<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[wcc8848的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/wcc8848</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; wcc8848]]></copyright><item><title><![CDATA[目标跟踪系列总结]]></title><link>https://blog.youkuaiyun.com/wcc8848/article/details/128963078</link><guid>https://blog.youkuaiyun.com/wcc8848/article/details/128963078</guid><author>wcc8848</author><pubDate>Fri, 24 Feb 2023 11:27:23 +0800</pubDate><description><![CDATA[sort算法流程图关联成功的检测box与追踪box处理：使用检测的box对追踪结果进行KalmanFilter权重以及参数更新，同时记录关联追踪box的计数次数；未关联成功的box处理：对检测的box进行KalmanFilter初始化，并且加入追踪列表中；未关联成功的追踪box处理：首先判断该追踪box失去关联的计数次数是否大于最大的阈值max_age，如果大于则从追踪列表删除；否则，就将失去关联计数加1。当然，还会存在关联几次min_hits之后在追踪列表显示进行输出；]]></description><category></category></item><item><title><![CDATA[hannlp添加自定义 词典]]></title><link>https://blog.youkuaiyun.com/wcc8848/article/details/126377302</link><guid>https://blog.youkuaiyun.com/wcc8848/article/details/126377302</guid><author>wcc8848</author><pubDate>Wed, 17 Aug 2022 01:29:47 +0800</pubDate><description><![CDATA[为hanlp加载自定义词表。]]></description><category></category></item><item><title><![CDATA[图神经网络笔记总结]]></title><link>https://blog.youkuaiyun.com/wcc8848/article/details/124485018</link><guid>https://blog.youkuaiyun.com/wcc8848/article/details/124485018</guid><author>wcc8848</author><pubDate>Fri, 29 Apr 2022 18:14:08 +0800</pubDate><description><![CDATA[本文的所有图表均来自于

图神经网络：GNN

首先我们要知道图结构的数据
...]]></description><category></category></item><item><title><![CDATA[PCA模型原生python实现]]></title><link>https://blog.youkuaiyun.com/wcc8848/article/details/124461656</link><guid>https://blog.youkuaiyun.com/wcc8848/article/details/124461656</guid><author>wcc8848</author><pubDate>Wed, 27 Apr 2022 21:50:13 +0800</pubDate><description><![CDATA[#使用梯度上升法

import numpy as np
import matplotlib.pyplot as plt


X = np.empty((100,2))  ##返回一个100X2的数组                      ##size为样本个数
X[:,0] = np.random.uniform(0.,100.,size =100)#随机生成100个实数在（0-100）范围内个数
X[:,1] = 0.75*X[:,0] + 3.+ np.random.normal(0,10., .]]></description><category></category></item><item><title><![CDATA[KNN模型]]></title><link>https://blog.youkuaiyun.com/wcc8848/article/details/124460862</link><guid>https://blog.youkuaiyun.com/wcc8848/article/details/124460862</guid><author>wcc8848</author><pubDate>Wed, 27 Apr 2022 21:39:10 +0800</pubDate><description><![CDATA[KNN模型分为等权和加权模型：

等权模型：


'''
import numpy as np
import pandas as pd

##初始化训练数据
T = [[3, 104, -1],
     [2, 100, -1],
     [1, 81, -1],
     [101, 10, 1],
     [99, 5, 1],
     [98, 2, 1]
     ]
##预测数据
x_test = [18, 90]
##邻居
K = 5
###列表 [[dis1，标签1]，[dis2，标签]]></description><category></category></item><item><title><![CDATA[决策树实战鸢尾花]]></title><link>https://blog.youkuaiyun.com/wcc8848/article/details/124460107</link><guid>https://blog.youkuaiyun.com/wcc8848/article/details/124460107</guid><author>wcc8848</author><pubDate>Wed, 27 Apr 2022 20:40:46 +0800</pubDate><description><![CDATA[# -- encoding:utf-8 --
"""
只要是机器学习中，代码的编写流程一般和下面这个一样！！！！
Create on 19/3/2
"""
import warnings
import sys
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt

