<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[polyhedronx的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/polyhedronx</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; polyhedronx]]></copyright><item><title><![CDATA[水下无线光通信综述]]></title><link>https://blog.csdn.net/polyhedronx/article/details/82729766</link><guid>https://blog.csdn.net/polyhedronx/article/details/82729766</guid><author>polyhedronx</author><pubDate>Thu, 10 Jun 2021 14:57:58 +0800</pubDate><description><![CDATA[最近在做水下可见光通信这块，本文是阅读论文“A Survey of Underwater Wireless Optical Communication”之后的简单总结，感兴趣的朋友可以找更多的相关文章进行研读。

0. 摘要

水下无线通信是指在水环境中通过无线载波传输数据，载波可以是电磁波、声波和光波。本文重点介绍了利用光波作为传输载体的水下无线光通信（UWOC）。

0.1 相比于射频和声波，...]]></description><category></category></item><item><title><![CDATA[TensorFlow2.0实战笔记之（6）：Char RNN 文本生成]]></title><link>https://blog.csdn.net/polyhedronx/article/details/111088222</link><guid>https://blog.csdn.net/polyhedronx/article/details/111088222</guid><author>polyhedronx</author><pubDate>Thu, 17 Dec 2020 16:09:25 +0800</pubDate><description><![CDATA[1. 简介

Char RNN是一种字符级的循环神经网络，其本质是序列数据的推测，即通过已知的字符，预测下一个字符出现的概率并选取概率最大者为下一个字符。比如，已知hello的前四个字母hell，那我们就可以据此预测下一个字符很可能是o。因为是char级别的，并没有单词或句子层次上的特征提取，相对而言比较简单。

根据Char RNN的特点，它可以用来写诗，写歌，生成文章，生成代码等。

2. 原理

2.1 RNN的原理

RNN（Recurrent Neural Networks），即循环神经网络。在实]]></description><category></category></item><item><title><![CDATA[python dlib和face_recognition包的安装]]></title><link>https://blog.csdn.net/polyhedronx/article/details/98214902</link><guid>https://blog.csdn.net/polyhedronx/article/details/98214902</guid><author>polyhedronx</author><pubDate>Fri, 02 Aug 2019 17:40:40 +0800</pubDate><description><![CDATA[最近在尝试运行一个github上很火的人脸识别项目，传送门--&gt;https://github.com/ageitgey/face_recognition，不过在安装项目所需的一些包时出现了错误。

首先是dlib包，直接 pip install dlib会报错：


Looking in indexes: https://pypi.tuna.tsinghua.edu.cn/simple
Co...]]></description><category></category></item><item><title><![CDATA[PyCharm Runtime Error R6034解决方法]]></title><link>https://blog.csdn.net/polyhedronx/article/details/98181692</link><guid>https://blog.csdn.net/polyhedronx/article/details/98181692</guid><author>polyhedronx</author><pubDate>Fri, 02 Aug 2019 11:29:39 +0800</pubDate><description><![CDATA[在更新了pycharm之后，打开一个程序，设置Project Interpreter ，然后软件开始Updating Python Interpreter。之前都是很顺利地就运行完了，但是这次却卡在了这里：

                          

同时报错：

               ...]]></description><category></category></item><item><title><![CDATA[TensorFlow实战笔记之（5）：卷积神经网络  实现CIFAR-10数据集分类]]></title><link>https://blog.csdn.net/polyhedronx/article/details/97496518</link><guid>https://blog.csdn.net/polyhedronx/article/details/97496518</guid><author>polyhedronx</author><pubDate>Sat, 27 Jul 2019 22:37:33 +0800</pubDate><description><![CDATA[一、CIFAR-10数据集

1.简介

CIFAR-10是一个经典的数据集，包含60000张RGB 32x32像素的图像，其中训练集50000张，测试集10000张。CIFAR-10即标注为10类，每一类图片6000张，如下图。

                   

