CodeLeader_社区达人页

2023年02月

• 02.10 09:49:25
  发表了文章 2023-02-10 09:49:25

  nacos server集群搭建

  nacos server集群搭建

  
• 02.10 09:48:15
  发表了文章 2023-02-10 09:48:15

  Jenkins创建多分支job

  Jenkins创建多分支job

  
• 02.10 09:47:50
  发表了文章 2023-02-10 09:47:50

  Jenkins使用pipeline自动打包Docker镜像

  Jenkins使用pipeline自动打包Docker镜像

  
• 02.04 17:43:35
  回答了问题 2023-02-04 17:43:35

  2023，社区讨论聊什么？话题由你定！

  赞2 踩0 评论0
• 02.04 17:38:16
  发表了文章 2023-02-04 17:38:16

  nacos持久化

  nacos持久化

  
• 02.04 17:36:02
  发表了文章 2023-02-04 17:36:02

  docker-compose容器编排部署

  docker-compose容器编排部署

  
• 02.02 22:27:08
  发表了文章 2023-02-02 22:27:08

  Jenkins集群配置/并发构建

  集群化构建可以有效提升构建效率，尤其是团队项目比较多或是子项目比较多的时候，可以并发在多台机器上执行构建。

  
• 02.01 23:17:34
  发表了文章 2023-02-01 23:17:34

  Jenkins+GitLab自动化部署到Docker容器

  Jenkins+GitLab自动化部署到Docker容器

  

2023年01月

• 01.07 08:42:29
  发表了文章 2023-01-07 08:42:29

  Nacos配置中心

  Nacos配置中心

  
• 01.07 08:42:00
  发表了文章 2023-01-07 08:42:00

  Nacos组件(服务注册中心测试)

  Nacos组件(服务注册中心测试)

  
• 01.07 08:41:09
  发表了文章 2023-01-07 08:41:09

  SpringCloud Alibaba微服务工具集

  SpringCloud Alibaba微服务工具集

  
• 01.07 08:39:10
  发表了文章 2023-01-07 08:39:10

  GitLab安装使用

  GitLab安装使用

  

2022年12月

• 12.30 17:32:03
  发表了文章 2022-12-30 17:32:03

  Docker+Nginx打包部署前后端分离项目

  最近做了一个前后端分离的权限管理系统项目，今天想用自己的服务器部署下，本地部署测试是没问题的，但是部署在服务器上还是出现了许多小插曲，这里大概记录一下吧。

  
• 12.27 18:45:02
  发表了文章 2022-12-27 18:45:02

  树形结构表格与懒加载

  树形结构表格与懒加载

  
• 12.14 11:20:12
  发表了文章 2022-12-14 11:20:12

  合并两个有序数组

  给你两个按 **非递减顺序** 排列的整数数组 `nums1` 和 `nums2`，另有两个整数 `m` 和 `n` ，分别表示 `nums1` 和 `nums2` 中的元素数目。

  

2022年11月

• 11.05 21:56:11
  回答了问题 2022-11-05 21:56:11

  畅聊云栖（3）｜您心中“2022云栖大会最震撼的技术创新”评选活动

  赞0 踩0 评论0

2022年10月

• 10.29 20:39:30
  发表了文章 2022-10-29 20:39:30

  KNN最近邻算法

  最近邻算法是一种基于实例的学习，或者是局部近似和将所有计算推迟到分类之后的惰性学习，可以用于基本的**分类与回归方法**。

  
• 10.29 20:34:36
  发表了文章 2022-10-29 20:34:36

  BP神经网络

  反向传播算法的核心思想是**将输出误差以某种形式通过隐藏层向输入层逐层反转**，如下图所示。

  
• 10.29 20:34:03
  发表了文章 2022-10-29 20:34:03

  集成学习之GBDT

  GBDT、Treelink、 GBRT(Gradient Boost Regression Tree)、Tree Net、MART(Multiple Additive Regression Tree)算法都是以决策树为基分类器的集成算法，通常由多棵决策树构成，通常是上百棵树且每棵树规模都较小(即树的深度都比较浅)。进行模型预测的时候，对于输入的一个样本实例X，遍历每一棵决策树，每棵树都会对预测值进行调整修正，最后得到预测的结果。假设$F_0$是设置的初值，$T_i$是一颗一颗的决策树。预测结果如下所示：

