- 博客(36)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 使用GPT-soVITS再4060下2小时训练声音模型以及处理断句带来的声音模糊问题
的“熟肉”，我这篇笔记就不展示整一个训练和推理流程，重点写的4060该注意的一些事项。如何解决断句模糊的问题，在本篇笔记的最末尾。
2024-06-09 03:02:11
1575
2
原创 谱域GNN傅里叶变换计算
我们是以老师为单位配置服务器的，不同学生采用不同的账户，root等一些的文件夹的权限是被拒绝的。一般只用自己的软件：/home/username。初始化完毕之后必须要重新打开ssh连接，重新连接一下就行，因为安装miniconda3之后最前面会出现环境名称。一般学校服务器的网络还是比较稳定的，不用离线下载sh之类的文件。
2023-10-12 20:33:20
155
原创 在实验室的服务器上，指定目录配置miniconda
我们是以老师为单位配置服务器的，不同学生采用不同的账户，root等一些的文件夹的权限是被拒绝的。一般只用自己的软件：/home/username。初始化完毕之后必须要重新打开ssh连接，重新连接一下就行，因为安装miniconda3之后最前面会出现环境名称。一般学校服务器的网络还是比较稳定的，不用离线下载sh之类的文件。
2023-09-09 16:07:48
469
原创 SVD奇异值分解
首先，计算拉普拉斯矩阵。拉普拉斯矩阵可以通过度矩阵 D 和邻接矩阵 A 计算得到，公式为 L = D - A。好的，让我们以一个简单的例子来说明谱图神经网络的计算过程。通过以上计算，我们得到了每个节点的新表示。这个新表示捕捉了节点之间的关系和图的拓扑结构，可以用于后续的任务和分析。现在，我们选择一个多项式函数来对特征值进行变换。假设我们选择的多项式函数是。现在我们将使用拉普拉斯矩阵和多项式函数来计算节点的新表示。接下来，我们进行特征值分解，得到特征值和特征向量。最后，将特征向量与多项式函数的结果相乘，
2023-09-06 20:17:08
233
原创 空间域的GNN
首先，计算拉普拉斯矩阵。拉普拉斯矩阵可以通过度矩阵 D 和邻接矩阵 A 计算得到，公式为 L = D - A。好的，让我们以一个简单的例子来说明谱图神经网络的计算过程。通过以上计算，我们得到了每个节点的新表示。这个新表示捕捉了节点之间的关系和图的拓扑结构，可以用于后续的任务和分析。现在，我们选择一个多项式函数来对特征值进行变换。假设我们选择的多项式函数是。现在我们将使用拉普拉斯矩阵和多项式函数来计算节点的新表示。接下来，我们进行特征值分解，得到特征值和特征向量。最后，将特征向量与多项式函数的结果相乘，
2023-09-04 22:35:39
97
原创 self-attention
（1）提供一种思路：假设a1与a1计算关联度，a1（100×100）与a2（100×100），a1通过一个权重参数W_q矩阵（100×1），a2通过一个权重参数W_k矩阵（100×1）,就可以的新的vector，q=（100×1），k=（100×1）；当我们希望q，k，v向量可以存在多种的联系的时候，那么我们则需要使用多组参数来传播这些数据，通过排列组合不同q，不同k，不同的v，就可以得到多组的b，在通过一些变化就可以，合并到一个b上。（2）将每一个向量乘上当前关联程度，再进行一个sum就可以得到b1，
2023-08-24 10:07:17
43
原创 MAML解析
任务A的训练数据： 样本1：[0.2, 0.4], 类别：1 样本2：[0.5, 0.8], 类别：0 样本3：[0.6, 0.1], 类别：1 样本4：[0.9, 0.3], 类别：0。任务B的训练数据： 样本1：[0.1, 0.3], 类别：0 样本2：[0.7, 0.9], 类别：1 样本3：[0.4, 0.6], 类别：0 样本4：[0.8, 0.2], 类别：1。外层优化： 在外层优化中，我们使用任务A和任务B的更新后的参数来计算损失函数，并通过梯度下降更新初始参数。
2023-08-22 16:10:30
208
原创 如何理解任务头（task head）
这篇主要是关于图神经网络的概念理解的问题。在读论文中存在许多预训练模型优化的相关论文，但预训练的过程与下游任务在EVALUATION中往往使用相同的数据集来验证效果，部分论文也没有探讨transability的问题。
2023-08-19 18:41:30
538
3
原创 神经网络维度变化说明/batch的意义
