<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[wzy的博客]]></title><description><![CDATA[苦尽甘来]]></description><link>https://blog.youkuaiyun.com/u014696921</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; u014696921]]></copyright><item><title><![CDATA[pip install Error - ReadTimeoutError: HTTPSConnectionPool(host='pypi.python.org', port=443): Read]]></title><link>https://blog.youkuaiyun.com/u014696921/article/details/78401508</link><guid>https://blog.youkuaiyun.com/u014696921/article/details/78401508</guid><author>u014696921</author><pubDate>Tue, 31 Oct 2017 11:26:59 +0800</pubDate><description><![CDATA[pip install Error
OSX 终端更新pip出错 sudo pip install --upgrade pip :

1.ReadTimeoutError: HTTPSConnectionPool(host=’pypi.python.org’, port=443): Read

解决办法: 加大超时时间，如 pip --default-timeout=100 install]]></description><category></category></item><item><title><![CDATA[深入浅出 GAN·原理篇文字版（完整）| 干货]]></title><link>https://blog.youkuaiyun.com/u014696921/article/details/77430260</link><guid>https://blog.youkuaiyun.com/u014696921/article/details/77430260</guid><author>u014696921</author><pubDate>Sun, 20 Aug 2017 16:55:57 +0800</pubDate><description><![CDATA[常见GAN
最后，作为 GAN 专题的结尾，我们列举一下目前常见的 GAN 模型（可以根据 arxiv id 去寻找、下载文献），欢迎补充。
GAN - Ian Goodfellow, arXiv:1406.2661v1
DCGAN - Alec Radford & Luke Metz, arxiv:1511.06434
CGAN - Mehdi Mirza, arXiv:1411.178]]></description><category></category></item><item><title><![CDATA[清华梦的粉碎—写给清华大学的退学申请 /王垠]]></title><link>https://blog.youkuaiyun.com/u014696921/article/details/77428633</link><guid>https://blog.youkuaiyun.com/u014696921/article/details/77428633</guid><author>u014696921</author><pubDate>Sun, 20 Aug 2017 14:14:18 +0800</pubDate><description><![CDATA[今天无意中同事给我提到一个人，那就是王银，在网上看了关于他的神话，网上对他的言论还是很大的，这个人我不能评价他是个什么样的人，但他是我很值得敬佩的人。很赞。
也许中国目前的教育就是这样的，我虽然不是什么牛逼的学校出来的，没吃过猪肉，难道还没见过猪跑么？当下就是做好自己，我妈一直跟我说，你要做一个善良，勇敢的人，当一个人有危险的时候，要确保自己安全的情况下，你才可以去救别人。把当下的事做好，再去实]]></description><category></category></item><item><title><![CDATA[c++中STL库 简介 及 使用说明]]></title><link>https://blog.youkuaiyun.com/u014696921/article/details/77363688</link><guid>https://blog.youkuaiyun.com/u014696921/article/details/77363688</guid><author>u014696921</author><pubDate>Fri, 18 Aug 2017 09:57:20 +0800</pubDate><description><![CDATA[作为C++标准不可缺少的一部分，STL应该是渗透在C++程序的角角落落里的。STL不是实验室里的宠儿，也不是程序员桌上的摆设，她的激动人心并非昙花一现。本教程旨在传播和普及STL的基础知识，若能借此机会为STL的推广做些力所能及的事情，到也是件让人愉快的事情。   

