<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[dl_007的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/dl_007</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; dl_007]]></copyright><item><title><![CDATA[吃瓜群众【第一章、序论】]]></title><link>https://blog.csdn.net/dl_007/article/details/124833829</link><guid>https://blog.csdn.net/dl_007/article/details/124833829</guid><author>dl_007</author><pubDate>Wed, 18 May 2022 01:35:33 +0800</pubDate><description><![CDATA[第一章  序论
1.1 基本术语
数据集
样本
特征
训练
测试
1.2  假设空间
归纳，演绎
1.3 归纳偏好
奥卡姆剃刀原理
第二章 模型评估与选择
2.1 经验误差与过拟合
精度（accuracy）= 1-错误率
训练误差（经验误差）：学习器在训练集上的误差
泛化误差：在新样本上的误差
过拟合(overfitting)：学习器把训练样本学得"太好"
欠拟合(underfitting)：对训练样本的一般性质尚未学好
2.2 评估方法
以测试集上的 测试误差 (testing error)作为泛化误差的]]></description><category></category></item><item><title><![CDATA[linux命令备忘]]></title><link>https://blog.csdn.net/dl_007/article/details/90731875</link><guid>https://blog.csdn.net/dl_007/article/details/90731875</guid><author>dl_007</author><pubDate>Sat, 01 Jun 2019 18:02:08 +0800</pubDate><description><![CDATA[一些记录：

1，获取第10行数据：


head -n 10 2017_08_28.log | tail -n 1

2，utf-8 转码 gbk：


-f UTF-8 -t GB18030 file1 -o file2


]]></description><category></category></item><item><title><![CDATA[最长连续序列leetcode128]]></title><link>https://blog.csdn.net/dl_007/article/details/84074878</link><guid>https://blog.csdn.net/dl_007/article/details/84074878</guid><author>dl_007</author><pubDate>Wed, 14 Nov 2018 21:59:13 +0800</pubDate><description><![CDATA[给定一个未排序的整数数组，找出最长连续序列的长度。

要求算法的时间复杂度为 O(n)。

示例:


输入: [100, 4, 200, 1, 3, 2]
输出: 4
解释: 最长连续序列是 [1, 2, 3, 4]。它的长度为 4。


class Solution:
    # @param num, a list of integer
    # @return an integer
  ...]]></description><category></category></item><item><title><![CDATA[图像分割算法]]></title><link>https://blog.csdn.net/dl_007/article/details/83867073</link><guid>https://blog.csdn.net/dl_007/article/details/83867073</guid><author>dl_007</author><pubDate>Thu, 08 Nov 2018 19:54:25 +0800</pubDate><description><![CDATA[图像分割的主要算法：

1.基于阈值的分割方法

2.基于边缘的分割方法

3.基于区域的分割方法

4.基于聚类分析的图像分割方法

5.基于小波变换的分割方法

6.基于数学形态学的分割方法

7.基于人工神经网络的分割方法

8.基于遗传学算法的分割方法

 

基于阈值的分割方法

 

阈值分割方法作为一种常见的区域并行技术，就是用一个或几个阈值将图像的灰度直方图分成几个类，认为图像中灰...]]></description><category></category></item><item><title><![CDATA[直方图均衡化]]></title><link>https://blog.csdn.net/dl_007/article/details/83858850</link><guid>https://blog.csdn.net/dl_007/article/details/83858850</guid><author>dl_007</author><pubDate>Thu, 08 Nov 2018 11:48:37 +0800</pubDate><description><![CDATA[直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。直方图均衡化就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布直方图分布。

直方图均衡化的过程：

 1）列出原始图像和变换后图像的灰度级（L是灰度级的个数）；

 2）统计员图像中各灰度级的像素个数...]]></description><category></category></item><item><title><![CDATA[边缘检测---Canny算子]]></title><link>https://blog.csdn.net/dl_007/article/details/83823534</link><guid>https://blog.csdn.net/dl_007/article/details/83823534</guid><author>dl_007</author><pubDate>Wed, 07 Nov 2018 14:40:14 +0800</pubDate><description><![CDATA[http://www.cnblogs.com/techyan1990/p/7291771.html

