- 博客(40)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 【Flutter学习笔记】10.3 组合实例：TurnBox
本文将实现一个TurnBox组件以熟悉组件组合方法的过程，同时强调了didUpdateWidget周期函数的用法。
2024-03-22 17:29:41
1299
原创 【Flutter学习笔记】10.2 组合现有组件
自定义组件中组合现有组件的方法，举例了一个自定义渐变按钮的组件，定义时要注意初始值设置和判空等。
2024-03-21 21:10:35
818
原创 【Flutter学习笔记】10.1 自定义组件方法简介
本文主要介绍了Flutter中三种自定义组件的方法及其特点，每种方法的详细说明在专栏的其它文章中。
2024-03-21 17:51:05
489
原创 【Flutter学习笔记】9.7 动画过渡组件
在Widget属性发生变化时会执行过渡动画的组件统称为”动画过渡组件“，本文通过详细的示例和分析阐述过渡组件的原理，讲述如何自定义和使用已有的动画过渡组件。
2024-03-21 13:01:46
897
原创 【Flutter学习笔记】9.6 动画切换组件（AnimatedSwitcher）
`AnimatedSwitcher` 可以同时对其新、旧子元素添加显示、隐藏动画，在需要切换新旧元素的场景广泛使用。也就是说在`AnimatedSwitcher`的**子元素**发生变化时，会对其旧元素和新元素做动画。这里的子元素“发生变化”指的就是child widget的类型或者key发生了改变，则旧的child会执行隐藏动画，而新的child会执行显示动画。
2024-03-14 23:44:18
1542
原创 Pytorch使用过程中显存爆炸解决办法
方法放在GPU上，临时的一个batch数据也在训练时放在GPU上进行计算，随着时间推移，显存占用指数倍增长，如果可以的话，把训练过程中的pytorch变量对象转换成numpy变量会大大减少显存的占用。pytorch中的python对象占用空间很大，模型可以用。
2022-11-29 11:25:14
2031
1
原创 RuntimeError: CUDA error: CUBLAS_STATUS_INTERNAL_ERROR when calling `cublasCreate(handle)`
RuntimeError: CUDA error: CUBLAS_STATUS_INTERNAL_ERROR when calling cublasCreate(handle)``出现这个问题可能有很多原因，如果版本检查pytorch和CUDA匹配的话，一定检查一下你的网络结构设置的正不正确，有没有初始化参数写错、tensor大小不相容的错误，亲测有效，我的网络初始化需要一个参数改变最后隐藏层的数目，因为忘记设置，数据大小和网络不匹配，就会报这个错！...
2022-05-20 16:07:12
3293
原创 【前端笔记】CSS一些易错点
这是我在学习前端时遇到的一些易错点和问题。在使用<li>标签的过程中，如果采用了浮动并且设置了右边距，一定要注意最好把最后一个<li>标签的右边距清除，否则因为右边距变长位置会有变动。可以使用:last-child伪类来实现。当一行中出现多个时，可以采用:nth-child ()伪类将每一行最后一个<li>清除右边距。伪元素都以行内块的形式显示，加宽高不会生效，高度和内容相同，如果需要宽高，要设置显示模式。关于vertical-align属性的理解和示例：vert
2022-05-15 23:36:23
200
原创 Python实现横向联帮Cifar10图像分类
参考书目《联邦学习实战》 杨强在阅读本书的过程中，我尝试根据书中的代码，自己实现横向联邦学习中的图像分类任务，这里是我对代码和逻辑的理解还有出现的问题，希望对大家的学习有所帮助。下面的表格是一些实验基本信息：配置信息解释数据集Cifar10（其将样本划分后给每个客户端作为本地数据）全局迭代次数服务器和客户端的通信次数本地模型迭代次数每一次客户端训练的轮数，各个客户端可以相同，也可以不同 一些其它基础的模型配置信息
2022-02-05 23:45:32
2347
13
原创 CSS学习中的一些易错点（三）
%：百分比单位以父元素为基准，如果父元素的高度不能确定，是无法显示的具有默认样式的标签：body（margin）、h1（上下margin）、p（上下margin）、ul（上下margin和左padding list-style点样式）、a（cursor、underline）内联元素以文字的基线进行对齐而不是底线，会导致插入图片后容器底部有一些空隙，可以通过vertical-align属性设置为bottom解决，或者将display属性转换为block蓝湖等设计辅助软件可以提供Photoshop切图插.
2022-02-03 19:19:33
628
原创 CSS学习中的一些易错点（二）
样式设置优先级：style > id > class > 标签 > 通配 > 继承，!important可以提升样式的优先级（对于继承属性不适用），不建议使用，除非程序很复杂不容易改动；复合型如标签+类优先级高于单一类型的优先级；群组样式与单一样式优先级相同，靠后的优先级高，群组的目的就是方便书写padding不能出现负值，而margin可以出现负值border的设置必须标注style，如：border: blue 20px solid;否则无法显示边框mar.
