https://zjykzj.cn/icon.png SIMPLE THE COMPLEX 2026-03-02T14:17:13.952Z https://zjykzj.cn/ zjykzj Hexo https://zjykzj.cn/posts/33554963.html 2026-02-25T03:46:57.000Z 2026-03-02T14:17:13.952Z

<p>Use DeepSeek in Claude Code。TIP：买台好点的电脑，配个好点的网络，不然真的跑得慢 ~~~</p>

https://zjykzj.cn/posts/14e3ccb6.html 2026-02-07T09:49:17.000Z 2026-03-02T14:17:13.957Z

<p>原文地址: <a href="https://pytorch.org/get-started/pytorch-2-x/#overview">Pytorch 2.x</a></p>

https://zjykzj.cn/posts/cb7fba5f.html 2026-01-31T08:25:52.000Z 2026-03-02T14:17:13.926Z

<p>汇总本站涵盖的主流数据集说明，覆盖图像分类、目标检测、实例分割、OCR 及大模型预训练等核心任务。</p>

https://zjykzj.cn/posts/ce68a638.html 2025-12-31T06:33:51.000Z 2026-03-02T14:17:13.926Z

<p>一直没理清章节顺序，索性按思绪所至落笔，记录下这一年的技术探索、身体警醒、生活减法，以及对未来的微小期待。 </p>

https://zjykzj.cn/posts/769226ba.html 2025-12-27T00:11:39.000Z 2026-03-02T14:17:13.926Z

<p>前几周我实现了第一版基于大语言模型（<code>LLM</code>）的博客文章分类与标签自动生成系统，初衷是借助 AI 的语义理解能力，解放双手、提升元数据的一致性与可维护性。然而，在实际运行一段时间并观察生成结果后，我发现这套方案虽然<code>自动化</code>了流程，但是没有真正实现<code>智能化</code> — 最终得到的类别列表和标签体系<strong>既不能精准反映单篇文章的核心内容，也无法体现整个博客的技术定位与知识结构</strong>。</p> <p>我试图用一个端到端的黑箱流程解决所有问题。而现实是，<strong>好的元数据体系需要清晰的顶层设计、细粒度的内容理解，以及人机协同的持续演进机制</strong>。我对整个流程进行了彻底重构，将原先的两个脚本拆解为四个职责明确、可独立验证的阶段，形成一套更稳健、更可控、也更贴合实际需求的四阶段自动化工作流。</p> <ul> <li><a href="https://blog.zjykzj.cn/posts/77788f37.html">[Vibe Coding][Github Actions/Pages][Hexo/NexT]从零构建博客网站</a></li> <li><a href="http://blog.zjykzj.cn/posts/196b2d68.html">[Vibe Coding][Gitea Actions/Nginx][Hexo/NexT]从零构建博客网站2</a></li> <li><del><a href="http://blog.zjykzj.cn/posts/7a6bec68.html">[Vibe Coding][DeepSeek]用大模型自动为博客生成分类与标签</a></del></li> <li><a href="http://blog.zjykzj.cn/posts/769226ba.html">[Vibe Coding][DeepSeek]用大模型自动为博客生成分类与标签V2</a></li> </ul>

https://zjykzj.cn/posts/7a6bec68.html 2025-12-14T08:20:55.000Z 2026-03-02T14:17:13.926Z

<!-- 在维护一个技术博客的过程中，最令人头疼的往往不是写作本身，而是**元数据的管理**：每篇文章该归到哪个分类？打哪些标签？这些看似琐碎的问题，一旦积累到上百篇，就会演变成一场混乱——同一篇讲 Docker 的文章，有时被标为“容器”，有时是“DevOps”，还有时干脆没分类。久而久之，博客的可检索性和知识结构就崩塌了。 为了解决这个问题，我设计并实现了一套基于大语言模型（LLM）的**两阶段自动化方案**，利用 DeepSeek 的 Reasoner 模型，让 AI 帮我构建并维护一套清晰、一致、可扩展的分类与标签体系。整个流程分为两个脚本，分别对应“体系构建”和“智能分配”。 --> <p>最近在重构博客网站的时候，突然想到是不是可以借助大模型自动生成分类和标签。经过几轮尝试，对比不同的大模型使用方案，最终实现了结合人工审核与大模型能力的两阶段工程，这是最契合当前需求的方案。</p> <ul> <li><a href="https://blog.zjykzj.cn/posts/77788f37.html">[Vibe Coding][Github Actions/Pages][Hexo/NexT]从零构建博客网站</a></li> <li><a href="http://blog.zjykzj.cn/posts/196b2d68.html">[Vibe Coding][Gitea Actions/Nginx][Hexo/NexT]从零构建博客网站2</a></li> <li><del><a href="http://blog.zjykzj.cn/posts/7a6bec68.html">[Vibe Coding][DeepSeek]用大模型自动为博客生成分类与标签</a></del></li> <li><a href="http://blog.zjykzj.cn/posts/769226ba.html">[Vibe Coding][DeepSeek]用大模型自动为博客生成分类与标签V2</a></li> </ul>

https://zjykzj.cn/posts/196b2d68.html 2025-11-30T09:35:57.000Z 2026-03-02T14:17:13.926Z

