<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[weekdayh的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/weekdayh</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; weekdayh]]></copyright><item><title><![CDATA[MXNet学习之mx.sym.BlockGrad理解]]></title><link>https://blog.youkuaiyun.com/weekdayh/article/details/113796820</link><guid>https://blog.youkuaiyun.com/weekdayh/article/details/113796820</guid><author>weekdayh</author><pubDate>Fri, 12 Feb 2021 20:41:32 +0800</pubDate><description><![CDATA[MXNet学习之mx.sym.BlockGrad理解
文章目录MXNet学习之mx.sym.BlockGrad理解1、解释2、示例2.1、正常反向传播2.2、阻塞传播
1、解释
我们知道现在深度学习的框架是计算图，由节点和路径组成。在前向和反向的时候都是通过图路径传递的，那么这个函数是用在反向传播的时候，字面意思就是阻塞梯度传播，对某个节点不进行梯度计算。
2、示例
输入两个点，输出一个点，如下图所示：

2.1、正常反向传播
上图表示的公式是：y=3a+4b，在正常的反向传播时，a的偏导就是3，b的偏导为]]></description><category></category></item><item><title><![CDATA[MXNet学习[4]MXNet Data Iterator]]></title><link>https://blog.youkuaiyun.com/weekdayh/article/details/113796681</link><guid>https://blog.youkuaiyun.com/weekdayh/article/details/113796681</guid><author>weekdayh</author><pubDate>Fri, 12 Feb 2021 20:32:09 +0800</pubDate><description><![CDATA[MXNet学习[4]MXNet Data Iterator
文章目录MXNet学习[4]MXNet Data Iterator1、MXNet Data Iterator（数据迭代器）2、DataBatch2.1、介绍2.2、DataBatch类3、DataDesc3.1、介绍4、DataIter4.1、介绍4.2、DataIter类5、Data iterators：Mxnet中所有常用的迭代器6、Custom Iterator（自己定制一个迭代器）6.1、定制一个迭代器
1、MXNet Data Itera]]></description><category></category></item><item><title><![CDATA[MxNe.module.fit源码解析]]></title><link>https://blog.youkuaiyun.com/weekdayh/article/details/113796633</link><guid>https://blog.youkuaiyun.com/weekdayh/article/details/113796633</guid><author>weekdayh</author><pubDate>Fri, 12 Feb 2021 20:07:34 +0800</pubDate><description><![CDATA[首先来到module模块中，然后进入base_module.py中，便可以看到fit()的原型。
class BaseModule(object):
    ################################################################################
    # High Level API
    #######################################################################]]></description><category></category></item><item><title><![CDATA[MxNet学习【2】初识（二）]]></title><link>https://blog.youkuaiyun.com/weekdayh/article/details/113796013</link><guid>https://blog.youkuaiyun.com/weekdayh/article/details/113796013</guid><author>weekdayh</author><pubDate>Fri, 12 Feb 2021 18:20:40 +0800</pubDate><description><![CDATA[MXNet学[2]Module - 神经网络训练和预测
文章目录MXNet学[2]Module - 神经网络训练和预测1.数据准备2.创建一个Module3.中间层接口4.高层接口4.1、训练4.2、预测和评价4.3、保存和加载模型
  训练一个神经网络需要一些步骤。比如指定训练数据的输入，模型参数初始化，执行前向和后向计算，梯度下降并更新参数，模型的保存和恢复等。在预测的时候，这些步骤也需要进行多次。对于初学者和经验丰富的开发者来说，这些都是能让人头疼的问题。幸运的是，MXNet把这些常用的操作模块化在M]]></description><category></category></item><item><title><![CDATA[MxNet学习【1】初识]]></title><link>https://blog.youkuaiyun.com/weekdayh/article/details/113795803</link><guid>https://blog.youkuaiyun.com/weekdayh/article/details/113795803</guid><author>weekdayh</author><pubDate>Fri, 12 Feb 2021 18:06:55 +0800</pubDate><description><![CDATA[MXNet学习[1] Symbol -神经网络图和自动区分