from sklearn.preprocessing import StandardScaler, Lab.]]></description><category></category></item><item><title><![CDATA[决策树代码部分]]></title><link>https://blog.youkuaiyun.com/wcc8848/article/details/124459594</link><guid>https://blog.youkuaiyun.com/wcc8848/article/details/124459594</guid><author>wcc8848</author><pubDate>Wed, 27 Apr 2022 20:26:24 +0800</pubDate><description><![CDATA[决策树实战的原始的直观理解为if-else的逻辑结构



def predict(x1, x2, x3):
    if x3 &gt;= 97.5:
        return 1
    else:
        if x1 == 1:
            return 1
        else:
            if x2 == 0:
                return 0
            elif x2 == 1:
                return]]></description><category></category></item><item><title><![CDATA[bert论文笔记]]></title><link>https://blog.youkuaiyun.com/wcc8848/article/details/124442035</link><guid>https://blog.youkuaiyun.com/wcc8848/article/details/124442035</guid><author>wcc8848</author><pubDate>Wed, 27 Apr 2022 18:03:46 +0800</pubDate><description><![CDATA[本文所有图表均来自https://arxiv.org/pdf/1810.04805.pdf论文中

1。为什么要提出bert模型，相比于其他模型bert模型的 区别和优势

在传统的语言模型中，在这里bert主要比较的是GPT和之前的RNN,相较于RNN模型，bert采用的tranformer的encoder可以并行的优势发挥出来，相较于ELMo，bert采用了tranfoermer特征提取器，使得特征提取的更加完善，而相比于GPT，bert提取文本双向的信息。



在bert之后，预训练模式出圈了 ，所]]></description><category></category></item><item><title><![CDATA[transformer论文介绍]]></title><link>https://blog.youkuaiyun.com/wcc8848/article/details/124416764</link><guid>https://blog.youkuaiyun.com/wcc8848/article/details/124416764</guid><author>wcc8848</author><pubDate>Tue, 26 Apr 2022 17:16:52 +0800</pubDate><description><![CDATA[title :Attention Is All you need

1 abstract ：说明了transformer不同于CNN 和RNN,transfomer只使用了注意力机制，就完成了seq-seq任务，并且取得不错的效果。

2.结论是相比于RNN等传统的循环神经网络网络模型，可以更好的实现并行，并且在翻译质量上更好

主要的模型结构是
...]]></description><category></category></item><item><title><![CDATA[pytorch中的contiguous]]></title><link>https://blog.youkuaiyun.com/wcc8848/article/details/124385113</link><guid>https://blog.youkuaiyun.com/wcc8848/article/details/124385113</guid><author>wcc8848</author><pubDate>Sun, 24 Apr 2022 17:05:29 +0800</pubDate><description><![CDATA[contigous 在英文中为



连续的意思，何为连续，就是语义相同的张量存储在连续的内存空间中，

为什么要使用contigous?

因为view()操作需要连续的tensor

transpose、permute 操作虽然没有修改底层一维数组，但是新建了一份Tensor元信息，并在新的元信息中的 重新指定 stride。torch.view 方法约定了不修改数组本身，只是使用新的形状查看数据。如果我们在 transpose、permute 操作后执行 view，Pytorch 会抛出以下错误。

]]></description><category></category></item><item><title><![CDATA[pytorch，改变元数据而使原本数据不变的方法]]></title><link>https://blog.youkuaiyun.com/wcc8848/article/details/124377409</link><guid>https://blog.youkuaiyun.com/wcc8848/article/details/124377409</guid><author>wcc8848</author><pubDate>Sun, 24 Apr 2022 10:45:40 +0800</pubDate><description><![CDATA['''
pytorch中，不改变tensor内容本身，而只是重新定义下标的对应关系的操作
另一中解释：这种操作不进行数据拷贝和数据的改变，变的是元数据


元数据：用于描述原始数据的数据，譬如，数据的索引，关系，约束等

改变元数据的操作有：

narrow() pytorch 中的narrow函数起到了筛选一定维度上的数据作用
view()
expand()
tranpose()