首先我们先创建一个2层神经网络模型，只包含的输入层与一个隐藏层。输入层的dim是100，隐藏层是50。由于输入特征的dim是9999，而input_layer的dim是100。所以这里需要构建用于参数矩阵用于降维，该参数矩阵的维度的（9999，100）。input_layer的dim是100，而hid_dim的维度是50，所以这里的参数矩阵的维度是（100，50）假设我们现在又100个样本，每一个样本的特征的向量是1×9999（[1,2,…重复5次以上操作，这里的参数更新了5次。这里的参数更新了100次。
2023-08-19 11:14:25
347
原创 Adam简要介绍
它的目标是通过最小化一个损失函数来调整模型的参数，以使模型能够更好地拟合训练数据。在梯度下降中，我们首先需要选择一个初始的模型参数值。然后，我们计算损失函数关于这些参数的梯度，即损失函数对每个参数的变化率。梯度告诉我们在当前参数值下，如果稍微改变参数，损失函数会如何变化。接下来，我们沿着梯度的反方向更新模型参数。也就是说，我们将参数朝着能够减少损失函数的方向移动一小步。这个步长称为学习率，它决定了我们每次更新参数时应该走多远。
2023-08-18 07:23:27
152
原创 残差网络（ResNet）中图神经网络中应用以及示例
然而，当图网络的深度增加时，由于多次的信息传递和变换，梯度可能会逐渐消失或爆炸，导致网络难以训练。全连接层映射到职业标签：在网络的最后一层，我们可以添加一个全连接层将节点的隐藏表示映射到职业标签空间。现在，我们来引入残差连接。归一化处理：将每个节点的属性特征进行归一化处理，例如将年龄特征除以最大年龄值，将性别特征进行one-hot编码，将兴趣爱好特征进行标准化处理。其中，N表示函数输入的数量，K1、K2和K3分别表示图卷积层1、图卷积层2和全连接层中的神经元数量，M表示函数输出的数量。
2023-08-15 11:29:21
1004
1
原创 节点特征遮蔽
通过节点特征掩码的操作，我们只保留了职业为学生的节点的特征，而将其他节点的特征屏蔽了。这样，我们可以将模型的注意力集中在职业为学生的用户上，更好地学习他们的特征与广告点击行为之间的关系，以便进行预测。假设我们有一个社交网络的图，其中包含5个节点，每个节点代表一个用户。节点特征向量表示用户的以下信息：年龄、性别和职业。现在我们感兴趣的是预测职业为学生的用户是否会点击广告。因此，我们定义一个节点特征掩码，使得只有职业为学生的节点的特征被保留，而其他节点的特征被屏蔽。
2023-08-14 13:48:01
98
1
原创 图对比学习，用一个简单的例子概括
m表示margin的意思是一个bias，损失函数在这当然是越小越好，梯度更新的方向是朝损失函数减少的方向进行的。因此d_AB - d_AC + m
2023-08-13 23:01:59
156
1
原创 使用一个最简单的例子来说明GNN/GNN入门
通过全连接层，我们利用图级别表示进行了具体的分类预测。通过transform操作，我们将原始图中的节点特征进行聚合和变换，得到了一个更具有代表性的图级别表示。我们可以定义一个包含3个输出节点的全连接层，并使用softmax激活函数来得到每个类别的概率分布。最后，我们可以将这个图级别表示输入到一个全连接层进行分类预测。根据具体的任务需求和模型架构，我们可以定义分类器并进行训练，从而完成图分类任务。接下来，在readout阶段，我们需要对整个图进行聚合，生成一个图级别的表示。
2023-08-13 00:09:49
222
1
原创 c++复习
在每一个成员函数中都包含一个特殊的指针，这个指针的名字是固定的，称为this。它是指向本类对象的指针，它的值是当前被调用的成员函数所在的对象的起始地址。概念: class和struct的语法基本相同，从声明到使用，都很相似，但是struct的约束要比class多，理论上,struct能做到的class都能做到，但class能做到的stuct却不一定做的到。运算符重载：就跟函数重载的意义一样，都是对同一个事物产生不同的使用方法，所以运算符重载指的是对已有的运算符重新定义新的运算规则，以适应不同的数据类型。
2023-03-22 16:54:24
74
原创 简单的使用JS读取本地的文件
<!DOCTYPE html><html> <head> <meta charset="utf-8"> <title>点名</title> </head> <script type="text/javascript"> var arr = new Array(); var temp_str ="0"; var i = 0; function showPreview(source){