  
• 10.29 20:33:38
  发表了文章 2022-10-29 20:33:38

  聚类

  聚类就是把数据对象集合按照相似性划分成多个子集的过程(如下图)。其中，每个子集称为一个簇。聚类不仅要使簇中的对象彼此相似，而且要与其他簇中的对象相似**。聚类是无监督学习，数据不需要类标号(标注)信息。

  
• 10.29 20:33:07
  发表了文章 2022-10-29 20:33:07

  乳腺肿瘤预测

  本案例使用逻辑回归分类器对乳腺肿瘤进行良性/恶性预测，并对预测模型进行指标测算与评价。

  
• 10.29 20:32:40
  发表了文章 2022-10-29 20:32:40

  LSTM应用于MNIST数据集分类

  LSTM网络是序列模型，一般比较适合处理序列问题。这里把它用于手写数字图片的分类，其实就相当于把图片看作序列。

  
• 10.29 20:32:08
  发表了文章 2022-10-29 20:32:08

  双向RNN与堆叠的双向RNN

  双向RNN(Bidirectional RNN)的结构如下图所示。

  
• 10.29 20:31:38
  发表了文章 2022-10-29 20:31:38

  Keras创建ANN模型的四种方法

  这里以MNIST数据集来介绍Keras创建人工神经网络模型的四种方法

  
• 10.29 20:28:49
  发表了文章 2022-10-29 20:28:49

  基于Tensorflow的Quick Draw图像分类

  Google的“Quick Draw”数据集是一个开源的数据集。该数据集共有345个类别，共5000万张图片，所有这些图片都是由参与挑战的1500万名用户在20s或者更短的时间内绘制完成。

  
• 10.29 20:28:21
  发表了文章 2022-10-29 20:28:21

  ARIMA差分自回归移动平均模型

  ARIMA是**差分自回归移动平均模型**的引文缩写，其中AR表示的是自回归模型，MA表示的是移动平均模型，Ｉ表示的是差分。一般写成ARIMA(p,d,q),p是自回归阶数，q是移动平均阶数，d表示差分的次数。

  
• 10.29 20:27:52
  发表了文章 2022-10-29 20:27:52

  自编码器

  自编码器原理

  
• 10.29 20:27:18
  发表了文章 2022-10-29 20:27:18

  VAE图片生成实战

  基本的自编码器本质上是学习输入𝒙和隐藏变量𝒛之间映射关系，它是一个判别模型 (Discriminative model)，并不是生成模型(Generative model)。那么能不能将自编码器调整为 生成模型，方便地生成样本呢？

  
• 10.29 20:26:54
  发表了文章 2022-10-29 20:26:54

  一维卷积英语电影评论情感分类项目

  使用一 维卷积对英语文本进行情感分类。我们要使用的数据集是 IMDB 电影评论数据集，数 据分为正面评论和负面评论。这个数据集直接从 Tensorflow 中获得：

  
• 10.29 20:26:25
  发表了文章 2022-10-29 20:26:25

  二维卷积中文微博情感分类项目

  这里完成一个中文微博情感分类项目。这里我使用的数据集是从新浪微博收集的 12 万条数据，正负样本各一半。标签中 1 表示正面评论，0 表示负面评论。数据来源为[https://github.com/SophonPlus/ChineseNlpCorpus/blob/master/datasets/weibo_sen ti_100k/intro.ipynb。](https://github.com/SophonPlus/ChineseNlpCorpus/blob/master/datasets/weibo_sen%20ti_100k/intro.ipynb%E3%80%82)如果你有其他数据的话，

  
• 10.29 20:26:00
  发表了文章 2022-10-29 20:26:00

  双向LSTM中文微博情感分类项目

  这里完成一个中文微博情感分类项目。这里我使用的数据集是从新浪微博收集的 12 万条数据，正负样本各一半。标签中 1 表示正面评论，0 表示负面评论。数据来源为[https://github.com/SophonPlus/ChineseNlpCorpus/blob/master/datasets/weibo_sen ti_100k/intro.ipynb](https://github.com/SophonPlus/ChineseNlpCorpus/blob/master/datasets/weibo_sen%20ti_100k/intro.ipynb)如果你有其他数据的话，也可以使用其他数据。

