- 博客(38)
- 资源 (2)
- 收藏
- 关注
RSS订阅
原创 机器学习每日之路
1.1 基本术语一条记录是关于一个事件或者对象的描述，称为一个示例（instance）或样本（sample）。反映事件或对象在某方面的表现或性质的事项，称为属性（attribute）或特征（feature）。属性的取值称为属性值（attribute value）。属性张成的空间称为属性空间（attribute space）、样本空间（sample space）或输入空间。空间中的每个点对应一个坐标向量，一个示例也称为一个特征向量（feature vector）。从数据中学得模型的过程称为学习（
2022-02-07 18:29:58
864
原创 推荐系统学习之路
基本概念：一、基本流程 b站王树森老师课程笔记召回(retrieval）：快速从海量数据中取回几千个用户可能感兴趣的物品。方法：协同过滤相似度计算：余弦，杰卡德矩阵分解：将一个稀疏的用户评分矩阵MxN分解为MxK KxN，分解出来的K就是隐语义特征BiasSVD方法jieba是中文分词包hanlp情感分析工具包关注的作者…粗排：用小规模的模型的神经网络给召回的物品打分，然后做截断，选出分数最高的几百个物品。
2023-05-08 15:55:28
1908
1
原创 Linux学习之路
因此我们创建一个新的我们的环境配置文件MY_ENV.sh。因为原来文件中写了一段for循环读取所有sh文件。虚拟机：一个软件，可以在上面安装不同的系统镜像。tar -zxvf 文件名 -C 解压地址。不直接在 /etc/profile中添加。rm -r 目录名 可删除文件夹。
2023-05-01 16:51:31
150
1
原创 Git学习之路
git 中SHA-1 40位的版本号有两个用途：①可以合并版本库②分成2+38前两位用来定位文件夹。因此作为改进对版本库进行复制多个副本，然后不同的开发人员对最终修改进行合并时只产生一次冲突。在操作文件中的 ①增加 ②修改 ③删除 都是submit操作到本地的存储文件。在合并时没有description 可以右键创建tag添加说明。因为不同的开发人员对一个版本库的提交会产生频繁的冲突。
2023-04-07 15:02:57
313
原创 八股文学习之路
由于数据库管理系统（数据库软件）功能非常多，不仅仅是存储数据，还要包含:数据的管理、表的管理、库的管理、账户管理、权限管理等等。SQL全称: Structured Query Language，结构化查询语言，用于访问和处理数据库的标准的计算机。经过多年发展，SQL以成为数据库领域统一的数据操作标准语言，可以说几乎市面上所有的数据库系统。而SQL语言，就是一种对数据库、数据进行操作、管理、查询的工具。可以单行或多行书写，最后以;-新增数据、删除数据、修改数据等。数据的删除数据的修改数据的查询。
2023-03-20 21:03:46
287
原创 python爬虫学习之路
抓取互联网上的数据，为我所用，有了大量的数据，就如同有了一个数据银行一样，下一步做的就是如何将这些爬取的数据产品化，商业化。
2023-03-04 22:42:54
1286
原创 VScode远程ssh连接
不用 window自带ssh，因为登录后颜色看不清 //目录 C:\Windows\System32\OpenSSH\ssh.exe。ssh// 上传公钥到板子 //注意用户名 和ip要改为你的。Git //可git clone 下载github源码，里面默认由常用的服务如ssh//用win10命令端登录。$ ls ~/.ssh //发现有生成文件 私钥id_rsa 和 公钥id_rsa.pub。//如果之前做过免密登录，登录新板子时，需把.ssh目录的文件都备份后，删除掉。......
