- 博客(30)
- 收藏
- 关注
原创 Overleaf,MDPI模板,参考文献,BibTex转换为bibitem格式
Overleaf,MDPI模板,参考文献,BibTex转换为bibitem格式
2023-08-30 16:25:05
1633
原创 03.15:人工智能之我见&跑别人的项目
而好奇心,怕死,恐惧,爱,所有的这些情绪和意识都是在这个基础上产生的变异罢了。我对于gpt也好,机器学习也好的认知就是,它只是基于一些人为制定的规则行事的工具。我不能把话说死,只是依据我现在的知识来看:现有的机器还只是在被创造,而非因天然的自然规律的组合而产生后被筛选。而每次与别的单体交换的那两个,因为有了更大的概率产生新的组合,恰巧又产生了一个耐高温的品种,所以这个品种又活了下来。分子的无规律运动的组合造就了十个具有自我复制功能的单体,但是因为温度的升高,其中八个都死了,剩下了三个。下图是一张有趣的图。
2023-03-15 23:50:38
138
原创 03.10:Github,Trending,Python
所以,我认为如今如何配置好本地环境,如何给已有的库打封装,学会如何去找到自己的问题,甚至去学会找不到问题的情况下如何去debug,在代码层面解决问题更为重要。让我无论是从即时得到的实在感的反馈上来说,还是对比的幸福感而言也就是炫耀,来让我获得一种被称作是乐趣的愉悦感,让我感觉这个有意思。只追求这个才是被骗了或者不得根本,根本上是这样的人具有让自己可以不断保持追求延迟满足的事情的知识——让自己从中找到即时满足。另一个,就是可以进行一些操作而不是天天调研,这样增加一些即时反馈,让我对这个学习更加有兴趣。
2023-03-10 18:25:28
149
原创 03.07:BT下载&区块链技术
今天没写代码,主要是在CSDN上了解了一些科普性的技术。了解了BT的原理。其实就是P2P,从单中心换到了多中心,达到将一个大任务分成多个小任务,找到最近的,最快速的加载速度。区块链技术。之前一直很迷到底挖矿是什么意思,看了半天CSDN,知乎,百度百科也不得其解,突然想到可以去Bilibili上看视频,于是找到了李永乐老师讲区块链原理,短短两个15分钟左右的视频把整个原理讲得至少我认为是非常的透彻。我在这里也就无需赘述了,只能说有的人的确在某些专业领域具有超常的知识储备因此具备了超常的见
2023-03-07 22:31:10
524
原创 03.02:对深度学习的科普学习
今天接着继续学习《Deep Learning with Python》这本书。作者这本书其实是比较科普类型的,但是我所要学习的是科普中的科普,所以也只是挑着简略地看了看。印象深刻的有下面这张,我觉得还是很简略且清楚地表明了深度学习的过程。这张图则是介绍了基于专家知识和基于神经网络间的区别和优劣势,而不是偏重哪一个。通过此书吧,还是对人工智能,机器学习和深度学习有了一些基本的认识,至少稍微有了一些了解。当然能写点代码是最好的,但是看起来并不是我当下需要研究的重点。这也算是自监督
2023-03-02 22:11:22
75
原创 Python图片、视频风格转换(fast-style-transfer)教程
Python图片、视频风格转换(fast-style-transfer)教程
2023-02-28 17:16:50
706
原创 02.23:关于流量的提取方法与表征重点
端口镜像,以及基于此的旁路分析。探针。SNMP这种。NetStream为代表的这一类方法中的提取流量部分,算作是流量分析的方法。就是用何种方法去提取流量。而基于传输层还是应用层,基于深度学习、传统机器学习,还是网络流,还是负载,更多的像是如何使用提取的流量的一些方法。而前后又是相关的,因为提取流量也分能提取哪些特征,从哪些层提取,关注哪些层的提取,而这些提取就事关后续如何使用这些流量。我大概可以得出以上的结论。而这种模糊本身也就是问题,具体的清晰还是需要依靠更多的调研也好,实践也好才可以达成。先调研
2023-02-23 23:59:23
146
原创 02.22:继续寻找NetStream与Wireshark的关系
今天上午主要来了实验室后跑到室外去处理了一下情绪。情绪没有得到解决就总是心不在焉的。反而是花了时间解决了,我相信后面的时间才反而会更加专注。我认为是更有价值的。下午吃饭回来就在专心调研网络流表征的工具,但是越看越迷惑。有的工具是利用了SNMP协议去进行了流量的监控。形如NetStream,sFlow,NetFlow,这些到底和Wireshark,TCPdump之间的关系是如何呢?很迷惑,其实再多看几天应该能解决我的这个问题。就是需要多花点时间,但就是这个过程实在还是每次都不好受。但是柳暗花明的时候又挺开
2023-02-22 22:43:46
145
原创 02.13:监督学习中的分类问题
今天首先学习了监督学习中的分类问题,跑了两个代码。现在学起来感觉机器学习有很多不同的定理建立了不同的分类器,也就是所谓不同的方法。具体的数学原理我不太清楚。然后不同的应用场景有一个最优的分类器。值得一提的应该就是终于清晰的明白了精度,召回率和F1得分是什么意思。现在摘抄如下:假设数据集有100个样本,其中有82个样本是我们感兴趣的,现在想用分类器选出这82个样本。最终,分类器选出了73个样本,它认为都是我们感兴趣的。在这73个样本中,其实只有65个样本是我们感兴趣的,剩下的8个样本
2023-02-13 23:40:13
366
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人