2022-01-30 15:17:04
458
原创 联邦学习综述：挑战、方法和未来方向
联邦学习：挑战、方法和未来方向IEEE SIGNAL PROCESSING MAGAZINE， 2020一、简介随着移动设备等算力增强，信息传输的隐私问题日渐让人担忧。可以考虑在本地存储和使用模型但是集中训练机器学习模型的方式，比如手机用户的建模和个性化。联邦学习可以使得模型能够直接在远程设备进行训练。...
2021-12-21 17:42:21
4195
原创 联邦学习综述：概念与应用
联邦学习：概念与应用2019 ACM Transactions on Intelligent Systems and Technology, Hongkong现在的人工智能仍然面临两个挑战：数据孤岛和数据安全。本文介绍一种综合型安全联邦学习框架，包括水平联邦学习、垂直联邦学习和联邦迁移学习。这里介绍定义、结构和应用，提供了相关工作的调研。简介人工智能发展迅速，但是逐渐显现其缺陷。在很多领域中，数据都是有限的，而且质量不高，因此可以考虑将不同组织的数据进行融合并公用。 由于企业竞争、隐私和复杂的管
2021-12-21 00:23:53
1944
原创 【复现日志】Clustering-Based Speech Emotion Recognition by Incorporating Learned Features and Deep BiLSTM
Clustering-Based Speech Emotion Recognition by Incorporating Learned Features and Deep BiLSTM文章复现2021/11/22阅读文章后初步构思复现内容：数据集的下载和管理（注意speaker dependent和speaker independent数据集处理方式是不同的，需要设置一个超参获取数据信息，并存储到numpy数组当中）speaker dependent是将所有文件混合后，随机选取80%数据
2021-11-26 00:11:55
6061
7
原创 2021年声纹识别研究与应用学术研讨会笔记
2021年声纹识别研究与应用学术研讨会笔记声纹识别是国务院认定唯一远程身份认证方法，在研究过程中要注意信息安全和法律法规的要求，声纹识别是一个比较热的研究方向，
2021-11-22 23:49:43
4359
原创 【论文笔记】基于聚类特征深度LSTM的语音情感识别
Clustering-Based Speech Emotion Recognition by Incorporating Learned Features and Deep BiLSTMIEEE Access - South Korea, Pakistan关键词：语音情感识别、深度双向LSTM、关键片段、序列选择、CNN特征归一化、RBFN摘要传统SER主要注重手工特征和使用传统CNN模型来提取高阶特征，增加识别准确率和整个模型的复杂度。本文提出了新的框架：采用基于RBFN的聚类方法选择一个关
2021-11-22 18:01:46
4346
原创 【论文笔记】基于多分类器和对抗语料判别器的多语料库语音情感识别
Reconciliation of Multiple Corpora for Speech Emotion Recognition by Multiple Classifiers with an Adversarial Corpus DiscriminatorINTERSPEECH 2020 - Fairy Devices, Japan 关键词： 语音情感、多任务学习、对抗学习、多语料库摘要概述： 利用多任务学习和对抗学习压缩语料库特有因素以更好利用语料库，本篇文章研究的是训练数据的生成问题情感
2021-11-16 00:55:30
1739
1
原创 CSDN写文章插入本地图片使其居中的方法
假设你正在写CSDN的markdown文章，想要插入一幅本地图片，你需要点击工具栏上的图片选项并选择本地图片地址，例如：下面这个图不在正中间，而且下方显示了如下代码(x_i,y_i)(xi,yi)通过w←w+ηyixiw\leftarrow w+\eta y_ix_iw←w+ηyixi b←b+ηyib\leftarrow b+\eta y_ib←b+η
2020-11-18 23:47:30
227
原创 【TensorFlow学习及算法实现】简单线性回归
TensorFlow实现简单线性回归采用波士顿房价数据集的房间数量（RM）进行简单线性回归，目标是预测在最后一列（MEDV）给出的房价。
2020-11-16 20:50:42
258
1
原创 【统计学习方法算法实现】一、感知机学习算法 1. 原始形式
《统计学习方法》——算法实现一、感知机学习算法1.原始形式给定一个训练数据集：T={(x1,y1),(x2,y2),...,(xN,yN)}T=\lbrace(x_1,y_1),(x_2,y_2),...,(x_N,y_N) \rbraceT={(x1,y1),(x2,y2),...,(xN,yN)}，其中xi∈χ=Rnx_i\in\chi=R_nxi∈χ=Rn，yi∈Υ={+1,−1}y_i\in\Upsilon=\lbrace+1,-1\rbraceyi∈Υ={+1,−1}，求参
2020-11-14 20:51:34
324
原创 强化学习：GUNREAL论文翻译与思考
强化学习：GUNREAL 论文翻译与思考在阅读这篇论文时，对文章进行了翻译和分析，其中有一些省略的部分，不影响阅读。对于重点、有问题的地方进行标注。前几页是用iPad手写的，因为不方便所以换成了pdf电子版，希望大家能够为我解答问题点，也希望能为大家阅读论文提供帮助。...
