<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[dengheCSDN的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/dengheCSDN</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; dengheCSDN]]></copyright><item><title><![CDATA[起标题真烦人]]></title><link>https://blog.csdn.net/dengheCSDN/article/details/118708528</link><guid>https://blog.csdn.net/dengheCSDN/article/details/118708528</guid><author>dengheCSDN</author><pubDate>Tue, 13 Jul 2021 19:10:42 +0800</pubDate><description><![CDATA[完整安装过程

 一、检查自己的电脑环境是否具备安装CUDA的条件
 1.验证自己的电脑是否有一个可以支持CUDA的GPU
 2.验证自己的Linux版本是否支持 CUDA(Ubuntu 16.04没问题)
 3.验证系统是否安装了gcc
 4.验证系统是否安装了kernel header和 package development
 4.1查看正在运行的系统内核版本：
 二、NVidia驱动
 0、一些认...]]></description><category></category></item><item><title><![CDATA[迁移学习]]></title><link>https://blog.csdn.net/dengheCSDN/article/details/86535405</link><guid>https://blog.csdn.net/dengheCSDN/article/details/86535405</guid><author>dengheCSDN</author><pubDate>Fri, 18 Jan 2019 10:21:57 +0800</pubDate><description><![CDATA[Domain Adaptive（特征层面）
继Jason Yosinski在2014年的NIPS上的《How transferable are features in deep neural networks?》探讨了深度神经网络的可迁移性以后，有一大批工作就开始实际地进行深度迁移学习。简要回顾一下Jason工作的重要结论：对于一个深度网络，随着网络层数的加深，网络越来越依赖于特定任务；而浅层相对...]]></description><category></category></item><item><title><![CDATA[聚类算法（四）、基于高斯混合分布 GMM 的聚类方法（补充阅读）]]></title><link>https://blog.csdn.net/dengheCSDN/article/details/82786984</link><guid>https://blog.csdn.net/dengheCSDN/article/details/82786984</guid><author>dengheCSDN</author><pubDate>Wed, 26 Sep 2018 22:03:21 +0800</pubDate><description><![CDATA[      基于高斯混合分布的聚类，我看了很多资料，，写的千篇一律，一律到让人看不明白。直到认真看了几遍周志华写的，每看一遍，都对 GMM 聚类有一个进一步的认识。所以，如果你想了解这一块，别看乱七八糟的博客了，直接去看周志华的《机器学习》 P206页。

下面是我额外看的几篇论文，还不错，我大致总结了一下，作为笔记。

拓展阅读：

1、基于高斯混合模型的层次聚类算法 瞿俊（厦门大学，2006）...]]></description><category></category></item><item><title><![CDATA[聚类算法（三）——基于密度的聚类算法（以 DBSCAN 为例）]]></title><link>https://blog.csdn.net/dengheCSDN/article/details/82793940</link><guid>https://blog.csdn.net/dengheCSDN/article/details/82793940</guid><author>dengheCSDN</author><pubDate>Thu, 20 Sep 2018 22:16:26 +0800</pubDate><description><![CDATA[      上一篇博客提到 K-kmeans 算法存在好几个缺陷，其中之一就是该算法无法聚类哪些非凸的数据集，也就是说，K-means 聚类的形状一般只能是球状的，不能推广到任意的形状。本文介绍一种基于密度的聚类方法，可以聚类任意的形状。

      基于密度的聚类是根据样本的密度分布来进行聚类。通常情况下，密度聚类从样本密度的角度出来，来考查样本之间的可连接性，并基于可连接样本不断扩展聚类簇，...]]></description><category></category></item><item><title><![CDATA[聚类算法（二）、聚类算法的系统性比较]]></title><link>https://blog.csdn.net/dengheCSDN/article/details/82748991</link><guid>https://blog.csdn.net/dengheCSDN/article/details/82748991</guid><author>dengheCSDN</author><pubDate>Wed, 19 Sep 2018 11:20:02 +0800</pubDate><description><![CDATA[      聚类是试图将数据集中的样本划分为若干个不相交的子集。每个子集称为一个“簇”（cluster)。聚类既能作为一个单独的过程，也可以作为分类等其他学习任务的前驱任务、例如，在一些商业应用中，需要对新用户的类型进行判别，但是定义“用户l类型”对商家来说可不容易，此时，往往先对用户数据进行聚类，根据聚类结果将每个簇定义为一个类，然后再基于这些类训练分类模型，用于判别新用户的类型。

