Xinhecuican's Blog

基础卷积神经网络的基本形式 整体结果为： 卷积层 如图所示，左边是输入，中间是卷积核，右边是输出。 如果输入为3通道，输出为2通道，那么卷积核需要6个，每三个卷积核卷积再求和可以得到一个输出 非线性激活函数种类： 其中现在最常使用的是ReLU函数，因为求导简单且不容易造成梯度消失 降采样层降采样层的作用是增大感受野，并且对形变不敏感。 max pooling: 在几个候选结果中选择最大值，例如4$\times$4到2$\times$2 也就是说原来4个映射到了现在的一个，映射规则为选取4个中的最大值 average pooling: 选取候选结果中的平均值 LeNet-5结构 C1的通道数为6，卷积核大小为5$\times$5 S2降采样层，28$\times$28降为14$\times$14 C3卷积层，卷积核$5 \times 5$，通道数16 CNN的问题和发展CNN的问题主要有过拟合、难收敛、计算代价大三点 AlexNetAlexNet是12年ImageNet比赛的冠军，当时其他人都适用概率的方法，AlexNet首次使用深度学习的方法比其他队高了十多个百分点，掀起了 ...

LUP分解求线性方程组L、U、P是三个矩阵，满足PA = LU。其中L矩阵是一个单位下三角矩阵，U是一个上三角矩阵，P是一个置换矩阵。 我们要求解的是A x = b \begin{aligned} & Ax = b\\ & PAx = Pb\\ & LUx = Pb(根据上面的式子替换） \\ & 令Ux = y 得 \\ & Ly = Pb \\ \end{aligned}正向替换正向替换的目标是通过Ly = Pb来求y 我们可以使用一个$\pi [1…n]$来替换P。 对i = 1, 2, …, n, 元素$\pi [i]$表示$P_{i,\pi [i]} = 1$(第i行第$\pi [i]$列）。由于L是单位下三角矩阵，所以可以将式子写成 \begin{matrix} y_1 & & & &= b_{\pi [1]}\\ y_2 l_{21} &+ y_2 & & &= b_{\pi [2]}\\ y_3 l_{31} &+ y_3 l_{32} &+ y_3 & &= b_{\pi [3]}\\ y_4 l_{41} &+ y_4 l_{42} &+ y_4 l_{43} ...

直接解法高斯消去法高斯消去法是先将矩阵变为上/下三角矩阵，然后使用回带法进行求解，例如 \begin{bmatrix} 1 & 1 & 1 & 6\\ 0 & 4 & -1 & 5\\ 2 & -2 & 1 & 1 \end{bmatrix}\overset{r_3 - 2r_1}{\rightarrow} \begin{bmatrix} 1 & 1 & 1 & 6\\ 0 & 4 & -1 & 5\\ 0 & -4 & -1 & -11 \end{bmatrix}\overset{r_3 - r_2}{\rightarrow} \begin{bmatrix} 1 & 1 & 1 & 6\\ 0 & 4 & -1 & 5\\ 0 & 0 & -2 & -6 \end{bmatrix}因此$x_3 = 3 , x_2 = 2 , x_1 = 1$ \begin{bmatrix} a_{11} & a_{12} & \dots & a_{1n}\\ 0 & a_{22} & \dots & a_{2n}\\ \vdots & \vdots & & \vdo ...

概念进程是正在运行的程序，它包含代码和执行状态（栈堆寄存器等）。而程序仅仅是一些静态的代码。一个程序可以生成多个进程（如记事本进程）。进程是资源分配最小单元 Linux系统进程Linux进程是采用进程树的方式。程序开始时创建一个零号进程，然后零号进程创建一号进程再由一号进程创建其他的进程。linux进程是一种树状结构，可以通过pstree命令查看进程树。 sys/types.h：储存了一些宏定义如pid_t#include <sys/wait.h> fork():创建当前进程的子进程，并且子进程和当前进程完全相同。 返回值：返回两个返回值，如果返回值是零，代表当前在子进程中。如果返回值>0,代表在父进程中并且返回值是子进程pid，如果返回值<0,代表出错。 注意： 这里复制子进程是采用copy on right的方式，即开始子进程与父进程完全相同，只有当子父进程之间有差异时才会额外开辟空间储存差异。 例：#include<stdio.h>int main(){ int pid = fork(); if(pid < 0) ...

判断两直线是否相交P(x1,y1) Q(x2,y2) 两向量的叉积为 x1*y2-x2*y1 如果 $p\times q$>0 p在q的顺时针方向（右手螺旋定则） $p \times q$<0 p在q的逆时针方向 =0 ，共线或反向 先做一次快速排斥实验，判断下一个线段中 x 较大的端点是否小于另一个线段中 x 较小的段点，若是，则说明两个线段必然没有交点，同理判断下 y 代码 max(C.x,D.x)<min(A.x,B.x) || max(C.y,D.y)<min(A.y,B.y) ||max(A.x,B.x)<min(C.x,D.x) || max(A.y,B.y)<min(C.y,C.y) 如图所示，如果想判断两线段相交，只需要判断A 和 B在cd两侧即可 所以只需要 向量AD*CD与 BD*CD异号即可 如果端点正好在另一条线段上，两者乘积等于0 如果两者平行，叉积也为0但是可以在快速排斥实验中排除掉 总代码 struct Line { double x1; double y1; double x2; ...