<p>距离上一次搭建<code>Hexo/NexT</code>博客网站已过去四年。虽然整体交互体验并未发生颠覆性的变化，但在交互细节与部署实现方面，确实持续进行了打磨与优化。这一次我打算使用最新版本（<code>hexo 8.1.1 / NexT 8.26.0</code>）重新构建我的博客网站，同时会结合更多的工具（<code>Docker、Github Action/Pages、Gitea Actions/Nginx</code>）来优化整个部署PIPELINE。</p> <ul> <li><a href="https://blog.zjykzj.cn/posts/77788f37.html">[Vibe Coding][Github Actions/Pages][Hexo/NexT]从零构建博客网站</a></li> <li><a href="http://blog.zjykzj.cn/posts/196b2d68.html">[Vibe Coding][Gitea Actions/Nginx][Hexo/NexT]从零构建博客网站2</a></li> <li><del><a href="http://blog.zjykzj.cn/posts/7a6bec68.html">[Vibe Coding][DeepSeek]用大模型自动为博客生成分类与标签</a></del></li> <li><a href="http://blog.zjykzj.cn/posts/769226ba.html">[Vibe Coding][DeepSeek]用大模型自动为博客生成分类与标签V2</a></li> </ul>

https://zjykzj.cn/posts/77788f37.html 2025-11-23T12:53:18.000Z 2026-03-02T14:17:13.926Z

<p>距离上一次搭建<code>Hexo/NexT</code>博客网站已过去四年。虽然整体交互体验并未发生颠覆性的变化，但在交互细节与部署实现方面，确实持续进行了打磨与优化。这一次我打算使用最新版本（<code>hexo 8.1.1 / NexT 8.26.0</code>）重新构建我的博客网站，同时会结合更多的工具（<code>Docker、Github Action/Pages、Gitea Actions/Nginx</code>）来优化整个部署PIPELINE。</p> <ul> <li><a href="https://blog.zjykzj.cn/posts/77788f37.html">[Vibe Coding][Github Actions/Pages][Hexo/NexT]从零构建博客网站</a></li> <li><a href="http://blog.zjykzj.cn/posts/196b2d68.html">[Vibe Coding][Gitea Actions/Nginx][Hexo/NexT]从零构建博客网站2</a></li> <li><del><a href="http://blog.zjykzj.cn/posts/7a6bec68.html">[Vibe Coding][DeepSeek]用大模型自动为博客生成分类与标签</a></del></li> <li><a href="http://blog.zjykzj.cn/posts/769226ba.html">[Vibe Coding][DeepSeek]用大模型自动为博客生成分类与标签V2</a></li> </ul>

https://zjykzj.cn/posts/f00c35c8.html 2025-11-16T07:55:16.000Z 2026-03-02T14:17:13.952Z

<p><a href="https://docs.gitea.com/zh-cn/usage/actions/overview">Gitea Actions</a>是Gitea内置的CI&amp;CD解决方案，它最大程度的兼容了<a href="https://github.com/features/actions">Github Actions</a>的设计语法和使用方式。</p> <p><img src="/imgs/tool/gitea-actions/network-26253436ff6bc6bcfb0ebc93b08f4834.png"></p>

https://zjykzj.cn/posts/e05ed12d.html 2025-10-18T08:44:24.000Z 2026-03-02T14:17:13.926Z

<p>《斗破苍穹》的药老，亦或是《棋魂》的藤原佐为，《凡人修仙传》的小绿瓶，《I, Robot》的机器人，都能够通过它们强大的信息/资源提取能力来帮助主人公成长。今天的大模型，或者基于大模型的算法工具，有没有类似的感觉！</p>

https://zjykzj.cn/posts/6d933918.html 2025-10-06T11:31:06.000Z 2026-03-02T14:17:13.926Z

<p>25年初开始改造老家房子，推倒老房重新建造一栋新房子。整个老房改造涉及多个环节，大体可以划分为老房拆除、打地桩、浇筑地基、建造楼房、门窗水电预埋、内外墙批灰、外墙装修以及室内软硬装修。现在已经花了半年时间把楼房建造完成，预计还要花费6个月左右时间才能完全装修好入住。</p>

https://zjykzj.cn/posts/9b44950b.html 2025-08-16T07:43:51.000Z 2026-03-02T14:17:13.926Z