     ...]]></description><category></category></item><item><title><![CDATA[聚类算法（一）—— k-means算法以及其改进算法]]></title><link>https://blog.csdn.net/dengheCSDN/article/details/82744181</link><guid>https://blog.csdn.net/dengheCSDN/article/details/82744181</guid><author>dengheCSDN</author><pubDate>Mon, 17 Sep 2018 20:43:54 +0800</pubDate><description><![CDATA[      聚类算法是一种无监督学习，它把数据分成若干类，同一类中的数据的相似性应尽可能地大，不同类中的数据的差异性应尽可能地大。聚类算法可分为“软聚类”和“硬聚类”，对于“硬聚类”，样本中的每一个点都是 100%确定分到某一个类别；而“软聚类”是指样本点以一定的概率被分配到一个类别中。提到聚类算法，很容易想到 K-means 算法，即 K-均值。这种方法很好理解，也很好实现。本文以 k-mean...]]></description><category></category></item><item><title><![CDATA[计算机视觉/模式识别方向的期刊和会议]]></title><link>https://blog.csdn.net/dengheCSDN/article/details/81909896</link><guid>https://blog.csdn.net/dengheCSDN/article/details/81909896</guid><author>dengheCSDN</author><pubDate>Tue, 21 Aug 2018 16:29:02 +0800</pubDate><description><![CDATA[本文共转载了四篇文章，从不同的角度从模式识别相关的期刊和会议作出了分析，分别如下

转载于：http://blog.sina.com.cn/s/blog_e2c230e20102w4ny.html

第一章：会议 conferences
一般来说，学术会议会设置很多chairs，各种chairs职责不同。General chairs是负责组织会议的准备和进行的，program chairs负责接收...]]></description><category></category></item><item><title><![CDATA[一个博士（机器学习方向）的忠告]]></title><link>https://blog.csdn.net/dengheCSDN/article/details/81877437</link><guid>https://blog.csdn.net/dengheCSDN/article/details/81877437</guid><author>dengheCSDN</author><pubDate>Mon, 20 Aug 2018 20:37:30 +0800</pubDate><description><![CDATA[转载于知乎：https://www.zhihu.com/question/25157730

问题：读机器学习方向。
发现机器学习算法比较固定，算法应用于文本和图像处理。
毕业要求发表级别较高的期刊论文，算法都已经存在甚至被改进过，
怎么能写出自己的东西呢？没有idea，也就没有实验。
怎么能完成论文呢？
迷茫中。
求指导，谢谢。

谢邀，本来不想回答这个问题，因为作为一个并不成功，毕业捉急，论文...]]></description><category></category></item><item><title><![CDATA[孔径问题（aperture problem）]]></title><link>https://blog.csdn.net/dengheCSDN/article/details/81747063</link><guid>https://blog.csdn.net/dengheCSDN/article/details/81747063</guid><author>dengheCSDN</author><pubDate>Thu, 16 Aug 2018 19:01:35 +0800</pubDate><description><![CDATA[转载于：http://mmdays.com/2008/04/17/aperture_problem/

各位经过理发店的时候，或许都会注意到理发店有一个卷轴，卷轴不停旋转，但是看起来会像是有一圈圈的条纹往上移动。今天要和各位介绍的是另外一个类似的错觉，叫做「孔径问题」 (Aperture Problem)。



图1 理发店卷轴错觉

何谓孔径问题呢？我们可以先看看下面这个动画：



 