实验进度 任务 完成 必做任务１ 　完成 必做任务２ 　完成 必做任务３ 　完成 必做任务４ 　完成 选做任务１ 　完成 选做任务２ 　完成 选做任务３ 　完成 思考题思考题１段选择符index是$２^13$,最多可以$２^13$个段描述符 思考题２不可以，因为虚拟地址就是需要通过ＧＤＴ进行转换，如果ＧＤＴ的首地址都是虚拟地址那么就没有东西可以转换ＧＤＴ的虚拟地址了 思考题３在段寄存器中保存基地址和限制 思考题４段的体积大，在内存中无法做到连续存储，容易形成外碎片，降低内存利用率。 思考题５分页式管理便于进行内存调度，并且没有外碎片，内碎片不超过页的大小 思考题６因为低１２位是页内偏移，可以直接根据虚拟地址给出，不需要进行转换 不能，ＧＤＴ使用线性地址一样，ＣＲ３是用于物理地址转换的，如果他也是虚拟地址就没有什么可以转换ＣＲ３的线性地址了。 一级页表有占用内存过多的缺点。而二级页表虽然看上去消耗内存反而增大了，但是实际上很多对应ptable并没有实际创建因而减小了内存。 思考题７空指针并不是空的，只是指向的地址是０，属于操作系统无法访问。 ...

回溯法回溯法概念回溯法是一种能避免不必要搜索的穷举式算法，适用于一些解空间相当大的问题。 它经常呈现一种树形结构，先进入左节点，当到了底部或者条件不满足时返回父节点并进入右节点。一个典型的例子就是深度优先搜索 如果不加限制条件直接搜索的话复杂度将是2^n。因此我们需要添加一些限界函数来减小搜索量。 限界函数一般有两个，一个是用来限制左支的，叫显式约数条件。另一种是限制是否搜索右支的，叫隐式约束条件。 n叉树模板： 实例01背包问题01背包问题最常见的办法是动态规划算法.这里介绍回溯法求解 将物品按密度进行排序 设bestp是当前最好收益并初始化为负无穷 设bound = cp+r是效益值的上界。其中cp是这个节点的收益值，r是剩下所有物品的连续背包问题收益值（也就是说不满一件也可以装进去） 展开左子节点： 如果cw+Wk

介绍后缀中的后缀是一个字符串的所有后缀。例如abcde的后缀有5个，分别是abcde,bcde,cde,de,e。 后缀树是一种字符串算法，它可以被用于字符串搜索，寻找最长公共子串，查找匹配次数等。常见的匹配算法如KMP算法都是在模式串上做文章，而后缀树确实在匹配串上构建的。 后缀树需要满足五条性质： 如果字符串长度为n，那么后缀树中有n个叶子 除了根节点，所有除叶结点外的节点都至少有两个儿子 每条边上都标有非空子串S 没有同一个点延伸出的两条边上标记的字符串首字母相同 从根节点拼接每条边的子串到叶结点便可以获得一个后缀 如图左边是BANANAS的后缀树，右边abcabx的后缀树。 是否存在abcab的后缀树呢？ 答案是不存在，因为现在ab的后缀是abcab的前缀，也就是说现在想要满足条件4那么原来连接叶子节点4的边中子串要由x变成空串，但是这又违反了规则3. 为了避免上述问题，可以在字符串后面加上一个不在字符集中的字符$ 应用 查询字符串是否是某一字符串的子串： 使用后缀树进行匹配，如果匹配串所有字符匹配成功则为子串 查询是否为后缀： 如果匹配到叶子节点正好匹配结束则为后缀 ...

基础当我们使用插值时经常遇到一个问题，采样点过多怎么办？采样点如果多余真实函数的次数那么就是方程数多余未知量的数目，这时我们反而无法直接得到精确解。因此需要使用逼近的方法得到近似解。 范数为了对线性空间中的元素大小进行衡量，引入了范数的概念。 范数的定义： ||x||_n = \sum_{i=1}^{n} (|x_i |^n )^{\frac{1}{n}} 1-范数： $||x||1 = \sum{i=1}^{n}|x_i |$ 2-范数: $||x||2 = \sum{i=1}^{n} (x_i^2 )^{\frac{1}{2}}$ $\infty -$范数: $||x||_{\infty} = \underset{1 \le i \le n}{max} |x_i |$ 根据这个我们可以定义最佳逼近。函数拟合也就是函数逼近，即寻找一条曲线让他和目标曲线的差距最小。而这个差距就可以使用前面所说的范数。 最佳一致逼近： 在无穷范数意义下的最小值，即$||f(x) - p^* (x) ||{\infty} = \underset{p \in H_n}{min}||f(x) - p(x ...

定义光流在计算机视觉中表示物体的移动,由于相机和物体之间存在相对运动，因此多帧之间的图像像素强度值不同，通过连续检测运动物体帧之间的强度变化，可以估计出物体的运动信息。 光流法基本假设条件 亮度恒定不变： 即同一目标的不同帧之间，亮度不会改变，通过它可以得到光流法的基本方程 小范围运动： 点在相邻帧之间不会发生大范围的运动 光亮恒定不变假设产生的方程为将右侧进行泰勒展开可得 $I_x$为相邻帧之间x位置变化量，$I_t$是时间变化量，如果是后一帧则为1，前一帧则为-1其中有u和v两个变量，因此我们需要加入额外的约束条件。 不同的约束条件变产生了额外的方法 Lucas-Kanada方法L-k方法假设相邻像素之间位移相似。然后根据这一假设选取像素点附近一个窗口，这个窗口内的位移相同，然后联立这些方程可得: 这种方法的问题是需要联立矩阵求解，因此它的特征值不能过大或过小 如图是特征值对应的区域类型， Flat是平滑区域，edge是边界 此外，为了解决小范围运动的问题，可以通过建立图像金字塔解决。因为图像分辨率小，每次移动的像素点就少。 FlowNetFlowNet的结构 它还是 ...