1.Canny边缘检测算法可以分为以下5个步骤：

1)        使用高斯滤波器，以平滑图像，滤除噪声。

2)        计算图像中每个像素点的梯度大小和方向。

3)        应用非极大值（Non-Maximum Suppression）抑制，以消除边缘检测带来的杂散响应。

...]]></description><category></category></item><item><title><![CDATA[LSTM结构]]></title><link>https://blog.csdn.net/dl_007/article/details/83662967</link><guid>https://blog.csdn.net/dl_007/article/details/83662967</guid><author>dl_007</author><pubDate>Fri, 02 Nov 2018 23:28:53 +0800</pubDate><description><![CDATA[

https://blog.csdn.net/gzj_1101/article/details/79376798]]></description><category></category></item><item><title><![CDATA[CNN中计算问题]]></title><link>https://blog.csdn.net/dl_007/article/details/83661850</link><guid>https://blog.csdn.net/dl_007/article/details/83661850</guid><author>dl_007</author><pubDate>Fri, 02 Nov 2018 22:57:07 +0800</pubDate><description><![CDATA[卷积：

输入3通道，2个卷积核：



对于每个卷积核，先在输入3个通道分别作卷积，再将3个通道结果加起来得到卷积输出。所以对于某个卷积层，无论输入图像有多少个通道，输出图像通道数总是等于卷积核数量！
对多通道图像做1x1卷积，其实就是将输入图像于每个通道乘以卷积系数后加在一起，即相当于把原图像中本来各个独立的通道“联通”在了一起。

1.卷积&amp;amp;池化后feature map大小

输入尺...]]></description><category></category></item><item><title><![CDATA[python装饰器]]></title><link>https://blog.csdn.net/dl_007/article/details/83539875</link><guid>https://blog.csdn.net/dl_007/article/details/83539875</guid><author>dl_007</author><pubDate>Tue, 30 Oct 2018 12:11:06 +0800</pubDate><description><![CDATA[

装饰器：

https://www.zhihu.com/question/26930016/answer/99243411

之前在python笔试的时候，经常会遇到@staticmethod、@classmethod和@property的用法和区别，这三个也是python的内置装饰器，所以再来总结下：



@staticmethod、@classmethod和@property：

htt...]]></description><category></category></item><item><title><![CDATA[纵览轻量化卷积神经网络SqueezeNet，MobileNet，ShuffleNet]]></title><link>https://blog.csdn.net/dl_007/article/details/83514251</link><guid>https://blog.csdn.net/dl_007/article/details/83514251</guid><author>dl_007</author><pubDate>Mon, 29 Oct 2018 22:25:06 +0800</pubDate><description><![CDATA[1. SqueezeNet

具体如下图所示：

 



Fire module 输入的 feature map 为 H*W*M 的，输出的 feature map 为 H*M*(e1+e3)，可以看到 feature map 的分辨率是不变的，变的仅是维数，也就是通道数，这一点和 VGG 的思想一致。

SqueezeNet提出了3点网络结构设计策略：

策略 1.将3x3卷积核替换为1x1卷...]]></description><category></category></item><item><title><![CDATA[交叉熵 vs KL散度]]></title><link>https://blog.csdn.net/dl_007/article/details/83512996</link><guid>https://blog.csdn.net/dl_007/article/details/83512996</guid><author>dl_007</author><pubDate>Mon, 29 Oct 2018 20:54:13 +0800</pubDate><description><![CDATA[交叉熵和KL散度

信息熵H(X)可以看做，对X中的样本进行编码所需要的编码长度的期望值。

这里可以引申出交叉熵的理解，现在有两个分布，真实分布p和非真实分布q，我们的样本来自真实分布p。

按照真实分布p来编码样本所需的编码长度的期望为，这就是上面说的信息熵H( p )

按照不真实分布q来编码样本所需的编码长度的期望为，这就是所谓的交叉熵H( p,q )

这里引申出KL散度D(p||q) ...]]></description><category></category></item><item><title><![CDATA[面试]]></title><link>https://blog.csdn.net/dl_007/article/details/83187127</link><guid>https://blog.csdn.net/dl_007/article/details/83187127</guid><author>dl_007</author><pubDate>Fri, 19 Oct 2018 19:49:07 +0800</pubDate><description><![CDATA[mi