文章目录MXNet学习[1] Symbol -神经网络图和自动区分1.符号编程2.Symbol基本组成2.1.基础运算符2.2.基础神经网络3、复杂的网络3.1.深度神经网络的模块化构造3.2.聚合多个Symbol4.Symbol操作4.1.list_arguments ()与list_outputs()4.2.infer_shape()和infer_type()推断4.3.绑定数据并执行4.4.grad_req属性4.4.1.grad_req=‘]]></description><category></category></item><item><title><![CDATA[dlib]]></title><link>https://blog.youkuaiyun.com/weekdayh/article/details/108876800</link><guid>https://blog.youkuaiyun.com/weekdayh/article/details/108876800</guid><author>weekdayh</author><pubDate>Tue, 29 Sep 2020 22:14:53 +0800</pubDate><description><![CDATA[使用opecv4.2.0和dlib19.12编译时出错：error: conversion from ‘const cv::Mat’ to non-scalar type ‘IplImage’
问题描述
我在使用opencv和dlib做人脸关键点检测时，遇到如标题所示的编译错误，库的具体版本也在标题中给出了。
原因分析
opencv从4.1.2更迭到4.2.0时不再支持Mat类型到IplImage类型的转换。结论来自cv::cvarrToMat link error and mat to Ipimage e]]></description><category></category></item><item><title><![CDATA[TensorFlow2简要教程（五）-keras模型保存和序列化]]></title><link>https://blog.youkuaiyun.com/weekdayh/article/details/107032804</link><guid>https://blog.youkuaiyun.com/weekdayh/article/details/107032804</guid><author>weekdayh</author><pubDate>Tue, 30 Jun 2020 09:11:03 +0800</pubDate><description><![CDATA[keras模型保存和序列化
文章目录keras模型保存和序列化1 .保存全模型2. 保存为SaveModel文件3. 仅保存网络结构4. 也可以使用json保存网络结构5.仅保存网络参数6. 完整的模型保存方法7.保存网络权重为SavedModel格式8.子类模型参数保存
# 构建一个简单的模型并训练
from __future__ import absolute_import, division, print_function
import tensorflow as tf
tf.keras.backen]]></description><category></category></item><item><title><![CDATA[TensorFlow2.0简要教程（四）-用keras构建自己的网络层]]></title><link>https://blog.youkuaiyun.com/weekdayh/article/details/107014635</link><guid>https://blog.youkuaiyun.com/weekdayh/article/details/107014635</guid><author>weekdayh</author><pubDate>Mon, 29 Jun 2020 16:59:34 +0800</pubDate><description><![CDATA[用keras构建自己的网络层
文章目录用keras构建自己的网络层1 使用Keras自定义网络层2.使用子层递归构建网络层3.其他网络层配置4.构建自己的模型
1 使用Keras自定义网络层
from __future__ import absolute_import, division, print_function
import tensorflow as tf
tf.keras.backend.clear_session()
import tensorflow.keras as keras
impor]]></description><category></category></item><item><title><![CDATA[TensorFlow2.0教程（三）-使用keras训练模型]]></title><link>https://blog.youkuaiyun.com/weekdayh/article/details/107002624</link><guid>https://blog.youkuaiyun.com/weekdayh/article/details/107002624</guid><author>weekdayh</author><pubDate>Mon, 29 Jun 2020 10:02:27 +0800</pubDate><description><![CDATA[使用keras训练模型
1.一般的模型构造、训练、测试流程
import tensorflow as tf
import numpy as np
from tensorflow_core.python.keras import layers
from tensorflow_core.python import keras
from tensorflow_core.python.keras.utils.vis_utils import plot_model


# 模型构造
inputs = keras.In]]></description><category></category></item><item><title><![CDATA[TensorFlow2.0简要教程（二）-keras 函数api]]></title><link>https://blog.youkuaiyun.com/weekdayh/article/details/106989196</link><guid>https://blog.youkuaiyun.com/weekdayh/article/details/106989196</guid><author>weekdayh</author><pubDate>Sun, 28 Jun 2020 16:30:09 +0800</pubDate><description><![CDATA[TensorFlow2.0简要教程-keras 函数api
1构建简单的网络
