1/article/details/118364173</link><guid>https://blog.youkuaiyun.com/sykai1/article/details/118364173</guid><author>sykai1</author><pubDate>Tue, 13 Jul 2021 20:59:19 +0800</pubDate><description><![CDATA[本文作为自己学习李宏毅老师2021春机器学习课程所做笔记，记录自己身为入门阶段小白的学习理解，如果错漏、建议，还请各位博友不吝指教，感谢！！

概率生成模型
概率生成模型（Probabilistic Generative Model）简称生成模型，指一系列用于随机生成可观测数据的模型。

假设在一个连续获离散的高维空间X\mathcal{X}X中，存在一个随机向量X\mathnormal{X}X服从一个未知的数据分布pr(x),x∈Xp_r(x), x \in \mathcal{X}pr​(x),x∈X。生]]></description><category></category></item><item><title><![CDATA[论文阅读-Tracklet self-supervised learning for unsupervised person re-identification2020_AAAI阅读笔记]]></title><link>https://blog.youkuaiyun.com/sykai1/article/details/118525363</link><guid>https://blog.youkuaiyun.com/sykai1/article/details/118525363</guid><author>sykai1</author><pubDate>Tue, 06 Jul 2021 17:35:16 +0800</pubDate><description><![CDATA[本文仅是自己学习所记，请谨慎采纳，如有错误不妥之处欢迎各位朋友指正！

研究背景
现有的无监督行人re-id方法，主要集中于跨域适应和one-shot学习上。虽然这些方法的可扩展性要比监督学习好，但是对相关的标记源域的依靠和每个人都初始化一个已经标记的轨迹限制了它在现实应用中的可扩展性。
论文内容
算法的整体结构如下图所示：



因为不使用行人特征的标签，所以构建了三个自监督学习约束来完成模型训练：   

tracklet连续帧学习
tracklet紧密度学习
tracklet聚类结构学习

track]]></description><category></category></item><item><title><![CDATA[论文阅读-A Bottom-up Clustering Approach to Unsupervised Person Re-identification2020_AAAI阅读笔记]]></title><link>https://blog.youkuaiyun.com/sykai1/article/details/118441575</link><guid>https://blog.youkuaiyun.com/sykai1/article/details/118441575</guid><author>sykai1</author><pubDate>Sat, 03 Jul 2021 16:24:21 +0800</pubDate><description><![CDATA[本文仅是自己学习所记，请谨慎采纳，如有错误不妥之处欢迎各位朋友指正！
代码开源地址：https://github.com/L1aoXingyu/Bottom-up-Clustering-Person-Re-identification

研究背景
大多数的行人Re-ID方法是基于监督学习的，而监督学习是需要大量的有人工标记的训练数据。然而要获取大尺寸的、有人工标记的行人标记信息的现实数据集是很不现实。在本文中提出自下而上的聚类框架（BUC）使用没有标记信息的数据来解决行人Re-ID问题。

论文内容
1. ]]></description><category></category></item><item><title><![CDATA[李宏毅2021春机器学习课程笔记——Transformer模型]]></title><link>https://blog.youkuaiyun.com/sykai1/article/details/116665381</link><guid>https://blog.youkuaiyun.com/sykai1/article/details/116665381</guid><author>sykai1</author><pubDate>Wed, 12 May 2021 10:38:17 +0800</pubDate><description><![CDATA[本文作为自己学习李宏毅老师2021春机器学习课程所做笔记，记录自己身为入门阶段小白的学习理解，如果错漏、建议，还请各位博友不吝指教，感谢！！


]]></description><category></category></item><item><title><![CDATA[李宏毅2021春机器学习课程笔记——自注意力机制（Self-Attention）]]></title><link>https://blog.youkuaiyun.com/sykai1/article/details/116379983</link><guid>https://blog.youkuaiyun.com/sykai1/article/details/116379983</guid><author>sykai1</author><pubDate>Tue, 04 May 2021 19:12:29 +0800</pubDate><description><![CDATA[本文作为自己学习李宏毅老师2021春机器学习课程所做笔记，记录自己身为入门阶段小白的学习理解，如果错漏、建议，还请各位博友不吝指教，感谢！！