括号匹配：


# -*- coding: utf8 -*-
# 符号表
SYMBOLS = {'}': '{', ']': '[', ')': '(', '&amp;gt;': '&amp;lt;'}
SYMBOLS_L, SYMBOLS_R = SYMBOLS.values(), SYMBOLS.keys()

def check(s):
    arr = []
    for c in s:
  ...]]></description><category></category></item><item><title><![CDATA[机器学习 面经]]></title><link>https://blog.csdn.net/dl_007/article/details/83154494</link><guid>https://blog.csdn.net/dl_007/article/details/83154494</guid><author>dl_007</author><pubDate>Thu, 18 Oct 2018 22:50:51 +0800</pubDate><description><![CDATA[https://www.cnblogs.com/zuochongyan/p/5407053.html]]></description><category></category></item><item><title><![CDATA[子序列、子串]]></title><link>https://blog.csdn.net/dl_007/article/details/83147738</link><guid>https://blog.csdn.net/dl_007/article/details/83147738</guid><author>dl_007</author><pubDate>Thu, 18 Oct 2018 15:42:57 +0800</pubDate><description><![CDATA[1.一维数组最大子序列和


def foo(num_list):
    '''
    求数组中最大子序列的和，子序列必须连续
    '''
    length=len(num_list)
    max_value=-10000000000
    tmp=0
    for i in range(length):
        tmp=max(tmp+num_list[i], num...]]></description><category></category></item><item><title><![CDATA[最大字体排版]]></title><link>https://blog.csdn.net/dl_007/article/details/83111752</link><guid>https://blog.csdn.net/dl_007/article/details/83111752</guid><author>dl_007</author><pubDate>Wed, 17 Oct 2018 16:09:29 +0800</pubDate><description><![CDATA[


import math
n = int(raw_input())
# N P W N
for i in range(n):
    x1 = raw_input().strip(&quot;\n&quot;).split(&quot; &quot;)
    x1 = map(int,x1)
    x2 = raw_input().strip(&quot;\n&quot;).split(&quot; &quot;)
    x2 = map(int,x2)
 
   ...]]></description><category></category></item><item><title><![CDATA[YOLO系列]]></title><link>https://blog.csdn.net/dl_007/article/details/83099439</link><guid>https://blog.csdn.net/dl_007/article/details/83099439</guid><author>dl_007</author><pubDate>Tue, 16 Oct 2018 23:51:25 +0800</pubDate><description><![CDATA[https://www.cnblogs.com/makefile/p/YOLOv3.html]]></description><category></category></item><item><title><![CDATA[RCNN系列]]></title><link>https://blog.csdn.net/dl_007/article/details/83098178</link><guid>https://blog.csdn.net/dl_007/article/details/83098178</guid><author>dl_007</author><pubDate>Tue, 16 Oct 2018 21:49:34 +0800</pubDate><description><![CDATA[https://www.cnblogs.com/skyfsm/p/6806246.html



RCNN的处理流程是先提proposal，然后CNN提取特征，之后用SVM分类器，最后再做bbox regression

Fast-RCNN中，作者巧妙的把bbox regression放进了神经网络内部，与region分类和并成为了一个multi-task模型

R-CNN有一些相当大的缺点（把这...]]></description><category></category></item><item><title><![CDATA[快排python]]></title><link>https://blog.csdn.net/dl_007/article/details/83046110</link><guid>https://blog.csdn.net/dl_007/article/details/83046110</guid><author>dl_007</author><pubDate>Sun, 14 Oct 2018 12:21:03 +0800</pubDate><description><![CDATA[
def quickSort(alist):
    quickSortHelper(alist,0,len(alist)-1)
    
def quickSortHelper(alist,first,last):
    if first &amp;lt; last:
       splitpoint = partition(alist,first,last) 
       quickSortHe...]]></description><category></category></item><item><title><![CDATA[字符串编辑距离]]></title><link>https://blog.csdn.net/dl_007/article/details/83046095</link><guid>https://blog.csdn.net/dl_007/article/details/83046095</guid><author>dl_007</author><pubDate>Sun, 14 Oct 2018 12:18:48 +0800</pubDate><description><![CDATA[
'''
两个字符串的编辑距离
edit[i][j]表示A串从第0个字符开始到第i个字符和B串从第0个字符开始到第j个字符，这两个字串的编辑距离。
字符串的下标从1开始。
递推公式：
'michaelab' 变成 'michaelxy'
if b==y:
    d[i][j] = d[i-1][j-1]
if b!=y:
    添加：michaelaby michaelxy d[i][j] =...]]></description><category></category></item><item><title><![CDATA[硬币问题python]]></title><link>https://blog.csdn.net/dl_007/article/details/83046088</link><guid>https://blog.csdn.net/dl_007/article/details/83046088</guid><author>dl_007</author><pubDate>Sun, 14 Oct 2018 12:17:52 +0800</pubDate><description><![CDATA[
# 如果我们有面值为1元、3元和5元的硬币若干枚，如何用最少的硬币凑够11元
def select_coin(coin_value, total_value):
    min_coin_num = [0]
    for i in range(1, total_value + 1):
        min_coin_num.append(float('inf'))
        for v...]]></description><category></category></item></channel></rss>