2021-11-16 13:39:13
21784
1
原创 hexo博客托管github配置自己的博客域名
前提：博客已经托管到github，master里面有html文件，可以参考我的另一篇博客1. 购买域名：在阿里云购买域名—web：网址自愿选择—> 加入清单，自行登入回到顶端：下一步立即购买，回到顶端，找到控制台打开域名控制台对域名解析前可能要进行实名制认证，需要审核几小时，审核完毕后域名才可以正常访问2. 解析域名打开cmd ping 一下自己的博客，若没有ping指令需要配置一下环境复制的ip—确定3. 捆绑博客回到github，进入博客的仓库下翻找到
2021-11-16 13:36:20
152
原创 使用hexo框架搭建个人博客，并上传到github服务器
前期准备需要注意：安装node js----web:提供参考安装git官网下载略慢，可以试试这个网址—web:下载地址后者----web: 提供安装参考目前新版的node.js都自带npm，但是偶尔会因为网络原因不稳定，建议使用淘宝的cnpm中国镜像 —web：提供参考进入安装1. 新建hexo文件夹2. 点击bash3. 建议使用cnpm，可以尝试npm命令，但可能较慢$ cnpm install -g hexo-cli稍等一会儿，完成下载4. 输入hexo init初始化h
2021-11-16 13:29:50
1522
原创 springboot 快速配置mysql mybatis，简单web服务器
1、添加相关依赖1.1、引入jdbc，mysql连接器的相关依赖<dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-data-jdbc</artifactId></dependency><dependency> <g
2021-11-16 13:19:13
995
原创 Failed to read artifact descriptor for mysql:mysql-connector-java:jar:8.0.26
Failed to read artifact descriptor for mysql:mysql-connector-java:jar:8.0.26解决办法：- 第一种：重新安装所有jar包- 第二种：切换maven环境
2021-11-16 13:11:51
2793
原创 linux 通过httpd 配置个人网页
概述系统centos8,利用httpd搭建本地web服务器.安装httpdsudo yum install -y httpd启动服务service httpd start设置开机启动先查看有没有设置开机启动:systemctl list-unit-files | grep httpdhttpd.service enabled #这个表示已经打开httpd@.service disabledhttpd.soc
2021-11-16 13:09:27
567
原创 Linux 下配置 java openjdk 环境
yum1：查看已经安装的yum list installed2：已经安装搜索过滤yum list installed | grep java3：卸载安装包yum remove 安装包名4：网络搜索yum search java #搜索java名字的安装包5：安装java openjdk1.8,需要在root下yum install java-1.8.0-openjdk.x86_646：查看java版本java -version7：运行可执行的jar包java -jar
2021-11-16 13:08:18
1223
原创 centos8使用vsftpd搭建ftp服务器，并匿名登录，实现上传下载
centos8使用vsftpd搭建ftp服务器，并匿名登录，实现上传下载安装ftp：安装vsftpd：sudo yum install -y vsftpd开启服务：systemctl start vsftpd检查进程ps -ef | grep vsftpd加入开机服务项systemctl list-unit-files | grep vsftpdchkconfig vsftpd on关闭防火墙（或者开启20~22端口）systemctl stop fire
2021-11-16 13:07:17
517
原创 linux-ubuntu 安装 ssh，并使用terminal连接
