<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[闲敲棋子落灯花]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/volvet</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; volvet]]></copyright><item><title><![CDATA[线性拟合的实现]]></title><link>https://blog.youkuaiyun.com/volvet/article/details/86660432</link><guid>https://blog.youkuaiyun.com/volvet/article/details/86660432</guid><author>volvet</author><pubDate>Sat, 26 Jan 2019 20:39:48 +0800</pubDate><description><![CDATA[很多机器学习或者自适应场景需要对某个特征变化趋势进行分析,  如果假定该特征是线形特征, 则需对其趋势作线性拟合.   问题可以描述为:
存在样本集(xi,yi)(x_i, y_i)(xi​,yi​), 样本集的数量为nnn. 假设满足下列关系:   y=mx+by = mx + by=mx+b, 期望求得m,bm, bm,b的值, 使误差最小.
ei=yi−(mxi+b)
   e_i = y_...]]></description><category></category></item><item><title><![CDATA[深入 CoreML 模型定义]]></title><link>https://blog.youkuaiyun.com/volvet/article/details/85013830</link><guid>https://blog.youkuaiyun.com/volvet/article/details/85013830</guid><author>volvet</author><pubDate>Sat, 15 Dec 2018 16:22:34 +0800</pubDate><description><![CDATA[Core ML
Core ML是apple在iOS和MAC上的机器学习框架， 开发者可以使用Core ML将机器学习模型集成到应用中.   Core ML架构于Accelerate, BNNS,  Metal之上， 是apple针对其硬件深度优化后的框架， 可以大大加速开发者的工作， 让开发者集中精力于模型的训练和优化上.

Core ML所支持的模型文件是后缀为.mlmodel的文件， 使用非常...]]></description><category></category></item><item><title><![CDATA[KL距离（相对熵)]]></title><link>https://blog.youkuaiyun.com/volvet/article/details/80299083</link><guid>https://blog.youkuaiyun.com/volvet/article/details/80299083</guid><author>volvet</author><pubDate>Sun, 13 May 2018 14:26:01 +0800</pubDate><description><![CDATA[KL距离（相对熵） 
KL距离，是Kullback-Leibler差异（Kullback-Leibler Divergence）的简称，也叫做相对熵（Relative Entropy）。它衡量的是相同事件空间里的两个概率分布的差异情况。其物理意义是：在相同事件空间里，概率分布P(x)对应的每个事件，若用概率分布 Q(x)编码时，平均每个基本事件（符号）编码长度增加了多少比特。我们用D（P||Q）表...]]></description><category></category></item><item><title><![CDATA[Introduction to Recurrent Neural Networks]]></title><link>https://blog.youkuaiyun.com/volvet/article/details/80031566</link><guid>https://blog.youkuaiyun.com/volvet/article/details/80031566</guid><author>volvet</author><pubDate>Sat, 21 Apr 2018 17:21:28 +0800</pubDate><description><![CDATA[What is RNN

The networks are recurrent because they performance same computations for all the elements of a sequence of input, and the output of each element dependents, in addition to current input,...]]></description><category></category></item><item><title><![CDATA[SIX: Python 2 and 3 Compatibility Library]]></title><link>https://blog.youkuaiyun.com/volvet/article/details/79632494</link><guid>https://blog.youkuaiyun.com/volvet/article/details/79632494</guid><author>volvet</author><pubDate>Tue, 20 Mar 2018 21:46:50 +0800</pubDate><description><![CDATA[SIX  是一个开源的Python库，  其设计目的是为了解决Python2和3的不兼容问题.   众所周知， Python 3是跟Python 2不兼容的， 其语法， 类库都有不一致的地方， 这给python程序员带来了极大不便， 但是, SIX的出世可以解决这一问题， 使用了SIX,  你的python程序可以同时运行在Python2或者Python3环境中， 而根本不需要修改.  
SIX，...]]></description><category></category></item><item><title><![CDATA[30秒学习Keras]]></title><link>https://blog.youkuaiyun.com/volvet/article/details/79371467</link><guid>https://blog.youkuaiyun.com/volvet/article/details/79371467</guid><author>volvet</author><pubDate>Sun, 25 Feb 2018 20:57:45 +0800</pubDate><description><![CDATA[Keras 是开源的深度学习/神经网络框架， 其使用Python语言开发的， 底层引擎可以是Tensorfow, CNTK或者Theano.  其设计初衷是为了可以快速将想法转化为可以实验的代码， 因此其易用性在当前的深度学习框架里是屈指可数的.   正因为这一特质， Keras也非常适合深度学习的初学者作为入门的基础框架。 学习Keras并且编写一个简单的Keras网络仅仅需要30秒! 
Ker...]]></description><category></category></item><item><title><![CDATA[QUIC 简析]]></title><link>https://blog.youkuaiyun.com/volvet/article/details/79329006</link><guid>https://blog.youkuaiyun.com/volvet/article/details/79329006</guid><author>volvet</author><pubDate>Thu, 15 Feb 2018 20:08:24 +0800</pubDate><description><![CDATA[QUIC简析 一

