<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Bolt1st]]></title><description><![CDATA[图像算法 人工智能 分享是一种美德]]></description><link>https://blog.youkuaiyun.com/u010299280</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; u010299280]]></copyright><item><title><![CDATA[AI公开课笔记]]></title><link>https://blog.youkuaiyun.com/u010299280/article/details/122487190</link><guid>https://blog.youkuaiyun.com/u010299280/article/details/122487190</guid><author>u010299280</author><pubDate>Fri, 14 Jan 2022 09:49:01 +0800</pubDate><description><![CDATA[MIT 6.034
斯坦福 CS229
视频
讲义
斯坦福 CS231n
视频
讲义
斯坦福 CS20si
斯坦福 CS230 / DeepLearningAI
视频
笔记
MIT 6.S191
UCB CS294
视频
笔记

]]></description><category></category></item><item><title><![CDATA[冒泡排序优化]]></title><link>https://blog.youkuaiyun.com/u010299280/article/details/122234618</link><guid>https://blog.youkuaiyun.com/u010299280/article/details/122234618</guid><author>u010299280</author><pubDate>Thu, 30 Dec 2021 13:27:46 +0800</pubDate><description><![CDATA[#include &lt;stdio.h&gt;
int main(){
    int nums[10] = {4, 5, 2, 10, 7, 1, 8, 3, 6, 9};
    int i, j, temp, isSorted;
   
    //优化算法：最多进行 n-1 轮比较
    for(i=0; i&lt;10-1; i++){
        isSorted = 1;  //假设剩下的元素已经排序好了
        for(j=0; j&lt;10-1-i; j++){
    ]]></description><category></category></item><item><title><![CDATA[看sensor datasheet 里说到AE时,有个integration time 积分时间]]></title><link>https://blog.youkuaiyun.com/u010299280/article/details/114918105</link><guid>https://blog.youkuaiyun.com/u010299280/article/details/114918105</guid><author>u010299280</author><pubDate>Wed, 17 Mar 2021 10:30:49 +0800</pubDate><description><![CDATA[看sensor datasheet 里说到AE时,有个integration time 积分时间
ntegration time即积分时间是
以行为单位表示曝光时间（exposure time）的，比如说INT TIM为159，就是指sensor曝光时间为159行，
两者所代表的意思是相同的，都是表示sensor的曝光时间，但是integration time是一个相对的概念，即以行为单位，而每行所占的绝对时间与pclk的时钟频率和每一行包含多少pclk（即行长）有关；而exposure time则是指se]]></description><category></category></item><item><title><![CDATA[搭建pytorch的windows深度学习环境]]></title><link>https://blog.youkuaiyun.com/u010299280/article/details/103614245</link><guid>https://blog.youkuaiyun.com/u010299280/article/details/103614245</guid><author>u010299280</author><pubDate>Thu, 19 Dec 2019 14:56:25 +0800</pubDate><description><![CDATA[安装pytorch的windows深度学习开发环境，主要包括以下三个软件：Anaconda（集成环境包）、PyCharm（编译工具，IDE）、Pytorch（框架）

1、Anaconda安装

2、Pycharm安装

3、PyTorch安装



...]]></description><category></category></item><item><title><![CDATA[verilog语言实现C语言求余操作思路]]></title><link>https://blog.youkuaiyun.com/u010299280/article/details/103613505</link><guid>https://blog.youkuaiyun.com/u010299280/article/details/103613505</guid><author>u010299280</author><pubDate>Thu, 19 Dec 2019 14:16:16 +0800</pubDate><description><![CDATA[verilog语言没有C语言的%操作符，需进行分解实现，思路如下：
int mod(int a,int b)
{
	int i;
	for(i=0;i&lt;b;i++)
	{
	if(a==a/b*b+i)   /* 因为a/b都是整数，所以结果也是整数，小数被截去  */
	return i;        /*  比如a=3，b=2；   满足条件时会有这样的式子成立3==3/2*2+1
	...]]></description><category></category></item><item><title><![CDATA[网络搭建原则与训练技巧]]></title><link>https://blog.youkuaiyun.com/u010299280/article/details/103203001</link><guid>https://blog.youkuaiyun.com/u010299280/article/details/103203001</guid><author>u010299280</author><pubDate>Fri, 22 Nov 2019 16:23:19 +0800</pubDate><description><![CDATA[网络搭建原则与训练技巧


]]></description><category></category></item><item><title><![CDATA[深度学习不work？这有一份超全的Debug检查清单]]></title><link>https://blog.youkuaiyun.com/u010299280/article/details/103081375</link><guid>https://blog.youkuaiyun.com/u010299280/article/details/103081375</guid><author>u010299280</author><pubDate>Fri, 15 Nov 2019 10:56:45 +0800</pubDate><description><![CDATA[为什么需要讨论DL Troubleshooting？
80%-90%时间用于debug和tune，10%-20%时间用于推导数学或者实现。
模型为什么会表现糟糕？