图...]]></description><category></category></item><item><title><![CDATA[Hashmap 源码与原理]]></title><link>https://blog.csdn.net/dengheCSDN/article/details/80516157</link><guid>https://blog.csdn.net/dengheCSDN/article/details/80516157</guid><author>dengheCSDN</author><pubDate>Wed, 30 May 2018 21:17:33 +0800</pubDate><description><![CDATA[本文参考了三篇博文：1、https://blog.csdn.net/u010335911/article/details/262978592、https://blog.csdn.net/srzhz/article/details/7881946/3、https://blog.csdn.net/ddkxddkx/article/details/6555754下面给出源码，其他内容参考上述博文吧has...]]></description><category></category></item><item><title><![CDATA[动态规划 —— 进阶]]></title><link>https://blog.csdn.net/dengheCSDN/article/details/80483398</link><guid>https://blog.csdn.net/dengheCSDN/article/details/80483398</guid><author>dengheCSDN</author><pubDate>Mon, 28 May 2018 15:51:30 +0800</pubDate><description><![CDATA[转载于：https://blog.csdn.net/baidu_28312631/article/details/47426445在我的上一篇文章中已经详细讲解了动态规划的原理和如何使用动态规划解题。本篇文章，我将继续通过例子来让大家更加熟练地使用动态规划算法。    话不多说，来看如下例题，也是在动态规划里面遇到过的最频繁的一个题，本题依然来自于北大POJ：    最长公共子序列（POJ1458...]]></description><category></category></item><item><title><![CDATA[动态规划  —— 基础篇]]></title><link>https://blog.csdn.net/dengheCSDN/article/details/80483366</link><guid>https://blog.csdn.net/dengheCSDN/article/details/80483366</guid><author>dengheCSDN</author><pubDate>Mon, 28 May 2018 15:50:21 +0800</pubDate><description><![CDATA[转载于：https://blog.csdn.net/baidu_28312631/article/details/47418773动态规划相信大家都知道，动态规划算法也是新手在刚接触算法设计时很苦恼的问题，有时候觉得难以理解，但是真正理解之后，就会觉得动态规划其实并没有想象中那么难。网上也有很多关于讲解动态规划的文章，大多都是叙述概念，讲解原理，让人觉得晦涩难懂，即使一时间看懂了，发现当自己做题的...]]></description><category></category></item><item><title><![CDATA[STL 中 vector 的实现原理]]></title><link>https://blog.csdn.net/dengheCSDN/article/details/80357320</link><guid>https://blog.csdn.net/dengheCSDN/article/details/80357320</guid><author>dengheCSDN</author><pubDate>Thu, 17 May 2018 21:38:24 +0800</pubDate><description><![CDATA[转载于：https://blog.csdn.net/u012658346/article/details/50725933本文基于STL vector源代码，但是不考虑分配器allocator，迭代器iterator，异常处理try/catch等内容，同时对_Ucopy（）、 _Umove（）、 _Ufill（）函数也不会过度分析。一、vector的定义template&amp;lt;class _Ty,...]]></description><category></category></item><item><title><![CDATA[心情杂记（持续更新。。）]]></title><link>https://blog.csdn.net/dengheCSDN/article/details/79921619</link><guid>https://blog.csdn.net/dengheCSDN/article/details/79921619</guid><author>dengheCSDN</author><pubDate>Thu, 12 Apr 2018 22:49:31 +0800</pubDate><description><![CDATA[1、2018.04如果你发现，你和一个人聊天很舒服，你觉得你俩太投缘了，简直是相见恨晚那么，他的情商和知识含量肯定是远远超过你的。。只要他愿意他就可以和每个你这种级别的人都达到心有灵犀的程度2、2018.04爱情永远不会被打败，被打败的多数都是没有爱情，什么距离啊，现实啊啥的。请记住：我们生活在一个上了床就分手的时代，但是，这个时代仍旧是牵了手就能一辈子的时代。3、2018.4你接近什么样的人，就...]]></description><category></category></item><item><title><![CDATA[KMP 算法]]></title><link>https://blog.csdn.net/dengheCSDN/article/details/79873858</link><guid>https://blog.csdn.net/dengheCSDN/article/details/79873858</guid><author>dengheCSDN</author><pubDate>Mon, 09 Apr 2018 22:22:11 +0800</pubDate><description><![CDATA[1、字符串中包含子串描述：给定一个字符串 A，要求在 A 中查找一个子串 B方法一：利用 string 的一些函数，比如 find()，substr() 等。int findstr(string str, string substr)
