勋章
我关注的人
粉丝
技术能力
暂时未有相关云产品技术能力~
暂无个人介绍
-
发表了文章 2022-10-19
Leetcode_Python 151 翻转字符串里的单词
解题思路 此题思路与557题一致 代码
-
发表了文章 2022-10-19
Leetcode_Python 344 反转字符串
解题思路 思路就是对称交换，比较简单
-
发表了文章 2022-10-19
Leetcode_Python 434 字符串中的单词数
解题思路 此题方法有2，第一种是可以直接使用s.split()，但是时间和计算资源占据较大。 第二种方法思路如程序所示，已经注释
-
发表了文章 2022-10-19
Leetcode_Python 304 二维区域和检索 - 矩阵不可变
说明 采用这种方法虽然简短，但是比较耗时，可以借鉴官方的方法。
-
发表了文章 2022-10-19
Leetcode_Python 73 矩阵置零
解题思路 我们可以将每行和每列的第一个单元格用作标志。从而使空间复杂降到最低。
-
发表了文章 2022-10-19
Leetcode_Python 48 旋转图像
解题思路 本题思路就是，先将二维数组左右对调，再沿着反对角线对调。
-
发表了文章 2022-10-19
Leetcode_Python 566 重塑矩阵
解题思路 本题主要考查二维数组的遍历，我们首先将二维数据降为一维，在进行行列的遍历赋值。
-
发表了文章 2022-10-19
Leetcode_Python 54 螺旋矩阵
解题思路 以每层圈为单位，遍历矩阵
-
发表了文章 2022-10-19
Leetcode_Python 396 旋转函数
解题思路 当本题的len(A)<=1时候，结果一定为零。
-
发表了文章 2022-10-19
Leetcode_Python 598 范围求和 II
解题思路 本题的思路，就是查找矩阵M在operation下重叠的部分.
-
发表了文章 2022-10-19
Leetcode_Python 661 图片平滑器
解题思路 类似图像处理的平滑滤波。方法很菜，无话可说，实现都在注释了。
-
发表了文章 2022-10-19
Leetcode_Python 283 移动零
解题思路 分析：本题目要求在原数组上进行操作。比较简单，就不赘述了。
-
发表了文章 2022-10-19
Leetcode_Python 665 非递减数列
分析:题目让最多改变一个情况下，满足非递减数列。遍历数组，可能存在以下情况。
-
发表了文章 2022-10-19
Leetcode_Python 453 最小移动次数使数组元素相等
分析：此题思路比较简单，n-1个数同时加1，相当于每次有一个数自身减1，所以我们可以用数组其他元素与最小值相减，之和即为最小move次数。
-
发表了文章 2022-10-19
Leetcode_Python 442 数组中重复的数据
思考：此题比较简单，和第448题思想一致。
-
发表了文章 2022-10-19
Leetcode_Python 448 找到所有数组中消失的数字
思考：我们可以设置一个计数器计算每个数出现的次数，最后为0的就是缺失的。 比较简单就不一一赘述
-
发表了文章 2022-10-19
Leetcode_Python 697 数组的度
思考：本题目主要是找出数组的度，然后根据度对应的数值找到最短的子数列（度相同），以[2,3,4,3,6,7,7]为例。
-
发表了文章 2022-10-19
Leetcode_Python 645 错误的集合
思考: 本题目主要是求出列表中重复的数据，并丢找出丢失的整数。
-
发表了文章 2022-10-19
EagleEye: Fast Sub-net Evaluation for Efficient Neural Network Pruning（论文阅读）（下）
说明 动机 贡献 方法 发现 EagleEye剪枝算法 实验 实验1- 相关性的定量分析 实验2-基于自适应BN的评估方法的通用性 实验3-从修剪候选中选择最佳修剪策略的计算成本 实验4-Effectiveness of our proposed method 总结与讨论
-
发表了文章 2022-10-19