全连接网络的输入是一个向量，但是当输入是一个变长的向量序列时，就不能再使用全连接网络了。这种情况通常可以使用卷积网络或循环网络进行编码来得到一个相同长度的输出向量序列。
基于卷积或循环网络的序列编码都是一种局部的编码方式，只建模了输入信息的局部依赖关系。虽然循环网络理论上可以建立长距离依赖关系，但是由于信息传递的容量以及梯度消失问题，实际上也只能建立短距离依赖关系。]]></description><category></category></item><item><title><![CDATA[李宏毅2021春机器学习课程笔记——Convolutional Neural Network]]></title><link>https://blog.youkuaiyun.com/sykai1/article/details/115970978</link><guid>https://blog.youkuaiyun.com/sykai1/article/details/115970978</guid><author>sykai1</author><pubDate>Fri, 23 Apr 2021 18:31:21 +0800</pubDate><description><![CDATA[本文作为自己学习李宏毅老师2021春机器学习课程所做笔记，记录自己身为入门阶段小白的学习理解，如果错漏、建议，还请各位博友不吝指教，感谢！！
图像的表达形式
对于一个Machine来说，一张图像其实是一个三维的Tensor。

如上图所示，三个维度分别表示图像的宽、高和Channel的数目。彩色图像的每一个pixel都是由RGB 三个颜色所组成的，所以3个Channel就分别代表了RGB三个颜色，宽和高表示了这张图像中像素的数目（即：100×100）
之前提到的网络（例：Fully Connected Ne]]></description><category></category></item><item><title><![CDATA[李宏毅2021春机器学习课程笔记——Tips for training：逐层归一化]]></title><link>https://blog.youkuaiyun.com/sykai1/article/details/115601608</link><guid>https://blog.youkuaiyun.com/sykai1/article/details/115601608</guid><author>sykai1</author><pubDate>Tue, 13 Apr 2021 19:33:20 +0800</pubDate><description><![CDATA[本文作为自己学习李宏毅老师2021春机器学习课程所做笔记，记录自己身为入门阶段小白的学习理解，如果错漏、建议，还请各位博友不吝指教，感谢！！
逐层归一化
逐层归一化可以有效地提高训练效率，其原因有以下几个方面：

更好的尺度不变性：在深度神经网络中，一个神经层的输入是之前神经层的输出，给定一个神经层lll，它之前的神经层(1,⋯ ,l−1)(1, \cdots, l-1)(1,⋯,l−1)的参数变化会导致其输入的分布发生较大的变化。当使用随机梯度下降来训练网络时，每次参数更新都会导致该神经层的输入分布发生改]]></description><category></category></item><item><title><![CDATA[李宏毅2021春机器学习课程笔记——Tips for training：数据预处理(课外学习)]]></title><link>https://blog.youkuaiyun.com/sykai1/article/details/115549933</link><guid>https://blog.youkuaiyun.com/sykai1/article/details/115549933</guid><author>sykai1</author><pubDate>Fri, 09 Apr 2021 15:47:50 +0800</pubDate><description><![CDATA[本文作为自己学习李宏毅老师2021春机器学习课程所做笔记，记录自己身为入门阶段小白的学习理解，如果错漏、建议，还请各位博友不吝指教，感谢！！
数据预处理
一般而言，样本特征由于来源以及度量单位不同，他们的尺度（Scale）（即取值范围）往往差异很大。如果一个机器学习算法在缩放全部或部分特征后不影响它的学习和预测，我们就成该算法具有尺度不变性（Scale Invariance）。比如线性分类器是尺度不变的，而最近邻分类器就是尺度敏感的。所以，对于尺度敏感的模型，必须先对样本进行预处理，将各个维度的特征转换到相]]></description><category></category></item><item><title><![CDATA[李宏毅2021春机器学习课程笔记——Tips for training：Adaptive Learning Rate]]></title><link>https://blog.youkuaiyun.com/sykai1/article/details/115406265</link><guid>https://blog.youkuaiyun.com/sykai1/article/details/115406265</guid><author>sykai1</author><pubDate>Sat, 03 Apr 2021 18:45:30 +0800</pubDate><description><![CDATA[本文作为自己学习李宏毅老师2021春机器学习课程所做笔记，记录自己身为入门阶段小白的学习理解，如果错漏、建议，还请各位博友不吝指教，感谢！！
问题描述

当我们在训练一个网络时，如果观察到我们训练的loss如上图所示，越来越小，最后卡住不在下降了。我们会认为走到critical point了，因为critical point处loss的gradient等于0，所以loss值不会再发生变化。其实不然，如果loss的gradient再error surface中来回的震荡，也是会出现同样的情况。