<!-- https://lxblog.com/qianwen/share?shareId=20af8bfe-178b-4054-9676-a32509c243b1 -->

https://zjykzj.cn/posts/8772cd4a.html 2025-08-03T07:13:35.000Z 2026-03-02T14:17:13.926Z

<!-- 指南？准则？守则！ --> <!-- https://lxblog.com/qianwen/share?shareId=ab426977-625e-449e-bb7d-001689eb64b0 --> <blockquote> <p><strong>在上海这座钢铁森林中，真正的“更好生活”，不是住进更高的楼，而是让自己的心，看得更远、站得更稳、走得更自由。</strong></p> </blockquote>

https://zjykzj.cn/posts/eca7e771.html 2025-06-07T14:24:11.000Z 2026-03-02T14:17:13.918Z

<p><img src="/imgs/agent/function-call/tool_calling_concept-552a73031228ff9144c7d59f26dedbbf.png"></p>

https://zjykzj.cn/posts/394029d5.html 2025-05-05T08:29:29.000Z 2026-03-02T14:17:13.944Z

<p><img src="/imgs/multimodal/chineseclip/ChineseCLIP.png"></p>

https://zjykzj.cn/posts/eae63785.html 2025-04-28T12:52:51.000Z 2026-03-02T14:17:13.944Z

<p><img src="/imgs/multimodal/clip/CLIP.png"></p>

https://zjykzj.cn/posts/c269fa90.html 2025-04-26T13:41:52.000Z 2026-03-02T14:17:13.944Z

<p><img src="/imgs/multimodal/clip/CLIP.png"></p>

https://zjykzj.cn/posts/7db64b08.html 2025-04-19T12:32:33.000Z 2026-03-02T14:17:13.952Z

<p><img src="/imgs/tool/dify/dify-rag.png"></p>

https://zjykzj.cn/posts/c1665f75.html 2025-04-04T08:48:13.000Z 2026-03-02T14:17:13.926Z

<p>拥抱人工智能！拥抱新能源！</p>

https://zjykzj.cn/posts/62e0b2c0.html 2025-04-04T07:40:42.000Z 2026-03-02T14:17:13.952Z

<p><a href="https://docs.celeryq.dev/en/stable/#celery-distributed-task-queue">Celery</a> 是一个使用 Python 开发的分布式任务队列框架，广泛用于处理<strong>异步任务</strong>和<strong>定时任务</strong>。它通过消息中间件（Broker）将耗时或复杂的任务分发给一个或多个工作节点（Worker）进行异步执行，适用于高并发、任务解耦、批量数据处理、后台服务等场景。</p>

https://zjykzj.cn/posts/b543ced0.html 2025-04-04T07:19:54.000Z 2026-03-02T14:17:13.952Z

<p><a href="https://www.rabbitmq.com/">RabbitMQ</a>是一个开源的消息队列软件（消息代理），它实现了高级消息队列协议（AMQP）。它主要用于应用程序之间或者同一应用的不同组件之间传递消息，实现了解耦、非阻塞的服务架构。</p>

https://zjykzj.cn/posts/21aacd06.html 2024-12-29T09:56:34.000Z 2026-03-02T14:17:13.926Z

<p>2024年是复杂的一年，我在学习如何适应工作、专业和生活中的变化。</p>

https://zjykzj.cn/posts/2a9fb889.html 2024-11-17T06:57:14.000Z 2026-03-02T14:17:13.948Z

<p><img src="/imgs/object_segment/yolact/yolact_example_0.png"></p> <p>论文: <a href="https://arxiv.org/abs/1904.02689">YOLACT: Real-time Instance Segmentation</a></p> <p>GITHUB: <a href="https://github.com/dbolya/yolact">dbolya/yolact</a></p>

https://zjykzj.cn/posts/f3b27a67.html 2024-10-19T08:03:19.000Z 2026-03-02T14:17:13.931Z

<p>YOLO5Face可以理解为YOLOv5的扩展版本，它在原有的基础上添加了一个专门用于检测面部特征点的HEAD。这使得 YOLO5Face 在实时推理过程中，不仅能高效地检测出人脸的边界框，还能同时精确定位出人脸上的五个关键特征点坐标。这种一体化的设计大大简化了人脸识别与分析的工作流程，为后续的应用（如面部表情识别、姿态估计等）提供更丰富的信息支持。</p> <p><img src="/imgs/face_detection/yolo5face/selfie.jpg"></p>

https://zjykzj.cn/posts/2a2133b8.html 2024-10-03T03:18:29.000Z 2026-03-02T14:17:13.931Z

