<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[RealCoder的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/RealCoder</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; RealCoder]]></copyright><item><title><![CDATA[【编译技术实验】LL(1)预测分析（C++实现）]]></title><link>https://blog.csdn.net/RealCoder/article/details/122124979</link><guid>https://blog.csdn.net/RealCoder/article/details/122124979</guid><author>RealCoder</author><pubDate>Fri, 24 Dec 2021 11:58:58 +0800</pubDate><description><![CDATA[代码易懂，无需注释就能看懂。
#include&lt;iostream&gt;
#include&lt;unordered_map&gt;
#include&lt;vector&gt;
#include&lt;fstream&gt;
#include&lt;sstream&gt;
#include&lt;unordered_set&gt;
#include&lt;map&gt;
#include&lt;iomanip&gt;

using namespace std;

class OutPut{
publ]]></description><category></category></item><item><title><![CDATA[传输协议数据单元TPDU的类型及英文全称]]></title><link>https://blog.csdn.net/RealCoder/article/details/121869950</link><guid>https://blog.csdn.net/RealCoder/article/details/121869950</guid><author>RealCoder</author><pubDate>Sat, 11 Dec 2021 10:43:38 +0800</pubDate><description><![CDATA[学习过程中总是有很多英文缩写，知道了其全称之后更容易理解记忆。
传输协议数据单元TPDU：Transport Protocol Data Unit

CR（Connect Request）：连接请求。
CC（Connect Confirm）：连接确认，对CR TPDU的确认
DR（Disconnect Request）：断连请求
DC（Disconnect Confirm）：断连确认，对DC TPDU的确认
DT（Data TPDU）：数据报文
AK（Acknowledge）：数据确认，对DT TPDU的确]]></description><category></category></item><item><title><![CDATA[【编译技术实验】词法分析器(C++实现)]]></title><link>https://blog.csdn.net/RealCoder/article/details/121843789</link><guid>https://blog.csdn.net/RealCoder/article/details/121843789</guid><author>RealCoder</author><pubDate>Thu, 09 Dec 2021 20:48:08 +0800</pubDate><description><![CDATA[编译技术实验，词法分析器]]></description><category></category></item><item><title><![CDATA[Kimia Path 24数据集论文Classification and Retrieval of Digital Pathology Scans A New Dataset笔记]]></title><link>https://blog.csdn.net/RealCoder/article/details/119866476</link><guid>https://blog.csdn.net/RealCoder/article/details/119866476</guid><author>RealCoder</author><pubDate>Mon, 23 Aug 2021 12:17:23 +0800</pubDate><description><![CDATA[Kimia Path 24
①数据生成方式
基于非临床专家的视觉区分从350个来自不同身体不为的WSI中有意识地手动选择了24个WSI，它们代表着不同的纹理模式

②数据设计及意图

提供一个固定测试数据集以促进基准测试，尊重算法设计者生成自己的训练数据集的设计自由



手工选择ROI作为测试patch，其固定大小1000*1000像素，对应0.5mm×0.5mm,共1325个。


剩余部分被用于构建训练集，用户灵活创建，可构建从大约27000到超过50000个ptach


使用阈值来排除背景，背景被]]></description><category></category></item><item><title><![CDATA[【有效】vscode中markdown导出pdf报错解决： ERROR: Navigation Timeout Exceeded: 30000 ms exceeded]]></title><link>https://blog.csdn.net/RealCoder/article/details/119862755</link><guid>https://blog.csdn.net/RealCoder/article/details/119862755</guid><author>RealCoder</author><pubDate>Mon, 23 Aug 2021 10:07:18 +0800</pubDate><description><![CDATA[在vscode对markdown文档进行导出pdf时(使用的Markdown PDF1.4.4版本插件)，vscode界面弹出报错：
ERROR: Navigation Timeout Exceeded: 30000 ms exceeded

exportPdf()：ERROR

在经过仔细思考案发现场和阅读插件源码后得出一个极其可能性的原因，同时这也是我发现的Markdown PDF1.4.4插件的一个bug。
在这里给出原因如下：
在md文档中或插件的template.html添加过类似的js脚本
&l]]></description><category></category></item><item><title><![CDATA[[Verilog学习笔记]③数字逻辑电路设计方法]]></title><link>https://blog.csdn.net/RealCoder/article/details/117367375</link><guid>https://blog.csdn.net/RealCoder/article/details/117367375</guid><author>RealCoder</author><pubDate>Fri, 28 May 2021 16:46:55 +0800</pubDate><description><![CDATA[一、组合逻辑电路
1.结构描述
对电路的直接表示
2.逻辑代数
写出所有极小项，使用卡诺图化简，得到最终表达式，进行语句编写
3.真值表
用case语句进行穷举
4.抽象描述
从功能出发
二、时序逻辑电路
时序逻辑电路包括组合逻辑电路和存储电路两部分，存储电路具有记忆功能，通常由触发器组成。
存储电路的状态反馈到组合逻辑电路输入端，与外部输入信号共同决定组合逻辑电路的输出