基本概念ssh远程登录，也是C/S模式.客户端SecureCRT/terminal， 服务端sshd。sshd默认是启动的systemctl start sshdsystemctl status sshd命令查看ssh启动状态[jinzong53@localhost ~]$ systemctl status sshd使用terminal进行连接在顶端下拉中找到设置并进入setting.json设置在profiles属性下面list中添加如下代码{ "gu
2021-11-16 13:04:19
961
原创 linux-ubuntu 下安装 tomcat
第一步: 下载解压在官网下载.tar.gz格式的压缩包下载地址将文件复制到Linux中，并使用以下命令进行解压tar -zxvf apache-tomcat-8.5.69.tar.gz将tomcat移动到 /opt/tomcat8.5 下mv apache-tomcat-8.5.69 /opt/tomcat8.5第二步：启动tomcat启动startup.sh文件/opt/tomcat8.5/bin/startup.sh查看tomcat是否运行,找到是否包含tomca
2021-11-16 13:01:52
479
原创 matlab获取ROI区域
im 是 灰度图function [imR,imRR] = getROI(im,x,y,height,width)%you can use this function to get a ROI%and this x+width must smaller then your pic width.%im's model is gray %imR is the oringal%imRR's model is grayimRR = im(x:x+width,y:y+height);imR = im
2021-04-17 10:37:53
1757
原创 给图像添加伪影
在写论文的过程中遇到需要为图像添加伪影，找不到现有的方法于是自己写了matlab代码参数都在代码里面进行了说明function [fin] =getEll(im,a,b,px,py,value,range) % im：function just aplly his scale % a: Major axis of ellipse% b: Minor axis of ellipse% px: the centerX% py: the centerY% value: gray value% r
2021-04-02 18:20:10
1007
原创 idea使用过程遇到的小问题
预览Appearance&Behavior ： 外观和行为更改主题默认主题 ：导入外部主题 ：Keymap ：快捷键快捷键版本号 ：Eiditor : 编辑器随着鼠标放大字体 ：放再类上自动显示说明 ：自动导包建议使用，选择all ：多行显示最上方的类 ：注释的颜色 ： 添加头部消息 ：更改为UTF-8 ：自动编译一定要选 ：省电模式一般不选，很多功能用不了 ：水平还是垂直显示 ： java.
2021-04-02 18:09:51
86
原创 C++String
char储存末尾char a[3] = "asd"；字符串的末尾是'\0'常见函数：| 函 数 | 描述 | 示例 || :------------- | :------------- | :------------- || strclen | 接收一个 C 字符串作为实参。返回 C 字符串的长度（不包括 null 终止符)。|len = strlen(name); || strcat | 接收两个 C 字符串作为实参。该函数将第二个
2021-04-02 18:00:14
71
原创 数据库
常见数据库oracle，mysql，sql server，DB2RDBMS：Relational database management system关系型数据库管理系统 管理员+仓库RDBMS: 管理员(manager) + 仓库(database)database = N*tabletable = 表结构 + 表记录MySQL使用管理员打开cmdnet start mysql ：启动服务器net stop mysql ：关闭服务器在bin目录的mysqld.exe是服务
2021-04-02 17:58:24
75
dom4j-1.6.1.rar
2020-04-21
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人