QUIC - Quick UDP Internet Connection.   QUIC 最初是Google公司为了改进HTTP/HTTPS通信所提出的架构于UDP之上的通信协议.   不过随着QUIC技术的演进， 它已经成为一种介于TCP和UDP之间的通用的传输协议.   自从2016年11月IETF QUIC WorkGroup第一次会议以来， QUIC的标准化进展十分迅速...]]></description><category></category></item><item><title><![CDATA[PCA在图像处理上的应用]]></title><link>https://blog.youkuaiyun.com/volvet/article/details/79048523</link><guid>https://blog.youkuaiyun.com/volvet/article/details/79048523</guid><author>volvet</author><pubDate>Fri, 12 Jan 2018 22:03:04 +0800</pubDate><description><![CDATA[PCA(Principal Component Analysis), 也就是主成分分析,  是数据分析的常用方法,   其原理是:　反映对象特征的多个属性往往存在线形相关，　所以可以找到一个合理的方法，　对此多个属性变换为线性无关的另一组属性，　变换后的属性个数小于最初的属性的个数，　也就是起到了数据降维的作用，　这样可以减少数据分析的复杂度.   自然, PCA在机器学习，计算机视觉和图像处理上]]></description><category></category></item><item><title><![CDATA[方阵的特征值与特征向量]]></title><link>https://blog.youkuaiyun.com/volvet/article/details/78944638</link><guid>https://blog.youkuaiyun.com/volvet/article/details/78944638</guid><author>volvet</author><pubDate>Mon, 01 Jan 2018 09:56:54 +0800</pubDate><description><![CDATA[定义:  设AA是nn阶方阵, 如果数λ\lambda和非零向量xx使关系式 
Ax=λx
Ax = \lambda x
 
成立, 那么, λ\lambda称为方阵AA的特征值, 非零向量xx称为AA的对应于特征值λ\lambda的特征向量.   上式也可以写为: 
(Ax−λE)x=0
(Ax-\lambda E)x=0
 
这个是nn个未知数和nn个方程的齐次线形方程组.  它有非零解的充要条]]></description><category></category></item><item><title><![CDATA[漫谈 WebRTC 一:  何谓Simulcast，  WebRTC中的Simulcast]]></title><link>https://blog.youkuaiyun.com/volvet/article/details/78451850</link><guid>https://blog.youkuaiyun.com/volvet/article/details/78451850</guid><author>volvet</author><pubDate>Sun, 05 Nov 2017 20:13:00 +0800</pubDate><description><![CDATA[写作本文的初衷是： 前些日子为WebRTC设计Simulcast, 把所有相关的代码又重新阅读了一遍，  想着WebRTC代码结构复杂， 代码量巨大， Google的release迭代改动快， 改动量大， 代码常读常忘， 忘了再读，  也许应该写点啥东西保存起来。 适之先生说， 要使你所得印象变成你自己的， 最有效的方式是记录或者表现成文章。 故此不揣浅薄， 记录一些东西， 以为未来参考， 也算是响]]></description><category></category></item><item><title><![CDATA[FEC and RTX]]></title><link>https://blog.youkuaiyun.com/volvet/article/details/78235234</link><guid>https://blog.youkuaiyun.com/volvet/article/details/78235234</guid><author>volvet</author><pubDate>Sat, 14 Oct 2017 16:46:05 +0800</pubDate><description><![CDATA[FEC 的 Pattern定义为 
 [m,k],n=m+k,m是数据包的个数,k是FEC包的个数,n为两者之和
 [m, k],  n = m+k,  m是数据包的个数, k是FEC包的个数, n为两者之和
   
