Xing

服务端 GitHub - mouming233/qt 切记，进行通信的时候不要使用clash，不要打开系统代理 出现的问题： 当按下按键时，ui界面立马闪退 输入端口号无法进行连接 出现的问题https://www.bilibili.com/video/BV1LB4y1F7P7?t=87.8&p=13 此处为语雀卡片，点击链接查看 QT的ui界面按钮点不了、不更新、无响应的可能原因_qt设计点不了_你洪哥的博客-CSDN博客 QT小记:QT程序异常结束的可能原因_吻等离子的博客-CSDN博客 QT程序异常结束问题分析_泱生的博客-CSDN博客 原因：指针未初始化，导致内存泄漏，这个问题很常见，需要重视 解决办法：提前初始化 此处为语雀卡片，点击链接查看 ip地址问题使用127.0.0.1可以但是选择本机ip地址不行 计算机原理—127.0.0.1是什么_lipviolet的博客-CSDN博客 客户端 初步思路 目前已经了初步的思路，打算在一周内实现思路，完成ui界面的设计 最开始我有一个疑惑，是选择多客户端还是多线程，考虑到可...

markdown 如何阅读.md文件 最简单的方法： 下载Typora 然后破解 typora激活方法及使用教程_soft_0711的博客-CSDN博客_typora激活 markdown基础语法 Markdown 语法手册 （完整整理版）_witnessai1的博客-CSDN博客_markdown语法手册 pdf 容易遇到的问题 图片无法显示 由于此次培训的图片来源于github 所以在浏览培训文档的时候也需要使用clash windows下修改环境变量用不用重启 其实只要理解了环境变量的原理就可以做出正确的判断。环境变量是一些系统变量，这些变量对运行的任意一个程序都有效。最简单的确认方法就是 cmd.exe 程序。单击“开始”->“运行”，然后输入 cmd，回车，在启动的命令行窗口中输入set，之后就可以看到一大堆各种各样的环境变量显示在屏幕上。而修改环境变量则是通过“控制面板”->“系统”->“高级”->“环境变量”对话框进行的。 这里要理解的是，一个程序启动时，环境变量被复制到该程序所在的环境中，在该程序执行...

chapter1 读取基本操作 1234#include <opencv2/imgcodecs.hpp>#include <opencv2/highgui.hpp>#include <opencv2/imgproc.hpp>#include <iostream> 导入图片 可以用 12std::stringcv::imread 也可以命名空间，直接使用，不用写std：：string之类的 12using namespace cv;using namespace std; 利用string存储路径 1string path = "Resources/test.png"; 使用mat从路径导入图片 1Mat img = imread(path); imread 1Mat cv::imread(const String&filename,int flags=IMREAD_COLOR) 返回值 Mat 类型, 即返回读取的图像，读取图像失败时返回一个空的矩阵对象（Mat::dat...

小技巧 小知识 当添加信息会显示绿色 修改一个文件会显示橙色 制界面大小 自动补全 常用快捷键 多选同名，同时修改ctrl+D，按几下就几个同时被选中 向左缩进：Ctrl + [ 或者 Shift+Tab 向右缩进：Ctrl + ] 或者 Tab vscode常用快捷键_vscode快捷键_新阿伟先生的博客-CSDN博客 vscode 前端快捷键_前端黄大仙的博客-CSDN博客_vscode前端快捷键 便于快捷操作 我自行设置了光标的移动alt+u和alt+i 整段移动：选中一段文字之后，按住alt+方向键 环境配置 教程：Visual Studio Code(VSCode)调用Dev C编译C++_m.Y随缘的博客-CSDN博客_vscode使用devc编译器 编译器和解释器的区别 什么是编译器？什么是解释器？_编译器 解释器_xiawucha159的博客-CSDN博客 python解释器到底是什么？ 让我们看看编译器和解释器之间的主要区别 1、编译器将一个程序作为一个整体进行翻译，而解释器则一条一条地翻译一个程序 2、在编译器的...

什么是感知机？ 感知机（perceptron）是二分类的线性分类模型，属于监督学习算法。输入为实例的特征向量，输出为实例的类别（取+1和-1）。感知机旨在求出将输入空间中的实例划分为两类的分离超平面。为求得超平面，感知机导入了基于误分类的损失函数，利用梯度下降法对损失函数进行最优化求解。 神经网络主体的流程是怎样的？ 每个神经元有一个节点和传输通道，节点接收数据，并且向下传输数据 有阈值设置，如果数据的值超过设置的阈值才会触发向下的传输。 什么是激活函数？ 将非0到1区间的数更改到0到1的区间内 表示没信号和有信号的函数 我们所学的矩阵运算在神经网络中为什么很有用？ 什么是偏导？什么是梯度？什么是梯度下降？它们在神经网络中扮演着怎样的角色？ 偏导：在多维坐标系中某一个方向的导数，表示因变量在某一个方向的变化率 梯度：可以理解成曲线的斜率，即数据的变化幅度（山坡的陡峭程度） 梯度下降：求解函数最小值的办法，按照梯度进行下一步操作，同时控制步长 什么是反向传播？它是如何实现的？ 为了修正误差，改变隐藏层到输出层的权重，以及输入层...