'''
##narrow example
'''
narrow(input: Tensor, dim: _int, sta.]]></description><category></category></item><item><title><![CDATA[近期的随笔]]></title><link>https://blog.youkuaiyun.com/wcc8848/article/details/124222094</link><guid>https://blog.youkuaiyun.com/wcc8848/article/details/124222094</guid><author>wcc8848</author><pubDate>Sat, 16 Apr 2022 22:42:56 +0800</pubDate><description><![CDATA[今天写这一期，不写技术，而是关乎自己的感悟和惰性，然而这很不符合，程序员这一行的开水原则，在很多的技术细节上会浅尝辄止，在许多现实的干扰下放弃了沸水前的一刻。

这是一个很致命的打击，在写程序的时候就会严重拖累自己的编写进度 ，让自己效率降低，丢失了自己对于时间的掌握。进而不断拖延自己的学习目标。

放到具体的学习过程中就是对于，学习时间的密度不尊重，密度过低导致自己所接受知识的含金量下降，从而导致的结果。

感谢，陈同学的监督，接下来，我将以任务为导向，完成工作。而不在区分工作的某一个部分。

相较于你，]]></description><category></category></item><item><title><![CDATA[crf基础]]></title><link>https://blog.youkuaiyun.com/wcc8848/article/details/124202798</link><guid>https://blog.youkuaiyun.com/wcc8848/article/details/124202798</guid><author>wcc8848</author><pubDate>Fri, 15 Apr 2022 21:51:07 +0800</pubDate><description><![CDATA[crf全程条件随机场：

什么是条件随机场？

给定一组输入随机变量的条件下，另一组输出随机变量的条件概率分布

条件随机场常用在序列标注任务中，例如，命名实体识别，分词，词性标准，基因测序，降噪和对象检测等任务中。

随机场：又称马尔可夫随机场，一个由无向图表示的联合概率分布。



无向图模型： 无向图表示没有标注方向的图模型如上图所示，设有联合概率分布,其中Y是一组随机变量，由无向图表示概率分布，在图中，节点表示一个随机变量,；边表示随机变量之间的依赖关系。









得到CRF的表达...]]></description><category></category></item><item><title><![CDATA[爬虫总结1]]></title><link>https://blog.youkuaiyun.com/wcc8848/article/details/122543913</link><guid>https://blog.youkuaiyun.com/wcc8848/article/details/122543913</guid><author>wcc8848</author><pubDate>Fri, 15 Apr 2022 11:08:20 +0800</pubDate><description><![CDATA[爬虫是在今天大数据时代，数据的主要来源之一，数据是模型训练的先决条件，如何高质量的获取网页上的信息，可以采用爬虫来进行，

前提知识是具有基本的html知识，可以在浏览器的开发者模式中找到标签的位置。

目前常用的有一下几种模块和工具进行爬虫，

正则表达式

xpath

beautifulsoup等

以博客园为例：爬取博客园中的小标题，摘要，发表时间，阅读数，评论数，推荐数等关键信息指标。








...]]></description><category></category></item><item><title><![CDATA[决策树预备知识]]></title><link>https://blog.youkuaiyun.com/wcc8848/article/details/124115794</link><guid>https://blog.youkuaiyun.com/wcc8848/article/details/124115794</guid><author>wcc8848</author><pubDate>Tue, 12 Apr 2022 10:55:04 +0800</pubDate><description><![CDATA[决策树是一个简单的判别模型，并且可以出现在训练集上100%的准确率

决策树的内部节点是特征，叶子表示的就是标签

在具体介绍决策树之前，首先介绍它的先驱概念



1.如何通过比特（01）来表示一个随机变量X的序列

例如：: BACADDCBAC.....转化成为01001000111110010010.......

