<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[wwb1990的博客]]></title><description><![CDATA[白日梦想家]]></description><link>https://blog.youkuaiyun.com/wwb1990</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; wwb1990]]></copyright><item><title><![CDATA[学习分享——基于深度学习的NILM负荷分解（四）深度学习实现，代码讲解]]></title><link>https://blog.youkuaiyun.com/wwb1990/article/details/109436914</link><guid>https://blog.youkuaiyun.com/wwb1990/article/details/109436914</guid><author>wwb1990</author><pubDate>Sun, 01 Nov 2020 22:09:57 +0800</pubDate><description><![CDATA[QQ群1070535031
跟随上一篇的思路，本篇我们来实现整个流程。
实验需求
跟随本文进行学习和实验，需要前面博文中的环境，以及提取出来的UK数据。（学习分享——基于深度学习的NILM负荷分解（二）电器数据提取）
本文的代码思路在上一篇，本文着重介绍代码实现相关。思路方面看一下（学习分享——基于深度学习的NILM负荷分解（三）深度学习处理，基础思路）
实验环境：
pycharm，python 3.6+，keras库，numpy库，matplotlib库
以及UKData。
定义全局参数
首先引用所有需要]]></description><category></category></item><item><title><![CDATA[学习分享——基于深度学习的NILM负荷分解（三）深度学习处理，基础思路]]></title><link>https://blog.youkuaiyun.com/wwb1990/article/details/109430158</link><guid>https://blog.youkuaiyun.com/wwb1990/article/details/109430158</guid><author>wwb1990</author><pubDate>Sun, 01 Nov 2020 20:56:22 +0800</pubDate><description><![CDATA[我来继续填坑了~~
给大家两周时间自习深度学习（磨蹭了两周）
不知道同学们的基础打得如何了哈
我分两篇写网络训练的相关，本文介绍整个思路流程，下一篇提供实操代码和相关注释讲解
关注顺序建议：
1，先仔细阅读本文思路分析，认真思考，并且根据学习的深度学习的相关知识，边跟我的思路走，边考虑一下，我这么做的目的，以及优缺点。是你自己的话，如何做，以及如何优化。
2，下一篇给出代码，按功能模块，每一块叠加就是整个项目。不过我建议边思考，边自己去写一遍，弄懂每句代码的含义，才是你的。不然后面我提供改进思路，大家一起实]]></description><category></category></item><item><title><![CDATA[学习分享——基于深度学习的NILM负荷分解（二）电器数据提取]]></title><link>https://blog.youkuaiyun.com/wwb1990/article/details/109050426</link><guid>https://blog.youkuaiyun.com/wwb1990/article/details/109050426</guid><author>wwb1990</author><pubDate>Tue, 13 Oct 2020 17:52:28 +0800</pubDate><description><![CDATA[前一阵参加比赛，NILM就放了放，开始填坑、、、
GOGOGO~
数据准备
根据上一篇中提到的，我这里使用的是UK-DALE
没有下载的同学可以回到上一篇看一下（学习分享——基于深度学习的NILM负荷分解（一）对DL的看法&amp;准备工作）
这里我直接用已经转好格式的ukdale.h5
读取数据还是用NILMTK
如何配置nilmtk，可以参照我另一篇博文，里面写的比较详细（NILM（非侵入式电力负荷监测）学习笔记 —— 准备工作（一）配置环境NILMTK Toolkit）
我们这次只需要用到其中读取da]]></description><category></category></item><item><title><![CDATA[学习分享——基于深度学习的NILM负荷分解（一）对DL的看法&准备工作]]></title><link>https://blog.youkuaiyun.com/wwb1990/article/details/107418806</link><guid>https://blog.youkuaiyun.com/wwb1990/article/details/107418806</guid><author>wwb1990</author><pubDate>Sat, 18 Jul 2020 00:09:22 +0800</pubDate><description><![CDATA[好啦，我来填坑啦哈哈
经过了几个月的对深度学习的学习、了解和实践，
对于用深度学习来做NILM的经验也是积累了不少。
在此，做以小结。
在此，感谢~柳柳，小张，小田的鼓励和支持。