EagleEye: Fast Sub-net Evaluation for Efficient Neural Network Pruning（论文阅读）（上）
说明 动机 贡献 方法 发现 EagleEye剪枝算法 实验 实验1- 相关性的定量分析 实验2-基于自适应BN的评估方法的通用性 实验3-从修剪候选中选择最佳修剪策略的计算成本 实验4-Effectiveness of our proposed method 总结与讨论
-
发表了文章 2022-10-19
The Sandwich Rule
目标：训练一个可以直接以任意宽度运行的单一网络。其实是在权重共享的条件下，我们可以根据不同的硬件设备挑选不同宽度的网络，不再重训练一个权重。
-
发表了文章 2022-10-19
IJCAI_2020_Channel Pruning via Automatic Structure Search
1 摘要 通道修剪是压缩深层神经网络的主要方法之一。
-
发表了文章 2022-10-19
pytorch权重初始化
我们定义的网络如下所示
-
发表了文章 2022-10-19
Exploring the Regularity of Sparse Structure in Convolutional Neural Networks（在卷积神经网络中探索稀疏结构的规律性）
作者提出 基于论文Learning both weights and connections for efficient neural network修剪的方法在保留精度以及实现更高的压缩率方面确实很好。但是，这种改进是以稀疏计算模式的不规则性为代价的。 另一方面结构化的剪枝（例如修剪掉整个过滤器），但是比修剪单个权重会引起更大的精度损失。
-
发表了文章 2022-10-19
基于DCT变换的JPEG图像压缩
图像和视频通常在计算机中表示会占用非常大的空间，而出于节省硬盘空间的考虑，往往要进行压缩。而随着网络的发展，图像压缩技术越来越被人所重视。DCT变换是图像压缩的一项重要技术，本文主要对基于DCT变换的JPEG图像压缩进行研究，并用Matlab进行了算法仿真。实验结果表明, JPEG压缩算法实现简单，在很大的压缩范围内，都能得到很好的重建图像质量。 关键词：DCT变换；JPEG图像；压缩
-
发表了文章 2022-10-19
pytorch使用方法积累
1. net.parameters()查看网络参数 2. torch.optim.lr_scheduler.MultiStepLR 2.1 学习率的参数配置
-
发表了文章 2022-10-19
基于Fashion-MNIST数据集的模型剪枝（下）
1. 介绍 1.1 背景介绍 目前在深度学习中存在一些困境，对于移动是设备来说，主要是算不好；穿戴设备算不来；数据中心，大多数人又算不起 。这就是做模型做压缩与加速的初衷。
-
发表了文章 2022-10-19
基于Fashion-MNIST数据集的模型剪枝（上）
1. 介绍 1.1 背景介绍 目前在深度学习中存在一些困境，对于移动是设备来说，主要是算不好；穿戴设备算不来；数据中心，大多数人又算不起 。这就是做模型做压缩与加速的初衷。
-
发表了文章 2022-10-19
tebsorflow2.0 语义分割(Oxford-IIIT数据集)（下）
语义分割是在像素级别上的分类，属于同一类的像素都要被归为一类，因此语义分割是从像素级别来理解图像的。The Oxford-IIIT Pet Dataset是一个宠物图像数据集，包含37种宠物，每种宠物200张左右宠物图片，并同时包含宠物轮廓标注信息。下面就是tensorflow2.0的对该数据集的语义分割实现。本文基于TF2.0 , 谷歌Colab平台。
-
发表了文章 2022-10-19
tebsorflow2.0 语义分割(Oxford-IIIT数据集)（上）
语义分割是在像素级别上的分类，属于同一类的像素都要被归为一类，因此语义分割是从像素级别来理解图像的。The Oxford-IIIT Pet Dataset是一个宠物图像数据集，包含37种宠物，每种宠物200张左右宠物图片，并同时包含宠物轮廓标注信息。下面就是tensorflow2.0的对该数据集的语义分割实现。本文基于TF2.0 , 谷歌Colab平台。
-
发表了文章 2022-10-19