数据集下载地址：https://www.cs.toronto.edu/~kriz/...]]></description><category></category></item><item><title><![CDATA[TensorFlow实战笔记之（4）：卷积神经网络（CNN） 实现手写数字识别]]></title><link>https://blog.csdn.net/polyhedronx/article/details/94476824</link><guid>https://blog.csdn.net/polyhedronx/article/details/94476824</guid><author>polyhedronx</author><pubDate>Wed, 03 Jul 2019 16:30:31 +0800</pubDate><description><![CDATA[一、引言

前一篇博文使用单隐层的全连接神经网络，并结合一些神经网络的优化策略，如指数衰减学习率、正则化、Relu激活函数和Adam优化算法等，用包含100个隐层神经元的神经网络实现了MNIST数据集上手写数字识别98%的准确率。但是全连接神经网络也是有局限的，即使使用很深的网络、很多的隐层结点、很大的迭代轮数，也很难在MNIST数据集上得到99%以上的准确率。不过，卷积神经网络的出现解决了这一问...]]></description><category></category></item><item><title><![CDATA[TensorFlow实战笔记之（3）：神经网络优化策略]]></title><link>https://blog.csdn.net/polyhedronx/article/details/94429348</link><guid>https://blog.csdn.net/polyhedronx/article/details/94429348</guid><author>polyhedronx</author><pubDate>Tue, 02 Jul 2019 17:43:21 +0800</pubDate><description><![CDATA[根据我前面两篇博客Softmax Regression 实现手写数字识别和简单神经网络 实现手写数字识别的结果，使用单层的Softmax Regression进行手写数字识别的准确率约为92%，而加了一层隐层之后，准确率只有80%左右，令人感到意外，因为一般网络越深，分类效果应该越好才对。不过简单分析一下，原因可能就是加了一层隐层之后参数数量变大，容易产生过拟合等。单层的Softmax Regre...]]></description><category></category></item><item><title><![CDATA[TensorFlow实战笔记之（2）：简单神经网络 实现手写数字识别]]></title><link>https://blog.csdn.net/polyhedronx/article/details/93410962</link><guid>https://blog.csdn.net/polyhedronx/article/details/93410962</guid><author>polyhedronx</author><pubDate>Sun, 23 Jun 2019 22:06:42 +0800</pubDate><description><![CDATA[本文使用一个最简单的单隐层前馈网络实现手写数字识别，借助TensorFlow可以很容易地实现。

一、数据集

数据集使用MNIST，由数万张28像素×28像素的手写数字组成，这些图片只包含灰度值信息。其中包含训练集55000个样本，测试集10000个样本，以及验证集5000个样本。MNIST数据集可以在THE MNIST DATABASE下载，也可以使用下面的代码直接在python中导入：


...]]></description><category></category></item><item><title><![CDATA[TensorFlow优化算法 tf.train.AdamOptimizer 简介]]></title><link>https://blog.csdn.net/polyhedronx/article/details/93405760</link><guid>https://blog.csdn.net/polyhedronx/article/details/93405760</guid><author>polyhedronx</author><pubDate>Sun, 23 Jun 2019 20:47:15 +0800</pubDate><description><![CDATA[AdamOptimizer是TensorFlow中实现Adam算法的优化器。Adam即Adaptive Moment Estimation（自适应矩估计），是一个寻找全局最优点的优化算法，引入了二次梯度校正。Adam 算法相对于其它种类算法有一定的优越性，是比较常用的算法之一。