初识STL：解答一些疑问   

1.1 一个最关心的问题：什么是STL   

"什么是STL？"，假如你对STL还]]></description><category></category></item><item><title><![CDATA[Caffe Blob Dtype理解]]></title><link>https://blog.youkuaiyun.com/u014696921/article/details/77234831</link><guid>https://blog.youkuaiyun.com/u014696921/article/details/77234831</guid><author>u014696921</author><pubDate>Wed, 16 Aug 2017 11:26:04 +0800</pubDate><description><![CDATA[Blob 在 Caffe 中扮演了重要的角色，用于存储数据和网络参数，同时也在 CPU 和 GPU 之间做了数据同步。Blob 原本在 Caffe 中被表示为一个 4 维数组 (num x channel x height x width)，现在可以表示多维数组，最高维数由宏 kMaxBlobAxes 确定，目前
 blob.hpp 中设置了 const int kMaxBlobAxes = 3]]></description><category></category></item><item><title><![CDATA[caffe.proto详解]]></title><link>https://blog.youkuaiyun.com/u014696921/article/details/77192398</link><guid>https://blog.youkuaiyun.com/u014696921/article/details/77192398</guid><author>u014696921</author><pubDate>Tue, 15 Aug 2017 15:11:43 +0800</pubDate><description><![CDATA[引言

要看caffe源码，我认为首先应该看的就是caffe.proto。 
它位于…\src\caffe\proto目录下，在这个文件夹下还有一个.pb.cc和一个.pb.h文件，这两个文件都是由caffe.proto编译而来的。 
在caffe.proto中定义了很多结构化数据，包括：

BlobProtoDatumFillerParameterNetParameterSolver]]></description><category></category></item><item><title><![CDATA[caffe 解析 protobuf相关知识点]]></title><link>https://blog.youkuaiyun.com/u014696921/article/details/77189727</link><guid>https://blog.youkuaiyun.com/u014696921/article/details/77189727</guid><author>u014696921</author><pubDate>Tue, 15 Aug 2017 14:50:13 +0800</pubDate><description><![CDATA[要通信，必须有协议，否则双方无法理解对方的码流。在protobuf中，协议是由一系列的消息组成的。因此最重要的就是定义通信时使用到的消息格式。

 

Protobuf消息定义

消息由至少一个字段组合而成，类似于C语言中的结构。每个字段都有一定的格式。

字段格式：限定修饰符① | 数据类型② | 字段名称③ | = | 字段编码值④ | [字段默认值⑤]

①．限定修饰符包]]></description><category></category></item><item><title><![CDATA[Caffe 训练时loss等于87.33的原因及解决方法]]></title><link>https://blog.youkuaiyun.com/u014696921/article/details/76976814</link><guid>https://blog.youkuaiyun.com/u014696921/article/details/76976814</guid><author>u014696921</author><pubDate>Wed, 09 Aug 2017 11:28:16 +0800</pubDate><description><![CDATA[如题，在caffe训练时，遇到这个特殊的数字之后，loss会一直就是这个数字。 
网上虽然有很多针对这个问题调参的trick，但少有详细的分析，因此，有必要研究一下caffe的源代码。 
softmax的公式为 
pk=exp(xk)∑iexp(xi) 
其中x为softmax前一层的输出

softmax的loss计算公式也很简单，就是对softmax之后预测的概率做对数似然函数 ]]></description><category></category></item><item><title><![CDATA[Python： Windows下pip安装库出错：Microsoft Visual C++ 9.0 is required < Unable to find vcvarsall.bat]]></title><link>https://blog.youkuaiyun.com/u014696921/article/details/76685826</link><guid>https://blog.youkuaiyun.com/u014696921/article/details/76685826</guid><author>u014696921</author><pubDate>Fri, 04 Aug 2017 15:14:13 +0800</pubDate><description><![CDATA[一直在用Linux， 最近想在windows下使用Python。 
当我想安装Matplotlib module的时候， 出现以下错误。Microsoft Visual C++ 9.0 is required   
想起来自己一直没有安装VS  - -！。 后来安装之后错误依旧。
后续解决办法如下：


For Windows installations:

While runni]]></description><category></category></item><item><title><![CDATA[Caffe-Miscoroft无训练日志解决方法]]></title><link>https://blog.youkuaiyun.com/u014696921/article/details/76422710</link><guid>https://blog.youkuaiyun.com/u014696921/article/details/76422710</guid><author>u014696921</author><pubDate>Mon, 31 Jul 2017 11:00:59 +0800</pubDate><description><![CDATA[Caffe的训练日志就是我们在命令窗口中看到的训练时打印出来的信息，我们可以利用这些信息画训练时loss

accruacy图，至于怎么利用这些信息画出这两个图是下一篇将要讲述的问题。我们先来看看这些保存在什么地方。如果你是使用的Caffe-Windows版本是happynear大神编译的老版本，那你应该会在bin文件下发现一个log文件夹，里面保存的就是我们需要的训练文件，文件名上有时间，可]]></description><category></category></item><item><title><![CDATA[8种常见机器学习算法比较]]></title><link>https://blog.youkuaiyun.com/u014696921/article/details/76375697</link><guid>https://blog.youkuaiyun.com/u014696921/article/details/76375697</guid><author>u014696921</author><pubDate>Sun, 30 Jul 2017 11:15:12 +0800</pubDate><description><![CDATA[简介

机器学习算法太多了，分类、回归、聚类、推荐、图像识别领域等等，要想找到一个合适算法真的不容易，所以在实际应用中，我们一般都是采用启发式学习方式来实验。通常最开始我们都会选择大家普遍认同的算法，诸如SVM，GBDT，Adaboost，现在深度学习很火热，神经网络也是一个不错的选择。假如你在乎精度（accuracy）的话，最好的方法就是通过交叉验证（cross-validation）对各个]]></description><category></category></item><item><title><![CDATA[error: Setup script exited with error: command 'x86_64-linux-gnu-gcc' failed with exit status 1]]></title><link>https://blog.youkuaiyun.com/u014696921/article/details/76358900</link><guid>https://blog.youkuaiyun.com/u014696921/article/details/76358900</guid><author>u014696921</author><pubDate>Sat, 29 Jul 2017 22:00:42 +0800</pubDate><description><![CDATA[sudo apt-get install build-essential autoconf libtool pkg-config python-opengl python-imaging python-pyrex python-pyside.qtopengl idle-python2.7 qt4-dev-tools qt4-designer libqtgui4 libqtcore4 libqt4-]]></description><category></category></item><item><title><![CDATA[C++封装DLL并调用]]></title><link>https://blog.youkuaiyun.com/u014696921/article/details/76358765</link><guid>https://blog.youkuaiyun.com/u014696921/article/details/76358765</guid><author>u014696921</author><pubDate>Sat, 29 Jul 2017 21:42:02 +0800</pubDate><description><![CDATA[身为学渣，总是学完就忘，所以写下来方便自己以后查看，也是为其他小白提供一点思路。

参考的资料：http://blog.youkuaiyun.com/u011221078/article/details/41308217

http://blog.sina.com.cn/s/blog_7939cf980102v052.html





一、生成DLL

VS2013——建立win32]]></description><category></category></item><item><title><![CDATA[方差、标准差、均方差、均方误差区别总结]]></title><link>https://blog.youkuaiyun.com/u014696921/article/details/76357995</link><guid>https://blog.youkuaiyun.com/u014696921/article/details/76357995</guid><author>u014696921</author><pubDate>Sat, 29 Jul 2017 20:30:07 +0800</pubDate><description><![CDATA[一、百度百科上方差是这样定义的： 
（variance)是在概率论和统计方差衡量随机变量或一组数据时离散程度的度量。概率论中方差用来度量随机变量和其数学期望（即均值）之间的偏离程度。统计中的方差（样本方差）是各个数据分别与其平均数之差的平方的和的平均数。在许多实际问题中，研究方差即偏离程度有着重要意义。 
看这么一段文字可能有些绕，那就先从公式入手， 
对于一组随机变量或者统计数据，其期望值]]></description><category></category></item><item><title><![CDATA[Hessian矩阵与多元函数极值]]></title><link>https://blog.youkuaiyun.com/u014696921/article/details/76357808</link><guid>https://blog.youkuaiyun.com/u014696921/article/details/76357808</guid><author>u014696921</author><pubDate>Sat, 29 Jul 2017 20:29:12 +0800</pubDate><description><![CDATA[Hessian矩阵与多元函数极值