实现时的bug，很多深度学习bug不可见，比如模型label顺序错误
超参数选择，因为模型对超参数比较敏感




数据/模型拟合



数据集创建，常见问题如下：

没有足够数据
类别不平衡
噪声标签
训练和测试的分布不同




...]]></description><category></category></item><item><title><![CDATA[进程和线程的通俗解释]]></title><link>https://blog.youkuaiyun.com/u010299280/article/details/91360598</link><guid>https://blog.youkuaiyun.com/u010299280/article/details/91360598</guid><author>u010299280</author><pubDate>Mon, 10 Jun 2019 09:32:06 +0800</pubDate><description><![CDATA[进程（process）和线程（thread）是操作系统的基本概念，但是它们比较抽象，不容易掌握。最近，我读到一篇材料，发现有一个很好的类比，可以把它们解释地清晰易懂。
1：计算机的核心是CPU，它承担了所有的计算任务。它就像一座工厂，时刻在运行。

2：假定工厂的电力有限，一次只能供给一个车间使用。也就是说，一个车间开工的时候，其他车间都必须停工。背后的含义就是，单个CPU一次只能运行一个任务。
...]]></description><category></category></item><item><title><![CDATA[不用除法运算，如何实现A/3呢？]]></title><link>https://blog.youkuaiyun.com/u010299280/article/details/90410379</link><guid>https://blog.youkuaiyun.com/u010299280/article/details/90410379</guid><author>u010299280</author><pubDate>Tue, 21 May 2019 16:57:27 +0800</pubDate><description><![CDATA[在硬件实现代码时，由于除法器占用资源过多，除数是3的时候可以通过如下方式实现，
Y为被除数，X为所求的商，所有数值都为int整形


]]></description><category></category></item><item><title><![CDATA[AI学习路线，少走弯路，最详细整理。]]></title><link>https://blog.youkuaiyun.com/u010299280/article/details/89639504</link><guid>https://blog.youkuaiyun.com/u010299280/article/details/89639504</guid><author>u010299280</author><pubDate>Sun, 28 Apr 2019 15:42:32 +0800</pubDate><description><![CDATA[基础知识

1、数学
数学是学不完的，也没有几个人能像博士一样扎实地学好数学基础，入门人工智能领域，其实只需要掌握必要的基础知识就好。AI的数学基础最主要是高等数学、线性代数、概率论与数理统计三门课程，这三门课程是本科必修的。这里整理了一个简易的数学入门文章：
数学基础：高等数学
数学基础：线性代数
数学基础：概率论与数理统计
2、统计学
入门教材：《深入浅出统计学》
进阶教材：《商务与经济统计》...]]></description><category></category></item><item><title><![CDATA[计算机视觉知识点总结]]></title><link>https://blog.youkuaiyun.com/u010299280/article/details/89557027</link><guid>https://blog.youkuaiyun.com/u010299280/article/details/89557027</guid><author>u010299280</author><pubDate>Fri, 26 Apr 2019 17:02:33 +0800</pubDate><description><![CDATA[分享一篇计算机视觉知识点的相关博文汇总，非常系统全面
目录

0 计算机视觉四大基本任务
1 经典卷积网络
2 卷积、空洞卷积
3 正则化
4 全卷积网络
5 1x1 卷积核
6 感受野
7 常见损失
8 优化算法
9 concat 和 add的区别
10 注意力机制
11 CNN(卷积神经网络)、RNN(循环神经网络)、DNN(深度神经网络)
12 边框回归
13 非极大值回归(NMS, Sof...]]></description><category></category></item><item><title><![CDATA[100个大型机器学习数据集]]></title><link>https://blog.youkuaiyun.com/u010299280/article/details/88716918</link><guid>https://blog.youkuaiyun.com/u010299280/article/details/88716918</guid><author>u010299280</author><pubDate>Thu, 21 Mar 2019 15:40:48 +0800</pubDate><description><![CDATA[需要翻墙，国外大神收集的，https://www.datasetlist.com/





]]></description><category></category></item><item><title><![CDATA[利用caffe在Windows下实现图像识别]]></title><link>https://blog.youkuaiyun.com/u010299280/article/details/85261991</link><guid>https://blog.youkuaiyun.com/u010299280/article/details/85261991</guid><author>u010299280</author><pubDate>Wed, 26 Dec 2018 14:46:57 +0800</pubDate><description><![CDATA[
		
								            
							
							
							
本系列文章主要介绍了在win10系统下caffe的安装编译，运用CPU和GPU完成简单的小项目，文章之间具有一定延续性。

step1:准备数据集
数据集是进行深度学习的第一步，在这里我们从以下五个链接中下载所需要的数据集：
animal
flower
plane
house
guitar
我们在原先...]]></description><category></category></item><item><title><![CDATA[caffe中利用GoogLeNet进行图像识别]]></title><link>https://blog.youkuaiyun.com/u010299280/article/details/85261885</link><guid>https://blog.youkuaiyun.com/u010299280/article/details/85261885</guid><author>u010299280</author><pubDate>Wed, 26 Dec 2018 14:42:38 +0800</pubDate><description><![CDATA[
		
								            
							
							
							一、准备模型
在这里，我们利用已经训练好的Googlenet进行物体图像的识别，进入Googlenet的GitHub地址，进入models文件夹，选择Googlenet