一、算法流程



初始化：



更新规则：



二、 参数定义


__init__(
    learning...]]></description><category></category></item><item><title><![CDATA[Tensorflow 优化器]]></title><link>https://blog.csdn.net/polyhedronx/article/details/93404276</link><guid>https://blog.csdn.net/polyhedronx/article/details/93404276</guid><author>polyhedronx</author><pubDate>Sun, 23 Jun 2019 20:19:22 +0800</pubDate><description><![CDATA[所谓的优化器，就是tensorflow中梯度下降的策略，用于更新神经网络中数以百万的参数。工程师们除了在不断的推出新的神经网络的结构以外，还在不断的推出新的参数更新的策略，在这篇博客中，我们就列举tensorflow中所有的优化器，并对几个进行讲解。
为了列举所有的...]]></description><category></category></item><item><title><![CDATA[TensorFlow实战笔记之（1）：Softmax Regression 实现手写数字识别]]></title><link>https://blog.csdn.net/polyhedronx/article/details/93369426</link><guid>https://blog.csdn.net/polyhedronx/article/details/93369426</guid><author>polyhedronx</author><pubDate>Sat, 22 Jun 2019 22:11:38 +0800</pubDate><description><![CDATA[基于MNIST数据集的手写数字识别可以看作是机器学习领域的 “Hello World” 任务。

MNIST是一个入门级的计算机视觉数据集，它包含各种手写数字图片及对应的标签，图片的大小为28×28，且只包含灰度值信息：



TensorFlow的一些入门知识主要参考了黄文坚所著的那本《TensorFlow实战》以及TensorFlow中文社区，里面已经将的非常详细了，所以就不再赘述。

Sof...]]></description><category></category></item><item><title><![CDATA[使用 pip-review 同时更新所有python包]]></title><link>https://blog.csdn.net/polyhedronx/article/details/93344707</link><guid>https://blog.csdn.net/polyhedronx/article/details/93344707</guid><author>polyhedronx</author><pubDate>Sat, 22 Jun 2019 18:04:16 +0800</pubDate><description><![CDATA[下面列出一些常用的pip操作：


pip --version  # 查看版本和路径

pip install -U pip  # 更新pip

pip install SomePackage  # 安装包

pip install --upgrade SomePackage  # 更新包

pip uninstall SomePackage  # 卸载包

pip show SomePackag...]]></description><category></category></item><item><title><![CDATA[python的常见矩阵运算]]></title><link>https://blog.csdn.net/polyhedronx/article/details/82828645</link><guid>https://blog.csdn.net/polyhedronx/article/details/82828645</guid><author>polyhedronx</author><pubDate>Mon, 24 Sep 2018 13:23:57 +0800</pubDate><description><![CDATA[原文链接：https://blog.csdn.net/taxueguilai1992/article/details/46581861

python的numpy库提供矩阵运算的功能，因此我们在需要矩阵运算的时候，需要导入numpy的包。

1.numpy的导入和使用


from numpy import *;#导入numpy的库函数
import numpy as np; #这个方式使用num...]]></description><category></category></item><item><title><![CDATA[matplotlib转义字符全集,编写数学表达式]]></title><link>https://blog.csdn.net/polyhedronx/article/details/82828620</link><guid>https://blog.csdn.net/polyhedronx/article/details/82828620</guid><author>polyhedronx</author><pubDate>Mon, 24 Sep 2018 13:07:58 +0800</pubDate><description><![CDATA[
								            
						
编写数学表达式

原文：Writing mathematical expressions
译者：飞龙
协议：CC BY-NC-SA 4.0

你可以在任何 matplotlib 文本字符串中使用子 TeX 标记，将它放在一对美元符号（$）内。
注意，你不需要安装 TeX，因为 matplotlib 提供了自己的 TeX 表达式解析器，布局引...]]></description><category></category></item><item><title><![CDATA[机器学习中的范数规则化之  L0、L1与L2范数]]></title><link>https://blog.csdn.net/polyhedronx/article/details/82824265</link><guid>https://blog.csdn.net/polyhedronx/article/details/82824265</guid><author>polyhedronx</author><pubDate>Sun, 23 Sep 2018 19:33:37 +0800</pubDate><description><![CDATA[&amp;nbsp; &amp;nbsp; &amp;nbsp; &amp;nbsp;今天我们聊聊机器学习中出现的非常频繁的问题：过拟合与规则化。我们先简单的来理解下常用的L0、L1、L2和核范数规则化。最后聊下规则化项参数的选择问题。这里因为篇幅比较庞大，为了不吓到大家，我将这个五个部分分成两篇博文。知识有限，以下都是我一些浅显的看法，如果理解存在错误，希望大家不吝指正。谢谢。
&amp;nbsp;
&amp;nbsp; &amp;nbsp; &amp;nb...]]></description><category></category></item><item><title><![CDATA[python实战笔记之（13）：Scrapy基本用法实例讲解]]></title><link>https://blog.csdn.net/polyhedronx/article/details/82466172</link><guid>https://blog.csdn.net/polyhedronx/article/details/82466172</guid><author>polyhedronx</author><pubDate>Fri, 07 Sep 2018 00:34:42 +0800</pubDate><description><![CDATA[Scrapy是一个非常强大的异步爬虫框架，它已经给我们写好了许许多多的组件，使用Scrapy我们只用关心爬虫的逻辑就好了。本文通过一个简单的项目了解一下Scrapy的爬取流程，对Scrapy的基本用法也有一个大体的了解。