...]]></description><category></category></item><item><title><![CDATA[[Verilog学习笔记]②程序设计语句和描述方式]]></title><link>https://blog.csdn.net/RealCoder/article/details/117337740</link><guid>https://blog.csdn.net/RealCoder/article/details/117337740</guid><author>RealCoder</author><pubDate>Fri, 28 May 2021 16:28:20 +0800</pubDate><description><![CDATA[一、数据流建模
1.连续赋值语句

目标类型是线型
连续赋值中，只要赋值语句右边表达式任何一个变量有变化，表达式被立即计算
连续赋值语句不能出现在过程块中
多个连续赋值语句之间是并行语句

assign y=m|n



二、行为级建模

1.过程语句
1.1 initial过程语句

一般用于初始化
1.2always语句块
always语句块的出发状态是一直存在的，只要满足always后面的敏感事件列表，就执行过程块。


1.3过程语句使用中需要注意的问题
无论是时序还是组合逻辑描述，在过程语句中，被]]></description><category></category></item><item><title><![CDATA[[Verilog学习笔记]①基础知识]]></title><link>https://blog.csdn.net/RealCoder/article/details/117336719</link><guid>https://blog.csdn.net/RealCoder/article/details/117336719</guid><author>RealCoder</author><pubDate>Thu, 27 May 2021 20:51:19 +0800</pubDate><description><![CDATA[目录一、Verilog  HDL语言要素1.空白符：2.注释符3.标识符4.转义标识符5.关键字5.数值二、数据类型1.物理数据类型1.1连线型2.1寄存器型2.连线型和reg型数据类型的声明3.抽象数据类型三、运算符和表达式四、模块的基本概念1.模块的基本概念2.端口
一、Verilog  HDL语言要素
1.空白符：
空白符包括空格符(\b)、制表符(\t)、换行符和换页符。在编译和综合时，空白符被忽略。
2.注释符
单行注释： //
多行注释:   /*开始  */结束 (Verilog HDL由C语]]></description><category></category></item><item><title><![CDATA[csp201809-03元素选择器]]></title><link>https://blog.csdn.net/RealCoder/article/details/115004082</link><guid>https://blog.csdn.net/RealCoder/article/details/115004082</guid><author>RealCoder</author><pubDate>Fri, 19 Mar 2021 13:17:06 +0800</pubDate><description><![CDATA[#include&lt;iostream&gt;
#include&lt;vector&gt;
#include&lt;string&gt;
#include&lt;sstream&gt;
#include&lt;cctype&gt;
#include&lt;deque&gt;
using namespace std;

int point(string s) {
	int ans = 0;
	for (auto&amp;ch : s) {
		if (ch == '.') ++ans;
		else br]]></description><category></category></item><item><title><![CDATA[博弈论之对抗搜索模板]]></title><link>https://blog.csdn.net/RealCoder/article/details/114992162</link><guid>https://blog.csdn.net/RealCoder/article/details/114992162</guid><author>RealCoder</author><pubDate>Thu, 18 Mar 2021 22:03:34 +0800</pubDate><description><![CDATA[两个基本点：零和博弈（a的目标是a的分数最大b的分数最小，b的目标是b的分数最大a的分数最小）
核心算法：dfs+极大极小过程
优化策略：记忆化，α-β剪枝
int dfs(Status status,int role) { //返回a的最大分数，a的role为0，b的role为1
	if (平局) return 0;
	int Max = -Inf, Min = Inf;
	for (auto&amp; s : status) {
		if (s空间状态下可操作) {
			if (role == 0) ]]></description><category></category></item><item><title><![CDATA[【深度学习笔记】Hopfield神经网络]]></title><link>https://blog.csdn.net/RealCoder/article/details/113860420</link><guid>https://blog.csdn.net/RealCoder/article/details/113860420</guid><author>RealCoder</author><pubDate>Fri, 19 Feb 2021 11:49:29 +0800</pubDate><description><![CDATA[Hopfield神经网络是一种循环神经网络模型，由一组互相连接的神经元组成。其具有如下特征：

