<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[vicky_white的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/vicky_white</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; vicky_white]]></copyright><item><title><![CDATA[Syncthing VS Resilio Sync VS Nextcloud 文件同步服务对比]]></title><link>https://blog.youkuaiyun.com/vicky_white/article/details/112553131</link><guid>https://blog.youkuaiyun.com/vicky_white/article/details/112553131</guid><author>vicky_white</author><pubDate>Wed, 13 Jan 2021 09:04:46 +0800</pubDate><description><![CDATA[Syncthing VS Resilio Sync VS Nextcloud 文件同步服务对比


			功能
			
			
			Syncthing
			
			
			Resilio Sync
			
			
			Nextcloud
			
		
			版本控制
			
			
			阶段性版本控制
			
			
			回收站
			
			
			限客户端
			
		
			网络环境
			
			
			1. 同步无限制

			2. 中区中转服务器稀少
			
			
			1. 同步无]]></description><category></category></item><item><title><![CDATA[神经网络结构的发展与变迁---LeNet\AlexNet\VGGNet\GoodleNet\ResNet\U-Net\DenseNet\FCN\Deeplab系列---下篇]]></title><link>https://blog.youkuaiyun.com/vicky_white/article/details/112477196</link><guid>https://blog.youkuaiyun.com/vicky_white/article/details/112477196</guid><author>vicky_white</author><pubDate>Tue, 12 Jan 2021 23:00:43 +0800</pubDate><description><![CDATA[神经网络结构的发展与变迁---LeNet\AlexNet\VGGNet\GoodleNet\ResNet\U-Net\DenseU-Net\FCN\Deeplab系列---下篇

5.因为网络越深，能获取的信息越多，特征也越丰富。但是根据实验表明，随着网络的加深，优化效果反而越差，测试数据和训练数据的准确率反而降低了。这是由于网络的加深会造成梯度爆炸和梯度消失的问题。ResNet是一种残差网络，经过堆叠可以构成一个很深的网络。H(x) = F(x)+x是ResNet网络的核心，ResNet的网络结构图如下所]]></description><category></category></item><item><title><![CDATA[神经网络结构的发展与变迁---LeNet\AlexNet\VGGNet\GoodleNet\ResNet\U-Net\DenseNet\FCN\Deeplab系列---上篇]]></title><link>https://blog.youkuaiyun.com/vicky_white/article/details/111996990</link><guid>https://blog.youkuaiyun.com/vicky_white/article/details/111996990</guid><author>vicky_white</author><pubDate>Mon, 11 Jan 2021 16:55:06 +0800</pubDate><description><![CDATA[神经网络结构的发展与变迁---LeNet\AlexNet\VGGNet\GoodleNet\ResNet\U-Net\DenseU-Net\FCN\Deeplab系列---上篇

1.LeNet是早期（1994年）的神经网络之一，用于手写数字识别，由卷积层，池化层，全连接层组成，网络结构如下图所示：



2..AlexNet是首个实用性很强的卷积神经网络由卷积操，池化层，全连接层，softmax层以及RELU、Dropout构成。首次提出在2012年的ILSVRC大规模视觉识别竞赛上。其网络结构如下图所示]]></description><category></category></item><item><title><![CDATA[LINUX下配置多个python版本---修改pip指向新安装版本]]></title><link>https://blog.youkuaiyun.com/vicky_white/article/details/111707953</link><guid>https://blog.youkuaiyun.com/vicky_white/article/details/111707953</guid><author>vicky_white</author><pubDate>Mon, 28 Dec 2020 21:43:16 +0800</pubDate><description><![CDATA[LINUX下配置多个python版本

总之因为这样那样的原因，遇到了要在服务器端配置多个python版本的情况。首先想到的是建立自己的虚拟环境，参考如下链接：https://blog.youkuaiyun.com/qq_45603919/article/details/108924018

但是，，，emmm遇到了服务器经常断网的问题，所以想到screen命令，参考如下：

建立会话：screen -S xxx

重新加载会话：screen -rd xxx

结束会话：screen -X -S xxx quit...]]></description><category></category></item><item><title><![CDATA[面试贴之算法岗---深度学习]]></title><link>https://blog.youkuaiyun.com/vicky_white/article/details/109515761</link><guid>https://blog.youkuaiyun.com/vicky_white/article/details/109515761</guid><author>vicky_white</author><pubDate>Thu, 05 Nov 2020 17:20:10 +0800</pubDate><description><![CDATA[面试贴之算法岗---深度学习