话不多说，下面开始！~
一，心里上的准备
本文开始的一系列文字，是基于深度学习的方法，来做负荷有用功分解预测以及电器识别的。
如果是要用传统的概率模型，可以参照我之前的几篇，传送门：https://blog.youkuaiyun.com/wwb1990/category_9655726.html
说到深度学习，行业内俗称 “炼丹”，用什么炼]]></description><category></category></item><item><title><![CDATA[基于深度学习的NILM负荷分解]]></title><link>https://blog.youkuaiyun.com/wwb1990/article/details/107188158</link><guid>https://blog.youkuaiyun.com/wwb1990/article/details/107188158</guid><author>wwb1990</author><pubDate>Tue, 07 Jul 2020 19:14:38 +0800</pubDate><description><![CDATA[使用keras，TF2，UK数据集，不同的网络结构和算法。
从实践中学习和迭代网络。
用深度学习网络，来进行负荷分解，预测和电器的识别。
日常工作有点忙，不过我争取每周完成两到三篇
本周末开始写哈~~
需要的同学们  可以关注哈，我建个QQ群1070535031
先这样  本周开始更新这个

...]]></description><category></category></item><item><title><![CDATA[Python 学习笔记 —— 打包python为exe可执行程序，可在无python环境运行]]></title><link>https://blog.youkuaiyun.com/wwb1990/article/details/107028852</link><guid>https://blog.youkuaiyun.com/wwb1990/article/details/107028852</guid><author>wwb1990</author><pubDate>Mon, 29 Jun 2020 22:06:23 +0800</pubDate><description><![CDATA[最近有需求要做个界面，并且打包到各种（win，android，linux，mac等）平台的可执行程序，先拿基础的windows练手。
如何写界面和跨平台打包，我下一篇博文再介绍。
应用到的技术介绍
我的环境是在anaconda3 prompt，也就是我之前博文里面的环境做的。

使用pyinstaller 打包没话说
使用python虚拟环境打包（下面会讲原因）
遇到的一些坑和问题

解释一下为什么用虚拟环境打包
因为pycharm或者你日常工作的python环境中，基本上会有很多用到和的没用到的库，在py]]></description><category></category></item><item><title><![CDATA[Python 常用函数及用法，随记]]></title><link>https://blog.youkuaiyun.com/wwb1990/article/details/105282424</link><guid>https://blog.youkuaiyun.com/wwb1990/article/details/105282424</guid><author>wwb1990</author><pubDate>Fri, 03 Apr 2020 00:10:32 +0800</pubDate><description><![CDATA[enumerate()
enumerate(sequence, [start=0])
&gt;&gt;&gt;seasons = ['Spring', 'Summer', 'Fall', 'Winter']
&gt;&gt;&gt; list(enumerate(seasons))
[(0, 'Spring'), (1, 'Summer'), (2, 'Fall'), (3, 'Winter')]...]]></description><category></category></item><item><title><![CDATA[深度学习 从零开始 —— 神经网络（七又二分之一）卷积优化结构，阿猫阿狗识别，优化步骤结果]]></title><link>https://blog.youkuaiyun.com/wwb1990/article/details/105059308</link><guid>https://blog.youkuaiyun.com/wwb1990/article/details/105059308</guid><author>wwb1990</author><pubDate>Mon, 23 Mar 2020 22:28:43 +0800</pubDate><description><![CDATA[直接四组卷积层和最大池话，一层分类一层结果


加上数据增强之后：


不使用数据增强的快速特征提取
在VG16之后添加自己的分类器（两个Dense，一个dropout正则化）


VGG16冻结，使用数据增强的特征提取。


VGG16冻结，使用数据增强的特征提取，训练完分类器之后，再微调模型block5_conv1以上的层。




...]]></description><category></category></item><item><title><![CDATA[深度学习 从零开始 —— 神经网络（六），回归问题，波士顿房间数据]]></title><link>https://blog.youkuaiyun.com/wwb1990/article/details/104952688</link><guid>https://blog.youkuaiyun.com/wwb1990/article/details/104952688</guid><author>wwb1990</author><pubDate>Thu, 19 Mar 2020 00:18:39 +0800</pubDate><description><![CDATA[回归问题
预测输入数据对应的一个连续值，而不是离散的标签。
比如根据气象数据预测气温等等。
加载数据
波士顿房价数据集，基本上就是根据13种不同数值，例如周边学校个数，犯罪率等等，来预测房价。
from keras.datasets import boston_housing