如上图所示，]]></description><category></category></item><item><title><![CDATA[李宏毅2021春机器学习课程笔记——Tips for training：Batch and Momentum]]></title><link>https://blog.youkuaiyun.com/sykai1/article/details/115326689</link><guid>https://blog.youkuaiyun.com/sykai1/article/details/115326689</guid><author>sykai1</author><pubDate>Wed, 31 Mar 2021 09:43:38 +0800</pubDate><description><![CDATA[本文作为自己学习李宏毅老师2021春机器学习课程所做笔记，记录自己身为入门阶段小白的学习理解，如果错漏、建议，还请各位博友不吝指教，感谢！！
Batch（批次）
首先回顾一下，在深度学习中，往往将训练数据集随机划分为N个batch，每完成一个batch的计算，便更新一次参数θ\thetaθ，一轮（epoch）完成对所有N个batch的计算。在每一个epoch完成之后，对训练数据集进行shuffle，然后进行下一epoch的训练。

那到底选用多大的Batch size可以获得理想的训练效果呢？李宏毅老师从以]]></description><category></category></item><item><title><![CDATA[李宏毅2021春机器学习课程笔记——Tips for training：Critical Point]]></title><link>https://blog.youkuaiyun.com/sykai1/article/details/115227453</link><guid>https://blog.youkuaiyun.com/sykai1/article/details/115227453</guid><author>sykai1</author><pubDate>Fri, 26 Mar 2021 20:27:45 +0800</pubDate><description><![CDATA[本文作为自己学习李宏毅老师2021春机器学习课程所做笔记，记录自己身为入门阶段小白的学习理解，如果错漏、建议，还请各位博友不吝指教，感谢！！
Critical Point
当我们观察训练集上的Loss出现如下两种形式时：

蓝色线：当Loss下降到一定程度后，便不在减小。但此时的Loss并不能满足我们对模型的要求。
橙色线：Loss一直没有下降

出现上述两种情况的原因可能是：损失函数的梯度（gradient）非常接近零，导致损失函数更新后不会下降。在训练过程中如果损失函数陷入局部最小值（Local min]]></description><category></category></item><item><title><![CDATA[李宏毅2021春机器学习课程笔记——通过训练集上的Loss可获得的信息]]></title><link>https://blog.youkuaiyun.com/sykai1/article/details/115053907</link><guid>https://blog.youkuaiyun.com/sykai1/article/details/115053907</guid><author>sykai1</author><pubDate>Mon, 22 Mar 2021 10:01:33 +0800</pubDate><description><![CDATA[本文作为自己学习李宏毅老师2021春机器学习课程所做笔记，记录自己身为入门阶段小白的学习理解，如果错漏、建议，还请各位博友不吝指教，感谢！！

如何更好的训练我们的模型呢？我们可以通过观察训练集上的loss，来决定下一步采取什么措施来优化我们的训练过程。
训练集上的Loss很大
在这种情况下，可能的原因有Model bias和Optimization两种。
Model Bias
在上一节中提到，model bias是指使用的model太简单而存在不能很好的表示真实情况的限制。

如上图所示，使用图形来理解m]]></description><category></category></item><item><title><![CDATA[python学习-NotImplementedError的使用]]></title><link>https://blog.youkuaiyun.com/sykai1/article/details/115047170</link><guid>https://blog.youkuaiyun.com/sykai1/article/details/115047170</guid><author>sykai1</author><pubDate>Sun, 21 Mar 2021 12:13:08 +0800</pubDate><description><![CDATA[谨以此文，记录自己在学习python过程中遇到的问题和知识点。
在python中，raise可以实现报出错误的功能，而报出错误的条件是程序员可以自己规定的。在面向对象编程中，如果想在父类中预留一个方法，使该方法在子类中实现。如果子类中没有对该方法进行重写就被调用，则报NotImplementError这个错误。
如下面代码所示，子类Two中没有重写父类One中的show方法，就对其进行了调用：
class One(object):
    
    def show(self):
        raise]]></description><category></category></item><item><title><![CDATA[李宏毅2021春机器学习课程笔记——Introduction of Machine/Deep Learning]]></title><link>https://blog.youkuaiyun.com/sykai1/article/details/114475990</link><guid>https://blog.youkuaiyun.com/sykai1/article/details/114475990</guid><author>sykai1</author><pubDate>Sun, 07 Mar 2021 11:40:07 +0800</pubDate><description><![CDATA[本文作为自己学习李宏毅老师2021春机器学习课程所做笔记，记录自己身为入门阶段小白的学习理解，如果错漏、建议，还请各位博友不吝指教，感谢！！
一、Machine Learning概念理解

Machine Learning主要的任务是寻找一个合适的Function来完成我们的工作（非常不严谨的简单理解），如上图中的Image Recognition，就是要寻找一个合适的fff，实现通过对输入的图片进行各种转换识别出图片中的事物是一只猫的功能。
二、Different types of Functions

]]></description><category></category></item></channel></rss>