假如：P(A)= P(B)=P(C)=P(D)，需要四种不同的比特来表示，且概率相等，那么笔者认为可以借助抛硬币的的方式决定，一枚硬币可以产生（0，1）两种信息表示，那么用两枚硬币，便可]]></description><category></category></item><item><title><![CDATA[jieba总结]]></title><link>https://blog.youkuaiyun.com/wcc8848/article/details/124033660</link><guid>https://blog.youkuaiyun.com/wcc8848/article/details/124033660</guid><author>wcc8848</author><pubDate>Fri, 08 Apr 2022 12:13:20 +0800</pubDate><description><![CDATA[jieba是最常用的分词工具，

现在总结jieba并不常用的其他模式


words_a='上海自来水来自海上，所以吃葡萄不吐葡萄皮'
seg_a=jieba.cut(words_a,cut_all=True)
print("全模式：","/".join(seg_a))
seg_b=jieba.cut(words_a)
print("精确模式：","/".join(seg_b))
seg_c=jieba.cut_for_search(words_a)
print("搜索引擎模式","/".join(seg]]></description><category></category></item><item><title><![CDATA[机器学习的数据特征处理]]></title><link>https://blog.youkuaiyun.com/wcc8848/article/details/124028653</link><guid>https://blog.youkuaiyun.com/wcc8848/article/details/124028653</guid><author>wcc8848</author><pubDate>Fri, 08 Apr 2022 09:35:26 +0800</pubDate><description><![CDATA[特征工程的意义：

所有一切让模型效果变好的数据处理方式都属于特征工程。

特征预处理

数据清洗

归一化和标准化

数据清洗：

1.数据去重

2.用正则去除的明显错误

数据清洗的方式：

from sklearn.preprocessing import Imputer

1.均值填充

2.中值填充

3.众数填充










...]]></description><category></category></item><item><title><![CDATA[LSTM详解核心]]></title><link>https://blog.youkuaiyun.com/wcc8848/article/details/123992468</link><guid>https://blog.youkuaiyun.com/wcc8848/article/details/123992468</guid><author>wcc8848</author><pubDate>Wed, 06 Apr 2022 23:55:58 +0800</pubDate><description><![CDATA[LSTM 解决梯度弥散和消失的核心要素是在求细胞状态的的嘶吼采用了加法（与残差类似），通过这样的情况，避免了BP 的时候连乘导致的梯度消失或者爆炸。



LSTM（Long Short Term Memory）出现的目的是解决RNN对于长期依赖可能产生的梯度消失或者梯度爆炸的问题



LSTM相较于RNN，出现细胞状态并且是三个输出两个结果，具体如下Ct和Ht两种不同的输出：首先是忘记门





忘记门，通过x,和ht-1状态，获得忘记门的系数，以用来更新记忆信息



更新门，获得it参数，已经原.]]></description><category></category></item><item><title><![CDATA[tfidf代码实现]]></title><link>https://blog.youkuaiyun.com/wcc8848/article/details/123193605</link><guid>https://blog.youkuaiyun.com/wcc8848/article/details/123193605</guid><author>wcc8848</author><pubDate>Mon, 28 Feb 2022 21:59:53 +0800</pubDate><description><![CDATA[#encoding:utf8
import re
import os
import jieba
import jieba.posseg as pseg
import numpy as np

class TFIDFCounter:
    #构造方法
    def __init__(self):
        #对象属性 
        self.tfs = {}#每篇文章的每个词的词频{"docid1":{'苹果':tf值, '乔布斯':tf值,.....},"docid2":{'手机':tf值,.]]></description><category></category></item><item><title><![CDATA[评价指标reacll@10,mrr@10,ndcg@10,hit@10的含义]]></title><link>https://blog.youkuaiyun.com/wcc8848/article/details/123117982</link><guid>https://blog.youkuaiyun.com/wcc8848/article/details/123117982</guid><author>wcc8848</author><pubDate>Fri, 25 Feb 2022 10:35:11 +0800</pubDate><description><![CDATA[在知识图谱补全和推荐系统中常用到recall,mrr,ndcg,hit的评价指标

知识图谱补全也成为链接预测，是用来预测三元组（h，r，t）中缺失实体h，t或r的任务，对于每一个缺失的实体，模型将被要求用所有的知识图谱中的实体作为候选项进行计算，

在测试阶段，对于每个待测试三元组，用知识图谱中的除去h与t之外的其他实体作为候选项来替换头实体或尾实体，并且按大小顺序给出这些实体的评分函数f_r。

还是按照上述进行f函数值排列，然后去看每个testing triple正确答案是否排在序列的前十，如果在的话]]></description><category></category></item></channel></rss>