{
	assert(!str.empty() &amp;amp;&amp;amp; !substr.empty());  // 断言，必不可少
	int length_str = ...]]></description><category></category></item><item><title><![CDATA[贪心算法（一）背包问题]]></title><link>https://blog.csdn.net/dengheCSDN/article/details/79824746</link><guid>https://blog.csdn.net/dengheCSDN/article/details/79824746</guid><author>dengheCSDN</author><pubDate>Fri, 06 Apr 2018 22:04:28 +0800</pubDate><description><![CDATA[1、贪心算法、分治法、动态规划之间的区别与联系分治法：将原问题划分成 n 个规模较小的，并且结构与原问题相似的子问题；递归地解决子问题；然后合并其结果。比如快速排序、归并排序等。分治法能解决的问题，一般具有以下特征：（1）问题的规模缩小到一定程度就可以解决；（2）该问题可以分解为若干规模较小的相同问题；（3）子问题的解可以合并为该问题的解；（4）子问题是相互独立的。第（1）个特征绝大多数问题都能满...]]></description><category></category></item><item><title><![CDATA[动态规划 —— 回文串（数）]]></title><link>https://blog.csdn.net/dengheCSDN/article/details/79782914</link><guid>https://blog.csdn.net/dengheCSDN/article/details/79782914</guid><author>dengheCSDN</author><pubDate>Sun, 01 Apr 2018 22:40:11 +0800</pubDate><description><![CDATA[今天是周日，看着身边的人都去踏青了，而我泡在实验室刷了将近 10 题回文数（串）相关的题目，这脑袋，也不知道被啥踢了。。但愿苦心人，天不负吧。。。回文串的相关题目，变化还是不少的。本博客一点点呈现。题目包括：（1）判断回文串（数）（2）统计回文个数（将两个字符串混合）（3）回文数猜想（4）回文链表（三种方法）（5）字符串的最长回文子串（6）回文子序列个数1、什么是回文串（数）回文串是正读和反读都一...]]></description><category></category></item><item><title><![CDATA[动态规划——最长公共子序列 与 最长公共子串]]></title><link>https://blog.csdn.net/dengheCSDN/article/details/79750041</link><guid>https://blog.csdn.net/dengheCSDN/article/details/79750041</guid><author>dengheCSDN</author><pubDate>Thu, 29 Mar 2018 22:39:15 +0800</pubDate><description><![CDATA[1、最长公共子序列LCS 问题，即最长公共子序列问题。它并不要求所求得的字符在所给定的字符串中是连续的。比如输入的两个字符串是 ABCBDAB 和 BDCABA，那么，BCBA 和 BDAB 都是他们最长的公共子序列。则输出它们的长度 4。假设两个字符串 A = [A0,A1....Am],,B = [B0,B1...Bn] 的最长公共子序列是 C = [C0,C1.....Ck]。下面分三种情况...]]></description><category></category></item><item><title><![CDATA[排序算法（六）、归并排序]]></title><link>https://blog.csdn.net/dengheCSDN/article/details/79733477</link><guid>https://blog.csdn.net/dengheCSDN/article/details/79733477</guid><author>dengheCSDN</author><pubDate>Wed, 28 Mar 2018 22:27:54 +0800</pubDate><description><![CDATA[1、二路归并排序“归并”即“合并”，是指将两个或者两个以上有序表组合成一个有序表。假如待排序表含有 n 个记录，即可以视为 n 个有序的子表。每个子表长度为1，然后两两归并，得到 n/2 个长度为 2 或者 1 的有序表，然后，再两两归并，。。。。如此重复，直到合并成一个长度为 n 的有序表为止。这种排序方法称为“二路归并排序”。递归形式的二路归并算法，主要包含两个步骤：（1）、分解：将长度为 n...]]></description><category></category></item><item><title><![CDATA[排序算法（五）、堆排序 —— 合并果子]]></title><link>https://blog.csdn.net/dengheCSDN/article/details/79704626</link><guid>https://blog.csdn.net/dengheCSDN/article/details/79704626</guid><author>dengheCSDN</author><pubDate>Mon, 26 Mar 2018 22:34:21 +0800</pubDate><description><![CDATA[2004年NOIP全国联赛普及组 题目描述： 在一个果园里，多多已经将所有的果子打了下来，而且按果子的不同种类分成了不同的堆。多多决定把所有的果子合成一堆。 每一次合并，多多可以把两堆果子合并到一起，消耗的体力等于两堆果子的重量之和。可以看出，所有的果子经过n-1次合并之后，就只剩下一堆了。多多在合并果子时总共消耗的体力等于每次合并所耗体力之和。 因为还要花大力气把这些果子搬回家，所以多多在合并果...]]></description><category></category></item></channel></rss>