一、目标站点分析

Scrapy提供了一个官方抓取网站：http://quotes.toscrape.com，主要列出了一些名人名言，相应的作者和标签信息。



下拉到底点击...]]></description><category></category></item><item><title><![CDATA[python实战笔记之（12）：Scrapy框架安装]]></title><link>https://blog.csdn.net/polyhedronx/article/details/82461925</link><guid>https://blog.csdn.net/polyhedronx/article/details/82461925</guid><author>polyhedronx</author><pubDate>Thu, 06 Sep 2018 16:38:41 +0800</pubDate><description><![CDATA[一、什么是Scrapy

Scrapy是Python开发的一个快速、高层次的屏幕抓取和web抓取框架，用于抓取web站点并从页面中提取结构化的数据。Scrapy用途广泛，可以用于数据挖掘、监测和自动化测试。

Scrapy吸引人的地方在于它是一个框架，任何人都可以根据需求方便的修改。它也提供了多种类型爬虫的基类，如BaseSpider、sitemap爬虫等，最新版本又提供了web2.0爬虫的支持。...]]></description><category></category></item><item><title><![CDATA[解决Anaconda无法更新的问题]]></title><link>https://blog.csdn.net/polyhedronx/article/details/82458522</link><guid>https://blog.csdn.net/polyhedronx/article/details/82458522</guid><author>polyhedronx</author><pubDate>Thu, 06 Sep 2018 11:30:37 +0800</pubDate><description><![CDATA[
                                            
                        

原文地址：https://blog.csdn.net/liyebei/article/details/73477249

问题描述：
刚开始使用Anaconda，在命令行中跟新包时，报如下错误：

(D:\ProgramData\Anaconda3) D:...]]></description><category></category></item><item><title><![CDATA[python 使用pyinstaller打包时，subprocess失效问题]]></title><link>https://blog.csdn.net/polyhedronx/article/details/82432148</link><guid>https://blog.csdn.net/polyhedronx/article/details/82432148</guid><author>polyhedronx</author><pubDate>Wed, 05 Sep 2018 23:05:37 +0800</pubDate><description><![CDATA[使用pyinstaller将python程序打包，不使用-w参数时（如“pyinstaller -F main.py -i cat.ico”）程序运行正常，但使用-w参数去掉console后，程序便卡在了一个地方无法继续运行，经过调试发现，出问题的地方在subprocess.Popen语句，原来是这样的：


popen = subprocess.Popen(cmd_list, shell=Fal...]]></description><category></category></item><item><title><![CDATA[GitHub 新手详细教程]]></title><link>https://blog.csdn.net/polyhedronx/article/details/82313898</link><guid>https://blog.csdn.net/polyhedronx/article/details/82313898</guid><author>polyhedronx</author><pubDate>Sun, 02 Sep 2018 11:16:57 +0800</pubDate><description><![CDATA[
                                
                    原文地址：                   https://blog.csdn.net/Hanani_Jia/article/details/77950594               

                                        &amp;amp;lt;link...]]></description><category></category></item></channel></rss>