做个总结记录吧，有些问题还是不错的。

1：平时用什么损失函数比较多点？怎么理解熵的概念？

2：谈谈极大似然估计？

3：标准差，方差，期望？

4：maxpooling求导？

5：常用的框架？

6：模型评价指标？

7：未来几年的技术发展？

8：有没有考虑过图像处理技术除了现阶段的应用还有哪些应用领域？

9：说一下你最熟悉的深度学习算法？

10：有哪些调参的方法？你的经验？

11：常用的激活函数有哪些？优缺点？

12：面试过哪些家？为啥他们不给你OFFER？]]></description><category></category></item><item><title><![CDATA[卷积网络的基础知识与相关计算]]></title><link>https://blog.youkuaiyun.com/vicky_white/article/details/109000387</link><guid>https://blog.youkuaiyun.com/vicky_white/article/details/109000387</guid><author>vicky_white</author><pubDate>Sat, 10 Oct 2020 23:02:52 +0800</pubDate><description><![CDATA[卷积网络的基础知识与相关计算

1.卷积网络与全连接的不同之处在于它的局部连接和权值共享特性,使其保持输入输出数据的结构化。如果是全连接输出数据会被展平成一维数组，丧失数据在结构上的对应关系。

2.感受野的定义：对于某层输出特征图上的某个点，在卷积神经网络的原始输入数据上能影响到这个点取值的区域。

3.输出尺寸等于(输入尺寸+2*填充大小-卷积核大小)/步长，向下取整后+1

4.填充模式有padding=same此时输出特征图尺寸为(输入尺寸-1)/步长，向下取整后+1，padding=valid此时]]></description><category></category></item><item><title><![CDATA[python  深度学习工具库]]></title><link>https://blog.youkuaiyun.com/vicky_white/article/details/108856896</link><guid>https://blog.youkuaiyun.com/vicky_white/article/details/108856896</guid><author>vicky_white</author><pubDate>Sat, 03 Oct 2020 14:54:14 +0800</pubDate><description><![CDATA[python 深度学习工具库

1.pandas:

Python数据分析的工具包，它是基于NumPy构建的.

作用：

具备对齐功能的数据结构DataFrame、Series
	集成时间序列功能
	提供丰富的数学运算和操作
	灵活处理缺失数据的函数和方法


2.skimage :

PIL和Pillow只提供最基础的数字图像处理，功能有限；opencv实际上是一个c++库，只是提供了python接口，更新速度非常慢。scikit-image是基于scipy的一款图像处理包，它将图片作为numpy数..]]></description><category></category></item><item><title><![CDATA[Tensorflow例程]]></title><link>https://blog.youkuaiyun.com/vicky_white/article/details/108193081</link><guid>https://blog.youkuaiyun.com/vicky_white/article/details/108193081</guid><author>vicky_white</author><pubDate>Mon, 24 Aug 2020 11:48:19 +0800</pubDate><description><![CDATA[Tensorflow例程

1.创建图

import tensorflow as tf



m1=tf.constant([[3,3]])

m2=tf.constant([[4],[4]])

product=tf.matmul(m1,m2)

printf(product)

//输出一个tensor shapw=(1,1),dtype=int32



sess=tf.Session()

result=sess.run.(product)

print(result)

sess.clo...]]></description><category></category></item><item><title><![CDATA[浅谈深度学习框架---Tensorflow、pytorch、caffe、keras]]></title><link>https://blog.youkuaiyun.com/vicky_white/article/details/108110256</link><guid>https://blog.youkuaiyun.com/vicky_white/article/details/108110256</guid><author>vicky_white</author><pubDate>Wed, 19 Aug 2020 21:44:25 +0800</pubDate><description><![CDATA[浅谈深度学习框架---Tensorflow、pytorch、caffe、keras

 神经网络的层数越深，模型训练加上反向传播的代码实现就越繁琐，神经网络的框架就很有必要。框架的作用就是让你简化代码，提升开发效率。

 Theano是早期的深度学习框架，但是这个框架已经停止开发。caffe与keras是高层的深度学习框架可以快速地验证模型，Tensorflow与pytorch是底层的深度学习框架可以实现对神经网络底层细节的修改。Tensorflow由谷歌团队开发，keras可以看作是T...]]></description><category></category></item><item><title><![CDATA[prim构建带权无向图最小生成树]]></title><link>https://blog.youkuaiyun.com/vicky_white/article/details/107846984</link><guid>https://blog.youkuaiyun.com/vicky_white/article/details/107846984</guid><author>vicky_white</author><pubDate>Thu, 06 Aug 2020 20:55:00 +0800</pubDate><description><![CDATA[prim构建带权无向图最小生成树