2022-08-15 20:44:19
1755
原创 c++学习之路
【3.19】内存分区模型内存四区意义:不同区域存放的数据，赋予不同的生命周期,给我们更大的灵活编程程序exe 运行前分为 代码区和全局区；运行后分为 栈区和堆区1.代码区:存放CPU执行的机器指令,存放函数体的二进制代码，由操作系统进行管理的代码区是共享的，共享的目的是对于频繁被执行的程序，只需要在内存中有一份代码即可代码区是只读的，使其只读的原因是防止程序意外地修改了它的指令2.全局区:存放全局变量和静态变量以及常量全局变量和静态变量（static）存放在此.全局区还包含了常量区,字符
2022-03-20 21:07:31
1142
原创 具有概率节点选择的FL(FedPNS)
目录一、Title二、引言：三、模型一、Title二、引言：联邦学习(FL)是一种分布式学习范式，它允许大量资源有限的节点在没有数据共享的情况下协同训练模型。非独立和同分布的(non-i.i.d.)数据样本调用了全局目标和局部目标之间的差异，使得FL模型的收敛速度较慢。在本文中，我们提出了最优聚合算法，该算法通过检查局部梯度和全局梯度之间的关系，通过识别和排除不利的局部更新，找出每个全局回合中参与节点的局部更新的最优子集。然后，我们提出了一个概率节点选择框架(FedPNS)，根据最优聚合的输出，动态
2022-03-19 14:06:33
1182
原创 论文复现之免git的技巧
在没有vpn无法访问外网或者不会git的时候，pip install git+https:XXX通常无法完成安装。1.先要下载好原文件（这时候文件夹里往往有一个setup.py文件，但是有些时候并不能简单的python setup.py）2.在下载的文件夹下执行 ：python setup.py sdist3.然后会多出一个dist的文件夹，打开文件夹便可以看到一个打包好的你需要安装的项目xxx.tar.gz4.然后再 pip install xxx.tar.gz ,到此安装完成—————————
2022-03-02 03:02:58
124
原创 复现论文之用pycharm选择yml创建的conda环境(超级简单)
安装步骤1.打开terminal2.选择自己的服务器3.在命令框输入①conda activate 环境名字 --》激活环境②which python --》得到本环境python位置4.设置file->setting->project->python interpreter5.从服务器添加6.选择步骤三 中环境下的python......
2022-02-23 18:39:49
1937
原创 元学习 每日学习之路
参考视频添加链接描述元学习：学习如何去学习单任务元学习：往常深度学习流程，现在考虑能否学F？W称为元知识；fw是指适合数据的算法；fθ代表分类模型多任务的元学习算法支撑集用于元训练学习w用的验证集（查询集）数据计算损失用于学习θ分类：基于优化的基于权重的基于模型的基于优化的元学习：在进行参数学习时，不是通过一定的规则（SGD Adam）而是通过学习的方式寻找参数初始化元学习：①外层循环：随机抽取任务进入内层循环②内层循环：选取K个样本，基于随机初始化的θ进行微调 得
2022-02-21 17:30:16
600
原创 联邦学习之路
参考视频添加链接描述参考文章添加链接描述一、概念什么是联邦学习？谷歌对于联邦学习的定义是，无需通过中心化的数据，即可训练一个机器学习模型。联邦学习（FL）是一种机器学习设定，其中许多客户端（例如，移动设备或整个组织）在中央服务器（例如，服务提供商）的协调下共同训练模型，同时保持训练数据的去中心化及分散性。联邦学习的长期目标：在不暴露数据的情况下分析和学习多个数据拥有者的数据。（目的：解决数据孤岛）为什么叫“联邦”学习？有什么特点？因为学习任务是通过由中央服务器协调的参与设备（客户端）的松散联
2022-02-18 18:10:21
1655
原创 Evaluation of Federated Learning Aggregation Algorithms
目录一、Title1.1前言：二、summary（idea）2.1研究背景：四、Experiment4.1实验步骤4.2集中式培训方法五、conclusion一、Title1.1前言：普适计算促进了互联电子设备的集成，以通过适当的服务帮助我们。最近有两个主要的发展取得了显著的势头：更好地利用 雾 资源和使用人工智能技术。具体来说，人们对工程应用中的机器学习方法的兴趣已经迅速增加。\这种模式似乎很好地适合普遍的环境。然而，到目前为止，联邦学习已经应用于特定的服务，并且在很大程度上仍然是概
2022-02-17 16:09:06
564
原创 Meta-HAR: Federated Representation Learning for Human Activity Recognition
目录一、Title1.1前言：一、Title1.1前言：
2022-02-13 22:51:58
2003
原创 嵌入式AI每日学习之路
【2.7】虚拟机+LInux学习vmware中打开浏览器不能上网问题：1.点击VMware Workstation右下角的 “网络适配器” 小图标 确认是NAT模式2.ctrl+alt+t打开命令窗口，输入$ sudo service network-manager stop$ sudo rm /var/lib/NetworkManager/NetworkManager.state$ sudo service network-manager start3.重新打开 Firefox浏览器Li