2020-08-26 11:20:58
211
原创 【莫烦强化学习】视频笔记（五）1.什么是策略梯度？
第12节 什么是策略梯度——《强化学习笔记》12.1 策略梯度简介之前在【莫烦强化学习】视频笔记（一）2. 强化学习方法汇总中有提到过，强化学习的一种分类方法是基于概率的方法和基于价值方法，其中 策略梯度 是一种基于概率的方法。之前所学到的Q学习、SARSA学习、DQN等都是根据奖励值（奖惩）来进行行为选择的，选择价值较高的行为。而策略梯度则不需要看奖励值，直接输出对应的行为。更多的，可以通过为其添加神经网络的方式来预测行为。优点：可以在连续区间内挑选动作（比如动作是角度等等，是个连续的量），而基
2020-08-04 21:15:31
250
原创 【莫烦强化学习】视频笔记（四）2.DQN实现走迷宫
第11节 DQN实现走迷宫上一节已经详细介绍了DQN的两大利器：REPLAY BUFFER（经验回放机制）和冻结Q-target（目标网络，两个网络中用来估计真实Q值的网络），这里给出DQN的伪代码，方便后面的编程实现。11.1 主循环DQN伪代码如下:主循环的主要代码就是上面的更新过程，其它诸如DQN类等代码后续补充。主循环要注意的是，这里的两个网络和REPLAY BUFFER的用处，都是为了切断马尔可夫序列元素之间的关联性。对于网络的编写、网络参数更新主函数都不做考虑，中间存储到REPL
2020-07-30 23:21:06
3289
4
原创 【莫烦强化学习】视频笔记（四）1.什么是DQN？
第10节 什么是DQN？DQN（Deep Q Network）深度Q网络，实际上是将强化学习和深度学习的神经网络相结合的一种学习方式。为什么要提出这一种学习方法呢？因为传统的离散表示有一个瓶颈：当状态十分复杂的时候，多到可以填满线性轴的时候，离散表示方法会占用大量空间，而且计算十分复杂，搜索很耗时。但是，恰好神经网络可以做到。10.1 神经网络的作用可以把状态动作对 (s,a)(s,a)(s,a) 当作输入值，直接经过神经网络生成Q值，就不需要在表格中查找了。这里有可选的两种方式：输入状态动作
2020-07-24 22:53:12
753
原创 【莫烦强化学习】视频笔记（三）3.SARSA(lambda)
第9节 SARSA(lambda)9.1 SARSA(lambda)简介通过之前的学习，我们了解了什么是SARSA，它是一种On-Policy（同策略）的单步更新的算法，在环境中，我们每走一步就更新一次Q表，那么我们可以说，这样的更新方式叫做SARSA(0)。那么走完一步，再走一步，才进行更新，就可以叫做SARSA(1)。那么极端一些，等到整个episode结束才进行更新，那么就叫SARSA(n)（假设该episode n步结束），那么lambda就是我们想要更新的步数，记为SARSA(lambda
2020-07-21 16:33:44
248
原创 【莫烦强化学习】视频笔记（三）2.SARSA学习实现走迷宫
第8节 SARSA学习实现走迷宫之前一篇文章已经介绍过Q学习实现走迷宫的程序编写，对Q学习的整个过程也有了更加深刻的了解，文章链接：【莫烦强化学习】视频笔记（二）3.Q_Learning算法实现走迷宫这里只介绍与Q学习不同的（需要修改的）代码部分，最后给出整个源代码，如有错误请各位批评指正，感谢~8.1 SARSA-Learning类之前介绍的Q-Learning类，有初始化、选择动作、学习更新参数、查看状态是否存在四个模块，其中初始化（全局参数）、选择动作、查看状态是否存在这几个函数部分的功能
2020-07-20 22:05:46
616
1
原创 【莫烦强化学习】视频笔记（三）1.什么是SARSA？
第7节 什么是SARSA？SARSA是与Q学习类似的算法，关于Q学习的介绍在之前的笔记中，这里主要阐述：【莫烦强化学习】视频笔记（二）1. 什么是Q-Learning?与Q学习一样，SARSA学习也使用盗了“Q表”，通过更新Q表进行学习。如上图所示，SARSA学习的更新也有两个部分：现实Q值与估计Q值。估计Q值是直接从Q表中选择的，但是现实Q值的估计方法与Q学习不同。首先，我们有一个序列S、A、R、S‘、A’，当估计真实值的时候需要选择S‘的下一个动作A’，而动作A‘不是选择Q表中值最大的，而是
2020-07-20 17:06:55
310
原创 【莫烦强化学习】视频笔记（二）3.Q_Learning算法实现走迷宫
第6节 Q学习实现走迷宫我们要实现的走迷宫的可视化界面像下面视频所展示的一样，红色的探索者要走到黄色圆圈所在的“” 通过强化学习学习走迷宫 ...