//初始化U={v}，v到其他顶点的所有边为候选边，从候选边中挑选权值最小的边输出，设该边在V-U集合中的
//顶点是k将k加入U集合中。考察V-U中所有顶点j,修改候选边。
# define INF 3999
void Prim(MGraph g, int v)
{
 int lowcost[MAXV];
 int min;
 int closest[MAXV],i,j,k;
 for (i = 0;i &lt; g.n;i++)
...]]></description><category></category></item><item><title><![CDATA[深度学习之tensorflow简记--计算图]]></title><link>https://blog.youkuaiyun.com/vicky_white/article/details/107835984</link><guid>https://blog.youkuaiyun.com/vicky_white/article/details/107835984</guid><author>vicky_white</author><pubDate>Thu, 06 Aug 2020 15:49:16 +0800</pubDate><description><![CDATA[深度学习之tensorflow

维基百科对深度学习的定义：一类通过多层非线性变换对高复杂性数据建模算法的合集。

tensorflow是一个通过计算图的形式来表述计算的编程系统。节点之间的边描述了计算之间的依赖关系。tensorflow计算的结果不是一个具体的数字而是一个张量，张量保存了三个属性，name,shape,type。tf.matmul实现了矩阵的乘法功能。

tensorflow可以通过tf.resize_images函数对图像大小做调整（双线性差值，面积插值）tensorflow提供函数对图]]></description><category></category></item><item><title><![CDATA[Python与C、C++------学习总结]]></title><link>https://blog.youkuaiyun.com/vicky_white/article/details/107442502</link><guid>https://blog.youkuaiyun.com/vicky_white/article/details/107442502</guid><author>vicky_white</author><pubDate>Wed, 22 Jul 2020 20:09:46 +0800</pubDate><description><![CDATA[Python与C、C++------学习总结

如果学了多种计算机语言还是很有必要去做一些总结分析的。这是我自己的学习笔记，我只是结合自己的经验给自己梳理一下罢了。

去讨论哪种语言更好是没有意义的，哲学上说存在即是有意义的。

1.编程思想

如果别人问我这几种语言的区别，我觉得最大的区别是编程时候考虑问题的角度不同。C是面向过程的，C++和python 是面向对象的。比方说吃饭这件事情。

C：1.拿起碗筷2.将饭菜放进嘴里3.咀嚼4.咽下去

C++/python：定义对象，手对象Hand，方法get]]></description><category></category></item><item><title><![CDATA[深度学习框架之pytorch]]></title><link>https://blog.youkuaiyun.com/vicky_white/article/details/107477618</link><guid>https://blog.youkuaiyun.com/vicky_white/article/details/107477618</guid><author>vicky_white</author><pubDate>Wed, 22 Jul 2020 19:58:56 +0800</pubDate><description><![CDATA[深度学习框架之pytorch

先来说说pytorch 和tensorflow、keras的区别吧

PyTorch 很简洁、易于使用、支持动态计算图而且内存使用很高效,提供大量模块化组件，支持丰富的预训练模型。

训练时间上有差别：PyTorch 上训练一个数据集，那么你可以使用 GPU 来增强其训练过程，因为它们运行在 CUDA（一种 C++ 后

端）上。TensorFlow ，运行速度慢。keras为支持快速实验而生，但是过度封装导致

失去灵活性，程序缓慢。

pytorch的一些小结：

Ten]]></description><category></category></item><item><title><![CDATA[深度学习的框架之keras]]></title><link>https://blog.youkuaiyun.com/vicky_white/article/details/107470700</link><guid>https://blog.youkuaiyun.com/vicky_white/article/details/107470700</guid><author>vicky_white</author><pubDate>Mon, 20 Jul 2020 22:53:50 +0800</pubDate><description><![CDATA[深度学习的框架之keras

老早之前写过一些深度学习框架的常识。但是太不具体了。这次出一个系列的，今天就单独写keras的相关知识。

张量概念介绍

张量概念是矢量概念和矩阵概念的推广,标量是零阶张量,矢量是一阶张量,矩阵（方阵）是二阶张量,而三阶张量则好比立体矩阵,

两个张量的点积就是将A张量的最后一个轴中的所有元素，与B张量中倒数第二个轴的所有元素对应相乘后相加的结果，也就是

dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])。如果有线性代数的基础，张量的]]></description><category></category></item><item><title><![CDATA[python的应用小例子---绘图]]></title><link>https://blog.youkuaiyun.com/vicky_white/article/details/107451119</link><guid>https://blog.youkuaiyun.com/vicky_white/article/details/107451119</guid><author>vicky_white</author><pubDate>Sun, 19 Jul 2020 21:17:42 +0800</pubDate><description><![CDATA[python的应用小例子---绘图

先来记录一些规则：


别名             颜色   

b               蓝色  
g               绿色
r               红色  
y               黄色
c               青色
k               黑色  