所有神经元互相连接且不分层。
每个神经元既是输入单元又是输出单元。
具有反馈连接特性，不同神经元之间连接权重对称,神经元和自身没有反馈相连，即神经元集合具有对称性和反自反性。

Hopfield神经网络分为离散型(DHNN)和连续型(CHNN)


Hopfield神经网络提出的时间要比BP神经网络要早，其利用动力学演变对输入进行迭代，最终得到一个稳态值。稳定状态称为吸引点或吸引子。Hopfield网络定义了能量]]></description><category></category></item><item><title><![CDATA[Deep Learning of Binary Hash Codes for Fast Image Retrieval阅读总结]]></title><link>https://blog.csdn.net/RealCoder/article/details/113828495</link><guid>https://blog.csdn.net/RealCoder/article/details/113828495</guid><author>RealCoder</author><pubDate>Thu, 18 Feb 2021 19:13:15 +0800</pubDate><description><![CDATA[《Deep Learning of Binary Hash Codes for Fast Image Retrieval》
摘要

提出了一个有效的架构产生快速图像检索的二进制哈希索引码
在有标签情况下，在CNN基础上使用隐藏层表示主导标签的潜在概念来学习二进制哈希码
相比于其他监督方法使用pair-wised的输入，我们的技术基于point-wised
我们的方案相比于state-of-art表现出色

1.引言
灵感1——CNN:

Krizhevsky等人使用CNN第7层的输出作为特征向量进行图像检索]]></description><category></category></item><item><title><![CDATA[机器学习之排序学习笔记总结]]></title><link>https://blog.csdn.net/RealCoder/article/details/113830835</link><guid>https://blog.csdn.net/RealCoder/article/details/113830835</guid><author>RealCoder</author><pubDate>Wed, 17 Feb 2021 09:04:58 +0800</pubDate><description><![CDATA[1.简介
排序学习Learning to rank（LTR）或者机器学习排序machine-learned ranking（MLR）是应用机器学习技术，来构造信息检索系统的排序模型
训练数据包含每个列表中的项目的某种偏序关系的项目列表。这种偏序可以按照数值或者序数分值或者二元判断来确定。
排序模型的目标：学习训练集中的排序方式对未来的数据进行排序
排序学习实际上是一类监督学习问题，训练数据 包含查询和文档相关性的分数：

查询集合：Q={q1,⋯ ,qm}Q=\{q_1,\cdots,q_m\}Q={q1​]]></description><category></category></item><item><title><![CDATA[【数学笔记】信息论基础]]></title><link>https://blog.csdn.net/RealCoder/article/details/113805607</link><guid>https://blog.csdn.net/RealCoder/article/details/113805607</guid><author>RealCoder</author><pubDate>Sun, 14 Feb 2021 09:03:25 +0800</pubDate><description><![CDATA[信息消除不确定性，不确定性由熵描述
随机变量的熵：
设XXX为随机变量，其分布为P(X)P(X)P(X)
则XXX的熵为：
H(X)=−∑x∈XP(x)log⁡2xH(X)=-\sum_{x\in X}P(x)\log_{2}{x}H(X)=−x∈X∑​P(x)log2​x
随机变量的条件熵：
已知随机变量X,YX,YX,Y，联合分布P(X,Y)P(X,Y)P(X,Y),条件分布P(X∣Y)P(X|Y)P(X∣Y)
则在YYY的条件下XXX的条件熵为：
H(X∣Y)=−∑x∈X,y∈YP(x,y)log⁡2]]></description><category></category></item><item><title><![CDATA[【数学笔记】描述样本相似度的几种指标]]></title><link>https://blog.csdn.net/RealCoder/article/details/113785890</link><guid>https://blog.csdn.net/RealCoder/article/details/113785890</guid><author>RealCoder</author><pubDate>Wed, 10 Feb 2021 21:47:46 +0800</pubDate><description><![CDATA[1.闵可夫斯基距离
给定样本集合XXX,XXX是mmm维实数向量空间RmR^mRm中点的集合，其中xi,xj∈Xx_i,x_j \in Xxi​,xj​∈X,xi=(x1i,x2i,⋯ ,xmi)Tx_i=(x_{1i},x_{2i},\cdots,x_{mi})^Txi​=(x1i​,x2i​,⋯,xmi​)T,xi=(x1j,x2j,⋯ ,xmj)Tx_i=(x_{1j},x_{2j},\cdots,x_{mj})^Txi​=(x1j​,x2j​,⋯,xmj​)T,样本xix_ixi​与样本xjx_jx]]></description><category></category></item><item><title><![CDATA[SIPAKMED数据集论文翻译]]></title><link>https://blog.csdn.net/RealCoder/article/details/113523724</link><guid>https://blog.csdn.net/RealCoder/article/details/113523724</guid><author>RealCoder</author><pubDate>Tue, 02 Feb 2021 08:43:21 +0800</pubDate><description><![CDATA[SIPAKMED：基于特征和图像的子宫颈抹片正常和病理宫颈细胞分类的新数据集
摘要