  
• 10.29 20:25:33
  发表了文章 2022-10-29 20:25:33

  基于mobileNet实现狗的品种分类

  狗的品种共120种

  
• 10.29 20:24:56
  发表了文章 2022-10-29 20:24:56

  CNN鲜花分类

  CNN鲜花分类

  
• 10.29 20:23:41
  发表了文章 2022-10-29 20:23:41

  MobileNetV1架构解析

  MobileNets基于一种流线型架构，使用深度可分离卷积构建轻量级深度神经网络。我们引入了两个简单的全局超参数，可以有效地在延迟和准确性之间进行权衡。这些超参数允许模型生成器根据问题的约束为其应用程序选择适当大小的模型。我们在资源和准确性权衡方面进行了大量实验，与其他流行的ImageNet分类模型相比，我们表现出了强大的性能。然后，我们展示了MobileNet在广泛的应用和用例中的有效性，包括目标检测、精细分类、人脸属性和大规模地理定位。

  
• 10.29 20:22:59
  发表了文章 2022-10-29 20:22:59

  MobileNetV2架构解析

  MobileNetV2先使用`1*1`卷积升维，在高维空间下使用`3*3`的深度卷积，在使用`1*1`卷积降维，在降维时采用线性激活函数。当步长为1时，使用残差连接输入和输出；当步长为2时，不适用残差连接，因为此时的输入特征矩阵和输出特征矩阵的shaoe不相等

  
• 10.29 20:21:58
  发表了文章 2022-10-29 20:21:58

  ResNet架构解析

  残差块

  
• 10.29 20:21:04
  发表了文章 2022-10-29 20:21:04

  AlexNet架构解析

  AlexNet是2012年ImageNet图像分类竞赛的冠军，首次将卷积神经网络CNN和深度学习用于大规模图像分类并且性能优异，在今天也具有一定的参考价值。

  
• 10.29 20:20:28
  发表了文章 2022-10-29 20:20:28

  GoogleNet架构解析

  GoogleNet 是 2014 年 ImageNet Challenge 图像识别比赛的冠军。从它的名字我们就 可以看出是来自谷歌的团队完成的。前面我们有介绍，GoogleNet 之所以获得冠军，是因为 它进行模型融合以后得到的效果要比 VGGNet 模型融合之后的效果要好。不过单模型比拼， 它与 VGGNet 的效果相当。

  
• 10.29 20:19:52
  发表了文章 2022-10-29 20:19:52

  Inception-v2/v3模型

  Inception-v2和Inception-v3都是出自同一篇论文《Rethinking the inception architecture for computer vision》，该论文提出了多种基于 Inception-v1 的模型优化 方法，Inception-v2 用了其中的一部分模型优化方法，Inception-v3 用了论文中提到的所有 优化方法。相当于 Inception-v2 只是一个过渡版本，Inception-v3 一般用得更多。

  
• 10.27 22:00:25
  发表了文章 2022-10-27 22:00:25

  Inception-v4 和 Inception-ResNet

  Inception-v3 结构的复杂程度以后够复杂了，但是它还有几个升级版本，就是 Inception-v4，Inception-ResNet-v1 和 Inception-ResNet-v2。这几个升级版本都出自同 一篇论文《Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning》

  
• 10.27 21:59:21
  发表了文章 2022-10-27 21:59:21

  VGGNet架构解析

  VGGNet 是 2014 年 ImageNet Challenge 图像识别比赛的亚军。参赛团队是来自牛津 大学的研究组 VGG (Visual Geometry Group) 。VGGNet 的很多设计思想都受到 AlexNet 的影响，所以跟 AlexNet 也有一点点相似的地方。VGGNet 不仅在图像识别方向有着广泛应 用，很多目标检测，目标分割，人脸识别等方面的应用也会使用 VGGNet 作为基础模型。

  
• 10.27 21:58:50
  发表了文章 2022-10-27 21:58:50

  Xception:使用深度可分离卷积的深度学习算法

  Inception 模块背后的想法是通过明确地将其分解为一系列独立查看跨通道相关性和空间相关性的操作，从而使该过程更容易和更有效。更准确地说，典型的 Inception 模块首先通过一组 1x1 卷积查看跨通道相关性，将输入数据映射到小于原始输入空间的 3 或 4 个独立空间，然后将所有相关性映射到这些较小的 3D 空间中，通过常规的 3x3 或 5x5 卷积。