海塞矩阵（Hessian Matrix），又译作海森矩阵，是一个多元函数的二阶偏导数构成的方阵。尽管它是一个具有悠久历史的数学成果，但是在机器学习和图像处理（例如SIFT和SURF特征检测）中，我们也常常遇到它。所以本文就来向读者道一道Hessian
 Matrix的来龙去脉。本文的主要内容包括：

多元函数极值问题泰勒展开式与Hessian矩阵
]]></description><category></category></item><item><title><![CDATA[“看懂”卷积神经网(Visualizing and Understanding Convolutional Networks)(转载)]]></title><link>https://blog.youkuaiyun.com/u014696921/article/details/76290602</link><guid>https://blog.youkuaiyun.com/u014696921/article/details/76290602</guid><author>u014696921</author><pubDate>Sat, 29 Jul 2017 09:40:23 +0800</pubDate><description><![CDATA[在所有深度网络中，卷积神经网和图像处理最为密切相关，卷积网在很多图片分类竞赛中都取得了很好的效果，但卷积网调参过程很不直观，很多时候都是碰运气。为此，卷积网发明者Yann LeCun的得意门生Matthew Zeiler在2013年专门写了一篇论文，阐述了如何用反卷积网络可视化整个卷积网络，并进行分析和调优。由于课题研究需要使用卷积网，本人凭自己的理解将该文翻译成了中文，内容没有严格对齐原文，水平]]></description><category></category></item><item><title><![CDATA[python中的sort方法使用详解]]></title><link>https://blog.youkuaiyun.com/u014696921/article/details/76255297</link><guid>https://blog.youkuaiyun.com/u014696921/article/details/76255297</guid><author>u014696921</author><pubDate>Fri, 28 Jul 2017 14:36:18 +0800</pubDate><description><![CDATA[http://www.jb51.net/article/52730.htm]]></description><category></category></item><item><title><![CDATA[python matplotlib图像的绘制]]></title><link>https://blog.youkuaiyun.com/u014696921/article/details/76254734</link><guid>https://blog.youkuaiyun.com/u014696921/article/details/76254734</guid><author>u014696921</author><pubDate>Fri, 28 Jul 2017 14:25:48 +0800</pubDate><description><![CDATA[实际上前面我们就已经用到了图像的绘制，如：

io.imshow(img)  

这一行代码的实质是利用matplotlib包对图片进行绘制，绘制成功后，返回一个matplotlib类型的数据。因此，我们也可以这样写：

import matplotlib.pyplot as plt
plt.imshow(img)


imshow()函数格式为：

matplotlib.p]]></description><category></category></item><item><title><![CDATA[inspect使用（Python）]]></title><link>https://blog.youkuaiyun.com/u014696921/article/details/76253013</link><guid>https://blog.youkuaiyun.com/u014696921/article/details/76253013</guid><author>u014696921</author><pubDate>Fri, 28 Jul 2017 14:01:41 +0800</pubDate><description><![CDATA[使用import inspect查看python 类的参数和模块、函数代码

 文件就是最小的模块，文件夹是比较大的模块。

文件里面可以包含类，函数。

函数可以执行一个操作，多个函数组合在一起可以写为一个模块，根据不同事物写成一个类，这个类包含几个行为写成几个类内的函数，也可以将这些作为一个文件。

主要步骤是将文件路径设置到系统，再将文件作为模块引入，再开始查看文件里面的内容]]></description><category></category></item><item><title><![CDATA[【OpenFace】]]></title><link>https://blog.youkuaiyun.com/u014696921/article/details/75982261</link><guid>https://blog.youkuaiyun.com/u014696921/article/details/75982261</guid><author>u014696921</author><pubDate>Mon, 24 Jul 2017 10:21:09 +0800</pubDate><description><![CDATA[OpenFace：

http://cmusatyalab.github.io/openface/







一、什么是Openface？



Openface是一个基于深度神经网络的开源人脸识别系统。该系统基于谷歌的文章FaceNet: A Unified Embedding for Face Recognition and
 Clustering。Openf]]></description><category></category></item></channel></rss>