1.1创建网络
import tensorflow as tf
import numpy as np
from tensorflow_core.python.keras import layers
from tensorflow_core.python.keras.utils.vis_utils import plot_model

inputs = tf.keras.Input(shape=(784,), name='img')]]></description><category></category></item><item><title><![CDATA[TensorFlow 2.0简要教程（一）]]></title><link>https://blog.youkuaiyun.com/weekdayh/article/details/106978518</link><guid>https://blog.youkuaiyun.com/weekdayh/article/details/106978518</guid><author>weekdayh</author><pubDate>Sat, 27 Jun 2020 20:04:09 +0800</pubDate><description><![CDATA[TensorFlow 简要教程
文章目录TensorFlow 简要教程1.导入tf.keras2.构建模型2.1模型堆叠2.2网络配置3.训练和评估3.1设置训练流程3.2 输入Numpy数据3.3tf.data输入数据3.4评估与预测4.构建高级模型4.1函数式api4.2模型子类化4.3自定义层4.3回调函数5保存和恢复5.1权重保存5.2保存网络结构5.3保存整个模型6.将keras用于Estimator
1.导入tf.keras
tensorflow2推荐使用keras构建网络，常见的神经网络都包含]]></description><category></category></item><item><title><![CDATA[argparse模块用法简要总结]]></title><link>https://blog.youkuaiyun.com/weekdayh/article/details/106955133</link><guid>https://blog.youkuaiyun.com/weekdayh/article/details/106955133</guid><author>weekdayh</author><pubDate>Thu, 25 Jun 2020 10:54:52 +0800</pubDate><description><![CDATA[argparse简要用法总结
argparse 是python自带的命令行参数解析包，可以用来方便地读取命令行参数，当你的代码需要频繁地修改参数的时候，使用这个工具可以将参数和代码分离开来，让你的代码更简洁，适用范围更广。
argparse使用比较简单，常用的功能可能较快地实现出来，下面我分几个步骤，以Python3为例，简要讲述argparse的用法。
1.基本框架
下面是使用argparse从命令行获取用户名，然后打印’Hello ‘+ 用户名，假设python文件名为test.py
# file-na]]></description><category></category></item><item><title><![CDATA[openCV使用]]></title><link>https://blog.youkuaiyun.com/weekdayh/article/details/106823132</link><guid>https://blog.youkuaiyun.com/weekdayh/article/details/106823132</guid><author>weekdayh</author><pubDate>Thu, 18 Jun 2020 09:30:34 +0800</pubDate><description><![CDATA[文章目录一、读入图像二、 显示图像三 、保存图像四 、图片操作4.1 图像翻转4.2 图像复制4.3 颜色空间转换4.4 实例4.4.1  读入一副图像，按’s’键保存后退出，按'q'键则退出4.4.2  读入一副图像，给图片加文本4.4.3 画图五 、基本图像处理**5.1存取图片****5.2 缩放、裁剪、补边****5.3 色调、明暗****5.4 图像的仿射变换****六、 视频功能****6.1 摄像头录制视频****6.2从视频中截取图片**
一、读入图像
使用函数cv2.imread(file]]></description><category></category></item><item><title><![CDATA[Git基本使用教程笔记——转载]]></title><link>https://blog.youkuaiyun.com/weekdayh/article/details/104886303</link><guid>https://blog.youkuaiyun.com/weekdayh/article/details/104886303</guid><author>weekdayh</author><pubDate>Sun, 15 Mar 2020 22:16:13 +0800</pubDate><description><![CDATA[转载Git使用教程：最详细、最傻瓜、最浅显、真正手把手教！
文章目录一、Git 是什么二 ，SVN与Git 的最主要的的区别三、安装Git四 如何操作1、创建版本库2、 把文件添加到版本库中。3、 理解工作区与暂存区的区别？4、 Git撤销修改和删除文件操作。4.1 撤销修改：4.2 删除文件。五、远程仓库1、如何添加远程库？2、 如何从远程库克隆？六、创建与合并分支1、分支管理策略。七、bug分...]]></description><category></category></item><item><title><![CDATA[github提交仓库小技巧]]></title><link>https://blog.youkuaiyun.com/weekdayh/article/details/104882095</link><guid>https://blog.youkuaiyun.com/weekdayh/article/details/104882095</guid><author>weekdayh</author><pubDate>Sun, 15 Mar 2020 17:44:45 +0800</pubDate><description><![CDATA[前提是你已经有了GitHub账号和已经搭建了
第一步：先在GitHub上创建repository
第二步：在本地电脑创建一个文件夹A，右键点击文件夹A，选择Git Bush here,;