二维卷积神经网络 00:03:44.271 放进卷积层，然后使通道数提升 00:04:36.639 下采样层中通道数是不变的 但是宽高会变 目的减少数据量，降低运算的需求 00:05:59.344 再做一次5x5的卷积 然后2x2的下采样 最后要把三阶向量展开成一维向量 就是挨个排序 00:07:13.014 然后利用全连接层来映射到10个输出 利用各种层，进行维度变换 00:08:22.737 卷积+下采样=特征提取器 图像： rgb图像 栅格图像 00:11:25.291 00:24:15.002 00:25:19.212 取出来一个图形块 对图像块进行卷积 依次移动 输出通道数 00:28:20.851 00:29:22.737 00:29:54.087 00:30:10.046 这个就是单通道卷积的形象表示 00:30:33.601 三通道卷积 00:31:02.697 每一个通道设置一个卷积核 00:32:17.903 最后三维变成1维 00:33:10.285 00:35:20.005 ...

之前学习的都是线性的串行结构 就是上一个的输出作为下个的输入 00:02:06.381 convoltion：卷积 pooling：池化 softmax：输出 other：拼接层 为了减少代码冗余： - 使用函数调用 - 构造类 00:04:05.180 发现这些快长得都一样 所以把其封装成类 00:06:02.235 有一些参数比较难选 比如kernel选哪个， googlenet的思路是，再一个块中，使用多个kernnel 然后对结果进行评价，让最优的kernel权重增加 00:09:21.370 对于每一条路，变换之后bwh必须相同 c可以不同 00:11:39.744 00:11:51.236 00:11:59.066 00:13:31.719 00:13:30.545 00:13:30.545 求和也就是信息融合 00:17:39.604 00:19:24.494 上面这个的运算量太大了 00:20:06.613 直接变为原来的十分之一 这个也就是1x1的卷积神经网络的作用 网络中的网络：1x1卷积 00:...

深度学习顺序 1. 准备数据集 2. 模型选择 3. 训练 4. 推理 00:01:57.536 00:02:38.739 00:03:56.345 仅有输入的数据，在测试或者推理阶段 00:04:40.157 数据集交给算法，得到预测算法，使用模型只进行预测 00:05:46.753 知道输出值-》监督学习 测试集用于评价模型好坏 数据集分成两个部分 00:08:42.608 00:10:06.592 00:12:21.957 00:13:54.806 深度学习训练最大问题：过拟合 过拟合：把图像中的噪声也学进去了 比如训练集中的小猫都很可爱，但是测试集的小猫不可爱，导致测试中无法准确识别 需要模型有比较好的泛化能力 训练集分成两份 开发集用于对训练集进行评估，防止过拟合 评估比较好好再把所有的训练集重新训练，之后丢给测试集 00:15:00.775 00:17:13.524 其实就是找到f(x) 线性模型是最基本的，可以最开始测试是否可用 预测出来的加上y heater 00:20:28.689 如何找到斜率为2 ...

目标实现一个学习系统 理解简单的神经网络（nn）/dl 00:11:46.636 人类智能 1. 通过信息进行推理 2. 看到照片与抽象概念结合：预测 00:19:29.936 mechine learning 就是代替人脑 目前常用的都是监督学习 算法思维： - 穷举 - 贪心 - 分治 - 动态规划 深度学习：有数据集 找出算法 机器学习 计算过程也就是函数来源于数据，而不是人工（基于统计） 00:24:01.499 dl属于表示学习rl 00:28:28.199 求原函数 首先构造知识库 00:29:14.598 00:29:41.156 实现类似人类智能的就算ai 00:32:34.716 对于复杂问题，基于规则的代码，人类难以维护 经典机器学习：手工提取特征。最重要要把 00:34:05.608 重点是使用机器学习找到中间的f(x) 00:34:40.521 表示学习还要通过学习获得特征 维度诅咒 00:36:43.485 特征2维就需要102 如果是3维就103 00:39:08.956 10维空间映射到3维 0...

00:02:00.228 使用随机猜测 寻找ŷ − y 最小值 00:03:10.941 00:03:41.947 两个权重w1 w2 00:04:06.938 这个搜索量太大了 穷举法搜不过来 搜索区间过大导致问题 ==分治思想== 00:05:02.292 00:05:11.770 对于两个权重，进行划分，只考虑这点00:06:02.911 image.png 使用这几个点代表所有的空间 00:07:07.962 00:07:29.136 分治思想的缺点，会有如上的情况，导致无法获取最低点。有可能会错过比较好的低点 00:09:26.071 要求函数的最小值 00:10:16.901 00:10:41.308 00:11:34.211利用梯度来判断这个点需要进行的平移方向，也就 是如果梯度导数 > 0 ,也就是这个点右移会上升 所以应该选择导数的负方向（下面公式中是负号），用以趋近最低点 00:12:34.364 学习率最好选的小一点 上面的算法思想： ==贪心== 00:14:53.079 ...