 nn个包为一个Group,  在这个Group中, 任意丢k个包, 都可以通过收到的m个包恢复.  这里的k个包可以是数据包或者FEC包. 
 所以在给定丢包率 ll,  给定源数]]></description><category></category></item><item><title><![CDATA[Introduction to Convolutional Neural Network]]></title><link>https://blog.youkuaiyun.com/volvet/article/details/78145635</link><guid>https://blog.youkuaiyun.com/volvet/article/details/78145635</guid><author>volvet</author><pubDate>Sat, 30 Sep 2017 22:27:47 +0800</pubDate><description><![CDATA[What’s the problem
Full Connected layers to process image does not account the spatial structure of the images.
Complicated images with multi-channels. When we try to improve our accuracy,  we try to i]]></description><category></category></item><item><title><![CDATA[Tensorflow for Machine Intelligence 读后]]></title><link>https://blog.youkuaiyun.com/volvet/article/details/77920124</link><guid>https://blog.youkuaiyun.com/volvet/article/details/77920124</guid><author>volvet</author><pubDate>Sun, 10 Sep 2017 09:08:45 +0800</pubDate><description><![CDATA[TensorFlow for Machine Intelligence 的四位作者都是一线的程序员, 其中Danijar Hafner 更是Google Tensorflow 研发团队的成员.     不过可惜TensorFlow 正处于迅速发展期, API和内部结构的变化极为距离,  图书在成文之后就面临着过时的处境. 
该书的代码是基于TensorFlow 0.8的API实现的,   而当前Te]]></description><category></category></item><item><title><![CDATA[Common Sense of 信息安全]]></title><link>https://blog.youkuaiyun.com/volvet/article/details/77587191</link><guid>https://blog.youkuaiyun.com/volvet/article/details/77587191</guid><author>volvet</author><pubDate>Fri, 25 Aug 2017 21:48:21 +0800</pubDate><description><![CDATA[信息安全是非常复杂的课题，　普通人对信息安全的认识往往存在很大的误区, 试总结几条: 保密的密码算法是危险而且愚蠢的原因如下: 
   1.  如果使用保密的密码算法，　其代码代码逆向抵抗力弱，　攻击者可以通过逆向工程的方法来破解.  
   2.  算法的保密性弱，　内部的工程师有可能泄露其细节．　历史上RSA公司曾开发保密的RC4密码算法，　但最终被一位匿名人士公开发布其等效程序.  
   3]]></description><category></category></item><item><title><![CDATA[CNN(卷积神经网络)在iOS上的使用]]></title><link>https://blog.youkuaiyun.com/volvet/article/details/77170921</link><guid>https://blog.youkuaiyun.com/volvet/article/details/77170921</guid><author>volvet</author><pubDate>Mon, 14 Aug 2017 22:43:05 +0800</pubDate><description><![CDATA[Apple 在iOS11上推出了CoreML和架构在CoreML之上的Vision, 这样为CNN（卷积神经网络）在iOS设备上的应用铺平了道路。 



将CoreML模型加载到App

让你的App集成CoreML模型非常简单， 将模型文件(*.mlmodel）拖进工程即可. 在Xcode中可以看到此模型的描述.  
 