第三步：在弹出的界面输入 git clone repository 的地址，回车；
第四步：在进行第三步之后，文件夹A中会出现clone的一个新的文件夹B,将需要上传的文件复制到新的文件夹内B;
第五步：在Git...]]></description><category></category></item><item><title><![CDATA[深度学习.Chapter11笔记[性能度量指标]——正确率、召回率、敏感度、特异度，ROC曲线、AUC值]]></title><link>https://blog.youkuaiyun.com/weekdayh/article/details/104364194</link><guid>https://blog.youkuaiyun.com/weekdayh/article/details/104364194</guid><author>weekdayh</author><pubDate>Mon, 17 Feb 2020 22:01:36 +0800</pubDate><description><![CDATA[本文转自 http://zhwhong.ml/2017/04/14/ROC-AUC-Precision-Recall-analysis/

   在分类任务中，人们总是喜欢基于错误率来衡量分类器任务的成功程度。错误率指的是在所有测试样例中错分的样例比例。实际上，这样的度量错误掩盖了样例如何被分错的事实。在机器学习中，有一个普遍适用的称为混淆矩阵(confusion matrix))的工具，它可以帮...]]></description><category></category></item><item><title><![CDATA[深度学习卷积笔记之Full卷积、Same卷积、Valid卷积]]></title><link>https://blog.youkuaiyun.com/weekdayh/article/details/104317359</link><guid>https://blog.youkuaiyun.com/weekdayh/article/details/104317359</guid><author>weekdayh</author><pubDate>Fri, 14 Feb 2020 19:07:59 +0800</pubDate><description><![CDATA[目录
full卷积计算过程
same卷积计算过程
valid卷积计算过程
参考资料
一维卷积通常有三种类型：full卷积、same卷积和valid卷积，下面以一个长度为5的一维张量I和长度为3的一维张量K（卷积核）为例，介绍这三种卷积的计算过程

full卷积计算过程
Full卷积的计算过程是：K沿着I顺序移动，每移动到一个固定位置，对应位置的值相乘再求和，计算过程如下：
将得到的值依次存入一维张...]]></description><category></category></item><item><title><![CDATA[神经网络架构搜索（Neural Architecture Search）杂谈]]></title><link>https://blog.youkuaiyun.com/weekdayh/article/details/100224738</link><guid>https://blog.youkuaiyun.com/weekdayh/article/details/100224738</guid><author>weekdayh</author><pubDate>Mon, 02 Sep 2019 13:13:58 +0800</pubDate><description><![CDATA[一、背景
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;机器学习从业者被戏称为“调参工”已经不是一天两天了。我们知道，机器学习算法的效果好坏不仅取决于参数，而且很大程度上取决于各种超参数。有些paper的结果很难重现原因之一就是获得最优超参值往往需要花很大的力气。超参数的自动搜索优化是一个古老的话题了。深度学习兴起前它主要针对传统机器学习算法中的模型超参数，比...]]></description><category></category></item><item><title><![CDATA[走进诺奖大师系列：科斯（Ronald H.Coase）]]></title><link>https://blog.youkuaiyun.com/weekdayh/article/details/100133943</link><guid>https://blog.youkuaiyun.com/weekdayh/article/details/100133943</guid><author>weekdayh</author><pubDate>Thu, 29 Aug 2019 11:24:16 +0800</pubDate><description><![CDATA[文章来源@管理学季刊
走进诺奖大师系列：科斯（Ronald H.Coase）
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;受伯烈特教授的邀请在这一系列讲座发表演说之后，我拜读了先前各篇演讲的内容，才发现讲演题目是"我成为经济学者的演化之路"。这不禁让我进一步地思考，我的思想在哪些方面可以算是演化而来的。在某些人的观念中，演化是指由较为简单及粗糙的状态，往较为...]]></description><category></category></item><item><title><![CDATA[机器学习之线性判别分析]]></title><link>https://blog.youkuaiyun.com/weekdayh/article/details/98850503</link><guid>https://blog.youkuaiyun.com/weekdayh/article/details/98850503</guid><author>weekdayh</author><pubDate>Thu, 08 Aug 2019 18:45:03 +0800</pubDate><description><![CDATA[机器学习笔记之线性判别分析
线性判别分析
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;线性判别分析（Linear Discriminant Analysis,LDA）是一种经典的线性学习方法，最早是由Fisher提出，亦称“Fisher判别分析”，主要应用于当时二分类问题。
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;...]]></description><category></category></item></channel></rss>