tebsorflow2.0 图像定位+分类(Oxford-IIIT数据集)
对于单纯的分类问题，比较容易理解，给定一副图画，我们输出一个标签的类别。而对于定位问题，需要输出四个数字（x,y,w,h），图像的某一点坐标(x,y)，以及图像的宽度和高度，有了这四个数字，我们很容易找到物体的边框。
-
发表了文章 2022-10-19
tebsorflow2.0 多输出模型实例
1. 简单介绍 2. 加载相关数据包 2.1 图片的路径的配置 2.2 读取图片 3. 图片预处理 4. 训练阶段 4.1 设置验证集与数据集 4.2 构建模型并训练 5. 模型评估
-
发表了文章 2022-10-19
tebsorflow2.0 使用Keras编写自定义图层和模型（下）
1.构建自定义层 1.1 基本模型框架构建 1.2 延迟创建权重，直到知道输入的形状 1.3 层的递归组合 1.4 层中创建loss张量 1.5 选择性地将层序列化 1.6 在call方法中给与训练参数特权 2. 建立模型
-
发表了文章 2022-10-19
tebsorflow2.0 使用Keras编写自定义图层和模型（上）
1.构建自定义层 1.1 基本模型框架构建 1.2 延迟创建权重，直到知道输入的形状 1.3 层的递归组合 1.4 层中创建loss张量 1.5 选择性地将层序列化 1.6 在call方法中给与训练参数特权 2. 建立模型
-
发表了文章 2022-10-19
MATLAB-直方图均衡化
直方图均衡化(Histogram Equalization) 又称直方图平坦化,实质上是对图像进行非线性拉伸,重新分配图像象元值,使一定灰度范围内象元值的数量大致相等。这样,原来直方图中间的峰顶部分对比度得到增强,而两侧的谷底部分对比度降低,输出图像的直方图是一个较平的分段直方图:如果输出数据分段值较小的话,会产生粗略分类的视觉效果。
-
发表了文章 2022-10-19
tebsorflow2.0 tf.keras猫狗识别(2)—自定义训练
在上一篇文章中，我们介绍了利用tensorflow封装好的神经网络来训练猫狗数据集。但是在科研中有时我们需要对网络进行修改，这是我们就需要自定义网络训练。 第一部分我们已经介绍了图片的读取，这里就不在一一赘述tebsorflow2.0 tf.keras猫狗识别，我们直接从图片的预处理。
-
发表了文章 2022-10-19
tebsorflow2.0 eager模式与自定义训练网络(下)
对比tensorflow1.x版本静态图模式，tensorflow2.x推荐使用的是eager模式，即动态计算模式，它的特点是运算可以立即得到结果。我们可以通过tf.executing_eagerly()来判断是不是eager模式，如果返回的为True,使用的则为eager模式。首先我们简答介绍一下在eager模式下的计算。
-
发表了文章 2022-10-19
tebsorflow2.0 eager模式与自定义训练网络(上)
对比tensorflow1.x版本静态图模式，tensorflow2.x推荐使用的是eager模式，即动态计算模式，它的特点是运算可以立即得到结果。我们可以通过tf.executing_eagerly()来判断是不是eager模式，如果返回的为True,使用的则为eager模式。首先我们简答介绍一下在eager模式下的计算。
-
发表了文章 2022-10-18
tebsorflow2.0 tf.keras猫狗识别(1)(下)
1. 简单介绍 本文的应用场景是二分类问题，采用的数据集为猫狗分类数据集，为了减少训练时间，训练集图片有2123张，验证集有909 张图片，测试的图片有1000张，分为猫和狗两个类别，图片已经放置在dc_2000文件夹下面。
-
发表了文章 2022-10-18
tebsorflow2.0 tf.keras猫狗识别(1)(上)
1. 简单介绍 本文的应用场景是二分类问题，采用的数据集为猫狗分类数据集，为了减少训练时间，训练集图片有2123张，验证集有909 张图片，测试的图片有1000张，分为猫和狗两个类别，图片已经放置在dc_2000文件夹下面。
-
发表了文章 2022-10-18
tebsorflow2.0 tf.keras序列问题