点击Googlenet的模型下载地址下载该模型到电脑中。
模型结构
在这里，我们利用之前讲到的网络模型绘制网站画出Googlenet...]]></description><category></category></item><item><title><![CDATA[caffe深度学习网络结构可视化工具]]></title><link>https://blog.youkuaiyun.com/u010299280/article/details/85261542</link><guid>https://blog.youkuaiyun.com/u010299280/article/details/85261542</guid><author>u010299280</author><pubDate>Wed, 26 Dec 2018 14:28:25 +0800</pubDate><description><![CDATA[Netscope是个支持prototxt格式描述的神经网络结构的在线可视工具，地址:http://ethereon.github.io/netscope/quickstart.html
它可以用来可视化Caffe结构里prototxt格式的网络结构
使用起来也非常简单，打开这个地址:http://ethereon.github.io/netscope/#/editor
把你的描述神经网络结构的pr...]]></description><category></category></item><item><title><![CDATA[Caffe中MNIST超参数介绍]]></title><link>https://blog.youkuaiyun.com/u010299280/article/details/85261251</link><guid>https://blog.youkuaiyun.com/u010299280/article/details/85261251</guid><author>u010299280</author><pubDate>Wed, 26 Dec 2018 14:13:03 +0800</pubDate><description><![CDATA[下面为网络结构模型
%网络结构模型
name: &quot;LeNet&quot;               #网络的名字&quot;LeNet&quot;
layer {                     #定义一个层
  name: &quot;mnist&quot;             #层的名字&quot;mnist&quot;
  type: &quot;Data&quot;              #层的类型&quot;Data&quot;，表明数据来源于LevelDB或LMDB。]]></description><category></category></item><item><title><![CDATA[git clone速度慢解决方案]]></title><link>https://blog.youkuaiyun.com/u010299280/article/details/85061230</link><guid>https://blog.youkuaiyun.com/u010299280/article/details/85061230</guid><author>u010299280</author><pubDate>Tue, 18 Dec 2018 10:40:55 +0800</pubDate><description><![CDATA[git clone 速度慢解决方案windowslinux
windows
ping global-ssl.fastly.Net
ping github.com
将获得的IP加入到C:\Windows\System32\drivers\etc\hosts  中
linux
将获得的公网IP加入到 /etc/hosts 中
起飞！！

...]]></description><category></category></item><item><title><![CDATA[有监督学习与无监督学习的几大区别]]></title><link>https://blog.youkuaiyun.com/u010299280/article/details/82981106</link><guid>https://blog.youkuaiyun.com/u010299280/article/details/82981106</guid><author>u010299280</author><pubDate>Tue, 09 Oct 2018 13:39:26 +0800</pubDate><description><![CDATA[当下无监督作为一种热门的机器学习技术，网上有不少关于无监督与有监督差异讨论的文章。DataVisor作为率先将无监督技术运用在反欺诈行业的娇娇领先者，我们在本文中，将深入浅出的讲解无监督机器学习技术与有监督技术在不同方面的区别，通过对比这两种技术，让大家对无监督反欺诈技术有更好的了解。
对比一 ： 有标签 vs 无标签
有监督机器学习又被称为“有老师的学习”，所谓的老师就是标签。有监督的过程为先通...]]></description><category></category></item><item><title><![CDATA[了解区块链，你需要阅读这几篇文章！]]></title><link>https://blog.youkuaiyun.com/u010299280/article/details/82977605</link><guid>https://blog.youkuaiyun.com/u010299280/article/details/82977605</guid><author>u010299280</author><pubDate>Tue, 09 Oct 2018 09:37:22 +0800</pubDate><description><![CDATA[
概念篇
标题：原来区块链的诞生是因为村长的咸猪手
来源：雪球公众号
这是目前为止，看的最为通俗易懂的文章。从举例说起，谈起区块链的应用。这个可以和知乎的这一篇放在一起看。不过，知乎的文章大多是抖机灵，在后面阐述时就力不从心。这篇文章的作者估计是雪球社区的，从投资的角度来说，怎么包装一个ICO项目，有何价值。对于普通百姓来说，重要原则是，不懂不买。不过，你总之是当韭菜，还是随便买一点吧，免得后悔。...]]></description><category></category></item><item><title><![CDATA[如何利用Keras训练好的.h5模型来测试一个实例]]></title><link>https://blog.youkuaiyun.com/u010299280/article/details/82852727</link><guid>https://blog.youkuaiyun.com/u010299280/article/details/82852727</guid><author>u010299280</author><pubDate>Wed, 26 Sep 2018 14:18:35 +0800</pubDate><description><![CDATA[环境：python 3.6 +opencv3+Keras
训练集：MNIST
下面划重点：因为MNIST使用的是黑底白字的图片，所以你自己手写数字的时候一定要注意把得到的图片也改成黑底白字的，否则会识别错（至少我得到的结论是这样的 ，之前用白底黑字的图总是识别出错）	
注意：需要测试图片需要为与训练模时相同大小的图片，RGB图像需转为gray
代码:
import cv2
import numpy...]]></description><category></category></item></channel></rss>