(train_data,train_targets),(test_data,test_targets) = boston...]]></description><category></category></item><item><title><![CDATA[深度学习 从零开始 —— 神经网络（五），单标签多分类问题，路透社数据集使用，分类编码和整数编码]]></title><link>https://blog.youkuaiyun.com/wwb1990/article/details/104894838</link><guid>https://blog.youkuaiyun.com/wwb1990/article/details/104894838</guid><author>wwb1990</author><pubDate>Tue, 17 Mar 2020 22:16:17 +0800</pubDate><description><![CDATA[路透社数据，分为46个主题，每个主题有相应的短新闻。
预处理流程基本和IMDB一样。
加载数据
第一次执行会下载数据，打印了训练样本数和测试样本数。
(train_data,train_labels),(test_data,test_labels) = reuters.load_data(num_words=10000)

print(len(train_data))
print(len(test...]]></description><category></category></item><item><title><![CDATA[深度学习 从零开始 —— 神经网络（四又二分之一），二分类问题，调参对比测试，自己探讨]]></title><link>https://blog.youkuaiyun.com/wwb1990/article/details/104877438</link><guid>https://blog.youkuaiyun.com/wwb1990/article/details/104877438</guid><author>wwb1990</author><pubDate>Sun, 15 Mar 2020 15:48:45 +0800</pubDate><description><![CDATA[这一张承接上一章的IMDB数据集
修改训练相关参数，对比实验，看一看在二分类问题上不用参数，优化器，激活函数，对于模型的变化。
加深理解，和参悟。
代码只截取片段：
（2）上一篇的结果
model.add(layers.Dense(16,activation='relu',input_shape=(10000,)))
model.add(layers.Dense(16,activation='re...]]></description><category></category></item><item><title><![CDATA[深度学习 从零开始 —— 神经网络（三），安装配置keras，GPU版本TensorFlow，安装CUDA各种坑~~~]]></title><link>https://blog.youkuaiyun.com/wwb1990/article/details/104870255</link><guid>https://blog.youkuaiyun.com/wwb1990/article/details/104870255</guid><author>wwb1990</author><pubDate>Sat, 14 Mar 2020 23:14:13 +0800</pubDate><description><![CDATA[写到最开头：
开始下载和配置前，一定要先看一下我后面描述的几个坑！坑！！坑！！！
关于Keras
官网https://keras.io/
支持卷积神经网络和循环神经网络，或者两者融合。
支持CPU和GPU.
Python要求 2.7-3.6.
我这里安装的是TensorFlow 2.0和最新的 TensorFlow GPU2.1

这两个库的安装方法参照：写的非常详细
python+tensorf...]]></description><category></category></item><item><title><![CDATA[深度学习 从零开始 —— 神经网络（四），二分类问题，IMDB数据集使用]]></title><link>https://blog.youkuaiyun.com/wwb1990/article/details/104761975</link><guid>https://blog.youkuaiyun.com/wwb1990/article/details/104761975</guid><author>wwb1990</author><pubDate>Sat, 14 Mar 2020 22:24:13 +0800</pubDate><description><![CDATA[IMDB数据集
互联网电影数据，包含50000条严重两极分化的评论。正面和负面评论各占50%。
而该数据集也同样被内置于Keras库中了。
其中的评论数据已经经过了预处理，评论（单词）被转化为了整数序列，每个整数都对应词典里面的一个单词。
加载数据集
from keras.datasets import imdb