本节是主要介绍的是序列问题的处理，采用的数据集为电影评论数据集，我们通过keras.datasets.imdb直接导入，之后我们建立模型，对其进行分类，并处理过拟合问题。
-
发表了文章 2022-10-18
tebsorflow2.0 卷积神经网络的实现实例（下）
本实例主要介绍 利用tf.data读取图片的方法 卷积神经网络的构建 训练以及测试
-
发表了文章 2022-10-18
tebsorflow2.0 卷积神经网络的实现实例（上）
本实例主要介绍 利用tf.data读取图片的方法 卷积神经网络的构建 训练以及测试
-
发表了文章 2022-10-18
tebsorflow2.0 深度学习基础和tf.keras（上）
1. tf.keras实现线性回归(1) 1.1 Income数据导入可视化
-
发表了文章 2022-10-18
tebsorflow2.0 深度学习基础和tf.keras（下）
1. tf.keras实现线性回归(1) 1.1 Income数据导入可视化
-
发表了文章 2022-10-18
python中的语法使用(easydict set() plt.subplots() assert)
目录 1 easydict的使用 2. 集合（set） 3 plt.subplots()使用 3.1 方法1 3.2 方法2 4. assert断言
-
发表了文章 2022-10-18
（2）tf.Variable中trainable作用
如果为True，则会默认将变量添加到图形集合GraphKeys.TRAINABLE_VARIABLES中。此集合用于优化器Optimizer类优化的的默认变量列表，如果为False则在训练时不会更新该值。
-
发表了文章 2022-10-18
模式识别与机器学习(作业6)基于聚类的图片分割
流程： 读图片(512, 512, 3)–>下采样，降低维度(256, 256, 3)–>将通道展平，data = (65536, 3)–>归一化
-
发表了文章 2022-10-18
(3)tesorflow 计算模型复杂度
目录 1. 计算模型复杂度的衡量 2 . 典型层的复杂性计算原理 2.1 全连接层的复杂性计算 2.2 卷积层的复杂性计算 3. 全连接Tensorflow实现
-
发表了文章 2022-10-18
（1）tf中tensor和numpy
ensor和numpy
-
发表了文章
2022-10-19
verilog牛客网刷题代码汇总（下）（4）
-
发表了文章
2022-10-19
verilog牛客网刷题代码汇总（下）（3）
-
发表了文章
2022-10-19
verilog牛客网刷题代码汇总（下）（2）
-
发表了文章
2022-10-19
verilog牛客网刷题代码汇总（下）（1）
-
发表了文章
2022-10-19
verilog牛客网刷题代码汇总（上）（4）
-
发表了文章
2022-10-19
verilog牛客网刷题代码汇总（上）（3）
-
发表了文章
2022-10-19
verilog牛客网刷题代码汇总（上）（2）
-
发表了文章
2022-10-19
verilog牛客网刷题代码汇总（上）（1）
-
发表了文章
2022-10-19
半加器，全加器，串行加法和超前加法器
-
发表了文章
2022-10-19
verilog_边学边练习（6） 相邻点累加（时序逻辑电路）
-
发表了文章
2022-10-19
硬件描述语言Verilog学习（一）（上）
-
发表了文章
2022-10-19
建立时间与保持时间
-
发表了文章
2022-10-19
HDLBits(2)——Procedures（下）
-
发表了文章
2022-10-19
HDLBits(2)——Procedures（上）
-
发表了文章
2022-10-19
HDLBits(1)——Modules：Hierarchy（上）
-
发表了文章
2022-10-19
HDLBits(1)——Modules：Hierarchy（下）
-
发表了文章
2022-10-19
HDLBits(1)——Modules：Hierarchy（中）
-
发表了文章
2022-10-19
最大最小归一化的demo
-
发表了文章
2022-10-19
深度学习神经网络的部署
-
发表了文章
2022-10-19
创建keras环境步骤