Xcode可以为此模型文件自动生成一个可以被使用的对象, 此预测人年龄的]]></description><category></category></item><item><title><![CDATA[略谈OpenGL中的共享上下文(EGL Context)]]></title><link>https://blog.youkuaiyun.com/volvet/article/details/76408923</link><guid>https://blog.youkuaiyun.com/volvet/article/details/76408923</guid><author>volvet</author><pubDate>Mon, 31 Jul 2017 00:51:17 +0800</pubDate><description><![CDATA[OpenGL渲染中有一个线程相关的上下文(EGL Context),  OpenGL所创建的资源,  其实对程序员可见的仅仅是ID而已, 其内容依赖于这个上下文,   有时候为了方便起见,  在某个线程中创建了上下文之后, 所有的OpenGL操作都转到此线程来调用.  这样在简单的2d/3d 渲染中尚可,  但是如果涉及复杂的OpenGL渲染时, 这样就未必妥当. 
举例来说,  Google 为A]]></description><category></category></item><item><title><![CDATA[深入浅出ARKit - 几何图形的构成]]></title><link>https://blog.youkuaiyun.com/volvet/article/details/76165376</link><guid>https://blog.youkuaiyun.com/volvet/article/details/76165376</guid><author>volvet</author><pubDate>Wed, 26 Jul 2017 23:01:11 +0800</pubDate><description><![CDATA[OpenGL中描述几何图形的方法是用顶点(vertice)和指号(indice)， 在SceneKit中也完全一样.  SCNGeometrySourceSCNGeometrySource 在SceneKit中就是顶点的集合.  这些点用来构成一个几何图形.  下面的代码就创建了一个SCNGeometrySource对象，包含有2个顶点， 可以用来绘制一条直线.  
   
  let  verti]]></description><category></category></item><item><title><![CDATA[深入浅出 ARKit - Basic Concept]]></title><link>https://blog.youkuaiyun.com/volvet/article/details/75905543</link><guid>https://blog.youkuaiyun.com/volvet/article/details/75905543</guid><author>volvet</author><pubDate>Sun, 23 Jul 2017 14:16:46 +0800</pubDate><description><![CDATA[什么是现实增强(Augmented Reality)现实增强是在真实世界中加入计算机所构建的虚拟物体, 通过对真实世界所采集的信息的分析,  虚拟物体可以跟真实世界中的物体互动, 比如遮挡, 碰撞等, 让使用者产生错觉, 如同虚拟物体真实存在于世界.    此技术涉及很多复杂技术, 包括3D建模， 真实感图形绘制，  视频与图像分析等. 
  其实现实增强技术在电影拍摄中早有应用，  空中大掼篮里动]]></description><category></category></item><item><title><![CDATA[WebRTC 中的Quality Scaler]]></title><link>https://blog.youkuaiyun.com/volvet/article/details/75330381</link><guid>https://blog.youkuaiyun.com/volvet/article/details/75330381</guid><author>volvet</author><pubDate>Tue, 18 Jul 2017 20:36:35 +0800</pubDate><description><![CDATA[Quality Scaler 是WebRTC中根据视频质量， 自适应调整分辨率的方案， 其思路大体是:  观察视频编码的丢帧率和qp的变化， 确定Capturer中的video adaptor 是否要调整编码的分辨率.  其代码位于: 
 $(ROOT)/src/webrtc/modules/video_coding/utility 
 实现相当简单, 
   观察5秒内编码的平均qp和丢帧率，]]></description><category></category></item><item><title><![CDATA[iOS CI  自动生成IPA]]></title><link>https://blog.youkuaiyun.com/volvet/article/details/75329231</link><guid>https://blog.youkuaiyun.com/volvet/article/details/75329231</guid><author>volvet</author><pubDate>Tue, 18 Jul 2017 19:52:53 +0800</pubDate><description><![CDATA[使用CI脚本为iOS 应用生成IPA， 常用的方法是使用xcodebuild生成app之后， 再调用xcrun -sdk iphoneos -v PackageApplication $APP_NAME -o $IPA_NAME不幸的是， xcode更新到8.3之后, PackageApplication工具已经被废弃了， 这个方法无法奏效,  不过apple 还是为脚本生成IPA提供了另外一种方法]]></description><category></category></item></channel></rss>