(train_data,train_labels),(test_data,test...]]></description><category></category></item><item><title><![CDATA[深度学习 从零开始 —— 神经网络数学基础（二），张量操作]]></title><link>https://blog.youkuaiyun.com/wwb1990/article/details/104733238</link><guid>https://blog.youkuaiyun.com/wwb1990/article/details/104733238</guid><author>wwb1990</author><pubDate>Sun, 08 Mar 2020 23:54:11 +0800</pubDate><description><![CDATA[张量
上一节使用的数据存储在多维的Numpy数组中，这就叫张量（tensor）
是所有机器学习的基本数据结构。
是一个数据容器，是一个数字的容器。
例如矩阵，是二维张量。
张量的维度（dimension）通常叫做轴（axis）。
标量——0D张量
仅包含一个数字的张量，叫做标量（scalar）。
在Numpy中，一个float32或者float64的数字就是一个标量张量，或标量数组。
可以用ndi...]]></description><category></category></item><item><title><![CDATA[深度学习 从零开始 —— 神经网络数学基础（一），学习Keras库的使用，神经网络简单流程，MNIST数据集使用]]></title><link>https://blog.youkuaiyun.com/wwb1990/article/details/104730796</link><guid>https://blog.youkuaiyun.com/wwb1990/article/details/104730796</guid><author>wwb1990</author><pubDate>Sun, 08 Mar 2020 14:54:50 +0800</pubDate><description><![CDATA[实验环境
PyCharm Community Edition 2019
python 3.6
Keras库及相关引用库（numpy，scipy）
(官网https://keras.io/)
（配置环境参照RNN &amp; LSTM 学习笔记 —— Anaconda安装，Python安装，PyTorch，Tensorflow配置）
开坑~
MNIST数据集
先来看一下机器学习领域中经典的MNIST...]]></description><category></category></item><item><title><![CDATA[Python 学习笔记 —— N-Gram学习，根据文章中几个词，预测后一个词]]></title><link>https://blog.youkuaiyun.com/wwb1990/article/details/104452390</link><guid>https://blog.youkuaiyun.com/wwb1990/article/details/104452390</guid><author>wwb1990</author><pubDate>Sat, 22 Feb 2020 23:56:55 +0800</pubDate><description><![CDATA[关于N-Gram的原理和描述
《自然语言处理NLP中的N-gram模型》这篇博主的文章描述的非常详细，各种例子。仔细阅读可以完全理解其原理。
做一个用N-Gram根据文章某位置的两个词，推测下一个词的实现。
import torch
import torch.nn.functional as F
from torch import nn, optim
from torch.autograd imp...]]></description><category></category></item><item><title><![CDATA[Android 学习笔记 ——本地调用，Java调C/C++，生成 .so，.so调用其他.so]]></title><link>https://blog.youkuaiyun.com/wwb1990/article/details/104256783</link><guid>https://blog.youkuaiyun.com/wwb1990/article/details/104256783</guid><author>wwb1990</author><pubDate>Tue, 11 Feb 2020 00:22:12 +0800</pubDate><description><![CDATA[准备工作
Android Studio下载的NDK是最新版，已不支持armabi和mips架构，所以想支持生成所有cpu平台，需要下载r15或之前版本ndk，可通过官网下载旧版NDK
如果有现成的so，可跳过第一步制作生成so。
一，制作生成 .so
这里我一次同时做两个，方便之后互相调用
新建两个java类，
NativeMethodCall 生成目标so
CallNativeMethod 生成...]]></description><category></category></item><item><title><![CDATA[Python 学习笔记 —— 使用Chaquopy在AndroidStudio调用Python库]]></title><link>https://blog.youkuaiyun.com/wwb1990/article/details/104053465</link><guid>https://blog.youkuaiyun.com/wwb1990/article/details/104053465</guid><author>wwb1990</author><pubDate>Sun, 26 Jan 2020 14:25:01 +0800</pubDate><description><![CDATA[引言
跟随前一篇文章，本篇将尝试，引入python库，并且调用方法。
（上一篇：Python 学习笔记 —— 使用Chaquopy在AndroidStudio添加Python环境，java和python互调）
Chaquopy 支持的python库在这个链接里面可以查到：https://chaquo.com/pypi-2.1/
标题

...]]></description><category></category></item><item><title><![CDATA[Python 学习笔记 —— 使用Chaquopy在AndroidStudio添加Python环境，java和python互调]]></title><link>https://blog.youkuaiyun.com/wwb1990/article/details/104051068</link><guid>https://blog.youkuaiyun.com/wwb1990/article/details/104051068</guid><author>wwb1990</author><pubDate>Mon, 20 Jan 2020 16:21:19 +0800</pubDate><description><![CDATA[序言
使用的是Chaquopy官网： https://chaquo.com/chaquopy/
下载最新版Android Studio
我目前下的是Android Studio 3.5 (https://developer.android.google.cn/studio/)
另附：
配置Android Studio的缓存文件路径（释放你的C盘）
（https://blog.youkuaiyun.com/so...]]></description><category></category></item><item><title><![CDATA[NILM（非侵入式电力负荷监测）学习笔记 —— 使用NILMTK Toolkit，REDD数据集，CO和FHMM两种算法]]></title><link>https://blog.youkuaiyun.com/wwb1990/article/details/103904340</link><guid>https://blog.youkuaiyun.com/wwb1990/article/details/103904340</guid><author>wwb1990</author><pubDate>Thu, 09 Jan 2020 18:06:41 +0800</pubDate><description><![CDATA[实验环境
1，语言： Python 3.6
2，IDE：PyCharm Community Edition 2019.3.1
3，主要工具方法：nilmtk和nilm_metadata以及所依赖的类库
（配置环境，详见我另一篇笔记）
4，实验中分别使用两种方法预测分解：

NILM-组合优化算法 combinationrial optimization
多条隐马尔科夫模型（FHMM）

5，测试数...]]></description><category></category></item></channel></rss>