标记maker            描述

‘o’                 圆圈  
‘.’                 点
‘D’        ]]></description><category></category></item><item><title><![CDATA[python的应用小例子-------网页数据抓取与分析]]></title><link>https://blog.youkuaiyun.com/vicky_white/article/details/107449459</link><guid>https://blog.youkuaiyun.com/vicky_white/article/details/107449459</guid><author>vicky_white</author><pubDate>Sun, 19 Jul 2020 19:43:22 +0800</pubDate><description><![CDATA[python的一些应用小例子---网页数据抓取与分析

网页数据抓取与分析

先来看一些方法

match():

在string中查找符合正则表达式规则的字符串，遇到第一个不符合的结束

import re

pat = re.compile('[a-z]+' )

m = pat.match('tedhh23jdksj') //m = re.match(r ' [a-z]+'，'tedhh23jdksj')

printf(m)

--------&lt;_sre.SRE_Match obje...]]></description><category></category></item><item><title><![CDATA[做深度学习图像语义分割实验常用LINUX命令]]></title><link>https://blog.youkuaiyun.com/vicky_white/article/details/107429988</link><guid>https://blog.youkuaiyun.com/vicky_white/article/details/107429988</guid><author>vicky_white</author><pubDate>Sat, 18 Jul 2020 22:18:41 +0800</pubDate><description><![CDATA[常用LINUX命令

做个笔记。。。。

cat /usr/local/cuda/a.txt 查看

nvidia-smi 查看GPU

pgrep ssh 查看进程

cd /tmp/ 进入某个路径
ls 显示文件夹下内容 
mv Internet ~ move to the main
pwd 查看当前路径
cd 文件名 进入到该文件

ls 显示当前文件夹所有文件

mkdir 文件夹名字 创建文件夹

touch 111.txt 创建文件

rm -rf ...]]></description><category></category></item><item><title><![CDATA[Linux环境下搭建深度学习环境]]></title><link>https://blog.youkuaiyun.com/vicky_white/article/details/107425244</link><guid>https://blog.youkuaiyun.com/vicky_white/article/details/107425244</guid><author>vicky_white</author><pubDate>Sat, 18 Jul 2020 11:15:34 +0800</pubDate><description><![CDATA[Linux环境下搭建深度学习环境

 其实最近有在学习一些公司的AI开发应用平台，很好用，傻瓜式的那种，不过毕竟是别人的环境很平台，而且需要收费，如果我们自己有不错的服务器资源，就应该尝试自己去搭建深度学习的环境了。

 记录一下我自己的经验，以及遇到的一些问题。



1.使用ssh命令登录服务器：
ssh -p 端口号 用户名@主机地址
登陆密码


2.CUDA-----https://www.cnblogs.com/godislight/p/10576045.html...]]></description><category></category></item><item><title><![CDATA[网络模型的鲁棒性（结合实例）与提升鲁棒性的方法]]></title><link>https://blog.youkuaiyun.com/vicky_white/article/details/107213933</link><guid>https://blog.youkuaiyun.com/vicky_white/article/details/107213933</guid><author>vicky_white</author><pubDate>Wed, 08 Jul 2020 20:36:18 +0800</pubDate><description><![CDATA[网络模型的鲁棒性与提升鲁棒性的方法

1.定义：在统计学领域和机器学习领域，对异常值也能保持稳定、可靠的性质，称为鲁棒性。比如说，计算机软件在输入错误、磁盘故障、网络过载或有意攻击情况下，能否不死机、不崩溃，就是该软件的鲁棒性。所谓“鲁棒性”，是指控制系统在一定（结构，大小）的参数摄动下，维持某些性能的特性。有一个与鲁棒性很相似的概念叫模型的泛化能力。

泛化能力：（generalization ability）是指机器学习算法对新鲜样本的适应能力，对具有同一规律的学习集以外的数据，经过训练的网络也能给出合]]></description><category></category></item><item><title><![CDATA[智能视觉及大数据介绍]]></title><link>https://blog.youkuaiyun.com/vicky_white/article/details/107144280</link><guid>https://blog.youkuaiyun.com/vicky_white/article/details/107144280</guid><author>vicky_white</author><pubDate>Sun, 05 Jul 2020 21:38:04 +0800</pubDate><description><![CDATA[智能视觉及大数据介绍---不同专业的相关疑惑

------文章内容来源于博主的某次会议笔记

视觉大数据来源于网络上产生的大量视频与图片，图像视频大数据是人工智能的突破口，是信息产业新的增长点

视觉大数据需要智能的算法和强大的处理平台

数据出处的真实可靠是对大数据进行科学分析、挖掘、和研究的前提。

实时在线的数据渐渐成为视觉大数据关注的热点。

算法和数据是AI的重要支撑。

深度卷积神经网络在视觉与自然语言处理方面取得成功。

大数据相关的技术有图像分类、目标检测、目标跟踪、语义分割、实例分割、视]]></description><category></category></item></channel></rss>