2022-02-08 21:01:46
1479
原创 Hard-Attention for Scalable Image Classification阅读笔记
目录TitleSummary（idea）MethodExperimentsConclusionNotes二级目录三级目录一、Title二、summary（idea）三、Method四、Experiments五、ConclusionTitleSummary（idea）MethodExperimentsConclusionNotes二级目录三级目录一、Title论文地址：https://openreview.net/forum?id=_6DawVPqyl代码地址：https://gith
2021-12-27 21:49:21
1441
原创 HAR数据集
1.UCI-HAR 数据集介绍1.1基本背景UCI 人类活动识别数据集是以智能手机采集的传感器数据为基础的活动识别，创建于2012年，实验团队来自意大利热那亚大学。这些数据是从30名年龄在19岁到48岁之间的志愿者身上收集的，这些志愿者将智能手机绑在腰间，进行6项标准活动中的一项，通过开发的手机软件记录运动数据。记录的运动数据是来自智能手机（特别是三星Galaxy S II）的x、y和z加速度计数据（线性加速度）和陀螺仪数据（角速度），采样频率为 50Hz（每秒50个数据点）。每名志愿者进行两次活动序
2021-12-20 17:08:00
4979
2
原创 Recurrence along Depth: Deep Convolutional Neural Networks with Recurrent Layer Aggregation
本文引入了层聚合的概念来描述如何重用来自前一层的信息以更好地提取当前层的特征。
2021-12-19 16:27:22
626
原创 AC/DC: Alternating Compressed/DeCompressed Training of Deep Neural Networks
【12.09】AC/DC: Alternating Compressed/DeCompressedTraining of Deep Neural Networks知识背景：剪枝为了部署DNN，开发了一系列完整的模型压缩方法，如剪枝和量化剪枝的基本目标是获得通过设置为零来删除许多连接的神经网络，同时保持网络的准确性。对样本进行拟合得到橙色曲线，由于太精确导致过拟合、为了使得模型的泛化能力更加强，对橙色拟合表达式中权重较小的系数进行剪枝，得到更加适用的蓝色曲线。剪枝方法需要完全精确、密集的模型，然
2021-12-19 10:36:23
934
原创 Convolutional Normalization: Improving Deep Convolutional Network Robustness and Training
【12.02】Convolutional Normalization: Improving DeepConvolutional Network Robustness and Training知识背景：BatchNorm深度神经网络主要就是为了学习训练数据的分布，并在测试集上达到很好的泛化效果，但是，如果我们每一个batch输入的数据都具有不同的分布，显然会给网络的训练带来困难。另一方面，数据经过一层层网络计算后，其数据分布也在发生着变化，此现象称为Internal Covariate Shift，会给
2021-12-19 10:35:41
783
原创 复现论文之用pycharm远程控制服务器python安装requirements.txt(超级简单)
参考：参考博客默认前提：1.已使用pycharm远程连接服务器2.已将GitHub下载代码上传至服务器3.服务器环境已安装anaconda安装步骤：1.打开terminal2.选择自己的服务器3.在命令窗口选择激活自己想要的环境或者创建我选择创建一个新的4.在命令窗口输入pip install -r requirements.txt5.如果报以下错误6.右键服务器文件复制路径7.在命令框输入带路径安装...
2021-12-15 00:10:12
1431
原创 模型压缩学习之路
【12.13】浙江大学罗浩1.深度学习模型部署困境:①移动设备:算不好②穿戴设备:算不了③数据中心:算不起2.模型压缩的性质：·必要性在许多网络结构中，如VGG-16网络，参数数量1亿3千多万，占用500MB空间，需要进行309亿次浮点运算才能完成一次图像识别任务。·可行性论文提出，其实在很多深度的神经网络中存在着显著的冗余。仅仅使用很少一部分(5%）权值就足以预测剩余的权值。该论文还提出这些剩下的权值甚至可以直接不用被学习。也就是说，仅仅训练一小部分原来的权值参数就有可能达到和原来网络相
2021-12-13 17:12:07
2745
原创 深度学习调参技巧
1.训练误差持续下降，验证误差波动下降训练精度持续下降，验证精度波动下降原因：学习率有可能太大①lr=0.0001220轮Test all Loss: 0.1299 Test Acc: 0.9572
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人