2020-07-15 23:03:29
1245
原创 【莫烦强化学习】视频笔记（二）2.编写一个Q学习的小例子
第5节 编写一个Q学习的小例子本节使用python编写一个简单的Q学习例子，来体会Q学习中各种参数及更新过程。最后的效果是什么样的呢？这次要编写的是机器人寻宝，是一个线性的环境，o代表机器人，T代表终点，也就是宝藏所在处，当然也可以使用自己的符号表示。环境（只是外表，奖励值也是环境的一部分，但是是不可见的）长下面这样：-o---T这只是一个示例，空间长度是6，也可以自定义环境，更好的也可以是手动输入环境。最终会以命令行的形式不断更新显示环境，到达终点算作一次过程（episode），每挪动一个
2020-07-14 01:35:47
806
原创 【莫烦强化学习】视频笔记（二）1. 什么是Q-Learning?
【莫烦强化学习系列视频】笔记本第4节 什么是Q-Learning？我们的行动准则：好的行为能够获得奖励，不好的行为会获得惩罚。我叫小明，是某大学本科新生，上课的第一天，你并不知道上课走神会挂科，你坐在第一排，你有两个选择：听课和走神，你选择连续走神，老师给你挂了。你记住了这次惨痛的教训，重修的时候持续认真听讲（当然这是极端情况）。当前有一个Q表，如下面图所示：Q表中是每一个状态（s1，s2，……s_1，s_2，……s1，s2，……），所对应的是所有动作（a1,a2,……a_1,a_2,……a1
2020-07-05 22:41:00
467
原创 【莫烦强化学习】视频笔记（一）3. 为什么用强化学习？
【莫烦强化学习系列视频】笔记本第3节 为什么用强化学习？强化学习是机器学习中的一个大的分支，随着近些年的发展，强化学习也多与深度学习相结合。总的来说，强化学习就是让你的计算机从无到有地学习，不需要任何“监督（Um……基本上就是自学，从小白到大佬的意思）参考”来进行学习如何选择动作，如何行动才能获得给更高的回报。之前说过，强化学习具有**“分数导向性”**。下面是一些强化学习的小例子，其中环境就是比如迷宫，哪里是起点，那里是墙，哪里是终点（这些都可以叫做状态），还有状态转移概率，可视化等等，动作比如东南
2020-07-04 21:56:10
471
原创 【莫烦强化学习】视频笔记（一）2. 强化学习方法汇总
【莫烦强化学习系列视频】笔记本第2节 强化学习方法汇总本节的目的更多是对强化学习的方法及特征有初步的了解。我们可以通过将强化学习方法分类，来逐一理解。首先是通过是否需要理解环境（环境给我们什么就是什么），能够分为无模型的强化学习方法和基于模型的强化学习方法。假设这里有一个机器人和一个星球X。无模型的强化学习方法（Model-Free）： 不需要理解环境，机器人对星球X一无所知，机器人扔了一颗原子弹，但是由于环境未知，把自己也炸死了。基于模型的强化学习方法（Model-Based） ： 机器人通
2020-07-04 21:12:05
473
原创 【莫烦强化学习】视频笔记（一）1. 什么是强化学习？
【莫烦强化学习系列视频】笔记本第一节 什么是强化学习？我们人类在进行学习时，总是从一开始什么都不知道，经过不断的尝试与纠错，最终获得正确解决问题方法的过程，这就可以看作一个强化学习过程。实际，强化学习的例子很多：Alpha-Go在围棋场上战胜人类的高手 Alpha-Go 百度百科让计算机学习如何玩一些经典的游戏，如Atari游戏：????这些都是让计算机不断地尝试并学习行为准则，以赢得围棋棋局或者在打砖块游戏中得到高分。如何学习？想象此刻有一个虚拟的老师正在教计算机如何学习，但是他只
2020-07-04 01:21:48
404
DQN实现走迷宫（tkinter编写环境）
2020-07-30
Q_Learning.rar
2020-07-28
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人