]]></description><category></category></item><item><title><![CDATA[《Deep Residual Learning for Image Recognition》ResNet论文翻译]]></title><link>https://blog.csdn.net/RealCoder/article/details/113126230</link><guid>https://blog.csdn.net/RealCoder/article/details/113126230</guid><author>RealCoder</author><pubDate>Wed, 27 Jan 2021 11:28:32 +0800</pubDate><description><![CDATA[《Deep Residual Learning for Image Recognition》
作者：Kaiming He，Xiangyu Zhang，Shaoqing Ren，Jian Sun
摘要
神经网络越深，训练越困难。我们提出了一种减轻网络训练负担的残差学习框架，这种网络比以前使用过的网络层次更深。我们把层重定义为以本层输入为参考进行学习的残差函数，而不是不以本层输入为参考进行学习的函数。我们提供了全面的经验数据表明这些残差网络更容易优化并且可以通过增加深度来提升精度。我们在ImageNet数据集上]]></description><category></category></item><item><title><![CDATA[简单理解迁移学习]]></title><link>https://blog.csdn.net/RealCoder/article/details/113095032</link><guid>https://blog.csdn.net/RealCoder/article/details/113095032</guid><author>RealCoder</author><pubDate>Sun, 24 Jan 2021 19:18:24 +0800</pubDate><description><![CDATA[在实际场景中，经常碰到的问题是标注数据的成本十分高，无法为一个目标任务准备足够多相同分布的训练数据。
如果有一个相关任务已经有了大量的训练数据，虽然这些训练数据的分布和目标任务不同，但是由于训练数据的规模比较大，我们假设可以从中学习某些可以泛化的知识，那么这些知识对目标任务会有一定的帮助。
入

如何将相关任务的训练数据中的可泛化知识迁移到目标任务上，就是迁移学习(Transfer Learning)需要解决的问题。

迁移学习指两个不同的领域的知识迁移过程，利用源领域(Source Domain)中学到的]]></description><category></category></item><item><title><![CDATA[Fully Convolutional Networks for Semantic Segmentation(FCN)论文翻译]]></title><link>https://blog.csdn.net/RealCoder/article/details/113033933</link><guid>https://blog.csdn.net/RealCoder/article/details/113033933</guid><author>RealCoder</author><pubDate>Sun, 24 Jan 2021 14:09:55 +0800</pubDate><description><![CDATA[《Fully Convolutional Networks for Semantic Segmentation》
作者：Jonathan Long，Evan Shelhamer，Trevor Darrell
摘要
卷积网络是在产生特征分层结构方面强有力的视觉模型。我们的实验证明卷积网络本身经过端到端、像素到像素地训练，在语义分割方面超过了最新技术。我们的核心观点是建立“完全卷积”的网络，该网络可以接受任意大小的输入，并通过有效的推理和学习产生相应大小的输出。我们定义并详细说明了全积网络的空间，解释了它们在空]]></description><category></category></item><item><title><![CDATA[密集预测/Dense Prediction]]></title><link>https://blog.csdn.net/RealCoder/article/details/113060678</link><guid>https://blog.csdn.net/RealCoder/article/details/113060678</guid><author>RealCoder</author><pubDate>Sat, 23 Jan 2021 19:25:56 +0800</pubDate><description><![CDATA[Pixelwise dense prediction is the task of predicting a label for each
pixel in the image

来自于卷积神经网络在图像语义分割（semantic image segmentation）的应用。图像分割需要判定一张图片中特定区域的所属类别。

这个图像里有什么？它在图像中哪个位置？

更具体地说，图像语义分割的目标是将图像的每个像素所属类别进行标注。因为是预测图像中的每个像素，这个任务通常被称为密集预测（dense pre.]]></description><category></category></item></channel></rss>