  
• 10.27 21:57:55
  发表了文章 2022-10-27 21:57:55

  SENet架构-通道注意力机制

  SENet 是 ImageNet Challenge 图像识别比赛 2017 年的冠军，是来自 Momenta 公司 的团队完成。他们提出了 Squeeze-and-Excitation Networks（简称 SENet）。SENet 不是独立的模型设计，只对模型的一种优化。一般 SENet 都会结合其它模型一起使用，比如 SENet 用于 ResNet-50 中我们就把这个模型称为 SE-ResNet-50，比如 SENet 用于 Inception-ResNet-v2 中我们就把这个模型称为 SE- Inception-ResNet-v2。最早提出 SENet 的论文是《Squeeze-

  
• 10.27 21:57:24
  发表了文章 2022-10-27 21:57:24

  EasyExcel实现对excel文件读写

  EasyExcel是阿里巴巴开源的一个excel处理框架，**以使用简单、节省内存著称**。EasyExcel能大大减少占用内存的主要原因是在解析Excel时没有将文件数据一次性全部加载到内存中，而是从磁盘上一行行读取数据，逐个解析。

  
• 10.27 21:39:44
  发表了文章 2022-10-27 21:39:44

  MnasNet架构解析与复现-神经架构搜索

  为移动设备设计卷积神经网络 (CNN) 具有挑战性，因为移动模型需要小而快，但仍要准确。尽管在所有维度上都致力于设计和改进移动 CNN，但当需要考虑如此多的架构可能性时，很难手动平衡这些权衡。在本文中，我们提出了一种**自动移动神经架构搜索 (MNAS) 方法**，该方法明确地将模型延迟纳入主要目标，以便搜索可以识别出在准确性和延迟之间取得良好折衷的模型。与之前的工作不同，延迟是通过另一个通常不准确的代理（例如 FLOPS）来考虑的，我们的方法通过在手机上执行模型来直接测量现实世界的推理延迟。为了进一步在灵活性和搜索空间大小之间取得适当的平衡，我们**提出了一种新颖的分解层次搜索空间，它鼓励整

  
• 10.27 21:39:11
  发表了文章 2022-10-27 21:39:11

  ShuffleNet:极致轻量化卷积神经网络(分组卷积+通道重排)

  我们引入了一个高效计算的CNN结构名字叫做shuffleNet，这个结构被设计用来解决部署算力非常有限的移动设备问题，这个新的结构使用了两个新的操作,pointwise group convolution 和 channel shuffle能够在极大减少计算量的同时保持一定的精度。我们在ImageNet classification和MS COCO目标检测数据集上做实验论证了ShuffleNet和其他的结构相比有着很好的性能。比如,相比于mobilenet，shufflenet在ImageNet 分类任务上有着更低的top-1错误率(错误率是7.8%)需要的计算量为40MFLOPs。在一个AR

  
• 10.27 21:38:35
  发表了文章 2022-10-27 21:38:35

  ShuffleNetV2:设计轻量化卷积神经网络的理论准则和应用实现

  目前，神经网络架构设计主要由计算复杂度的间接度量，即 FLOPs 指导。然而，直接指标（例如速度）还取决于其他因素，例如内存访问成本和平台特性。因此，这项工作建议评估目标平台上的直接指标，而不仅仅是考虑 FLOP。基于一系列受控实验，这项工作得出了几个有效网络设计的实用指南。因此，提出了一种新的架构，称为 ShuffleNet V2。全面的消融实验验证了我们的模型在速度和准确性的权衡方面是最先进的。

  
• 10.27 21:37:55
  发表了文章 2022-10-27 21:37:55

  ResNext架构解析：深度神经网络的聚合残差变换

  我们提出了一种用于图像分类的简单、高度模块化的网络架构。我们的网络是通过重复一个构建块来构建的，该构建块聚合了一组具有相同拓扑的转换。我们简单的设计产生了一个同构的多分支架构，只需设置几个超参数。这个策略**暴露了一个新的维度，我们称之为“基数”（转换集的大小）**，作为除了深度和宽度维度之外的重要因素。在 ImageNet-1K 数据集上，我们凭经验表明，即使在保持复杂性的限制条件下，增加基数也能够提高分类精度。此外，当我们增加容量时，增加基数比更深或更宽更有效。我们的模型名为 ResNeXt，是我们进入 ILSVRC 2016 分类任务的基础，在该任务中我们获得了第二名。我们在 Image