<p>论文：<a href="https://arxiv.org/abs/2105.12931">YOLO5Face: Why Reinventing a Face Detector</a></p> <p>GITHUB: <a href="https://github.com/deepcam-cn/yolov5-face">deepcam-cn/yolov5-face</a></p>

https://zjykzj.cn/posts/c9eab5b1.html 2024-10-01T12:58:29.000Z 2026-03-02T14:17:13.948Z

<p>LPRNet是英特尔发布的端到端的纯卷积神经网络架构的车牌识别算法。</p> <p>论文：<a href="https://arxiv.org/abs/1806.10447">LPRNet: License Plate Recognition via Deep Neural Networks</a></p>

https://zjykzj.cn/posts/a25a6bef.html 2024-09-28T04:18:28.000Z 2026-03-02T14:17:13.948Z

<p><img src="/imgs/ocr/crnn/show.png"></p> <p>论文：<a href="https://arxiv.org/abs/1507.05717">An End-to-End Trainable Neural Network for Image-based Sequence Recognition and Its Application to Scene Text Recognition</a></p>

https://zjykzj.cn/posts/e3db0e3d.html 2024-07-28T08:12:00.000Z 2026-03-02T14:17:13.918Z

<p>CCPD是一个中文车牌数据集，图像数目超过25w张，同时提供了车牌矩形框以及车牌角点标注。</p> <p>论文：<a href="https://openaccess.thecvf.com/content_ECCV_2018/papers/Zhenbo_Xu_Towards_End-to-End_License_ECCV_2018_paper.pdf">Towards End-to-End License Plate Detection and Recognition: A Large Dataset and Baseline</a></p> <p>GITHUB: <a href="https://github.com/detectRecog/CCPD?tab=readme-ov-file#ccpd-chinese-city-parking-dataset-eccv">CCPD (Chinese City Parking Dataset, ECCV)</a></p>

https://zjykzj.cn/posts/14e0852.html 2024-06-23T09:11:44.000Z 2026-03-02T14:17:13.918Z

<p><img src="/imgs/dataset/widerface/faces.png"></p> <ul> <li>Official: <a href="http://shuoyang1213.me/WIDERFACE/">WIDER FACE: A Face Detection Benchmark</a></li> <li>Paper: <a href="https://arxiv.org/abs/1511.06523">WIDER FACE: A Face Detection Benchmark</a></li> </ul>

https://zjykzj.cn/posts/5e168c4e.html 2024-06-09T14:25:58.000Z 2026-03-02T14:17:13.952Z

<p><img src="/imgs/tool/triton/Triton-Inference-Server-1000x600-1-e1641417350930.png"></p> <p>NVIDIA Triton 是一款由 NVIDIA 开发的高性能推理服务软件，不仅能够支持多种主流的推理框架，如 PyTorch、ONNX Runtime 和 TensorRT 等，还具备强大的多GPU负载均衡能力，确保高效利用计算资源。NVIDIA Triton 通过提供统一的接口来管理不同框架下的模型，能够大大提高模型部署的灵活性与效率。</p>

https://zjykzj.cn/posts/fed9a1d6.html 2024-06-01T13:29:57.000Z 2026-03-02T14:17:13.948Z

<p>原文地址：<a href="https://arxiv.org/abs/1902.09630">Generalized Intersection over Union: A Metric and A Loss for Bounding Box Regression</a></p> <p>官方实现：<a href="https://github.com/generalized-iou">generalized-iou</a></p>

https://zjykzj.cn/posts/d11ced80.html 2024-05-25T14:17:15.000Z 2026-03-02T14:17:13.948Z

<p><img src="/imgs/object_detect/yolov3/figure-1.png"></p> <p>原文地址：<a href="https://arxiv.org/abs/1804.02767">YOLOv3: An Incremental Improvement</a></p>

https://zjykzj.cn/posts/f0c22d2e.html 2024-05-25T07:28:25.000Z 2026-03-02T14:17:13.948Z

<p><img src="/imgs/object_detect/yolov2/figure-4.png"></p> <p>原文地址：<a href="https://arxiv.org/abs/1612.08242">YOLO9000: Better, Faster, Stronger</a></p>

https://zjykzj.cn/posts/e522fe39.html 2024-05-22T13:15:40.000Z 2026-03-02T14:17:13.952Z

<p><img src="/imgs/tool/qianwen/Qwen2.png"></p> <p><a href="https://github.com/QwenLM">通义千问</a>是阿里推出的大语言模型。2024年5月9日阿里云正式发布通义千问2.5，<a href="https://weibo.com/6105753431/OdtQpdBwA">在权威基准 OpenCompass 上，通义千问 2.5 的得分追平了 GPT-4 Turbo</a>。</p>

https://zjykzj.cn/posts/d7a40912.html 2024-05-04T03:20:09.000Z 2026-03-02T14:17:13.952Z

<p>OpenCV除了提供源码编译外，还提供了预编译版本，包含Linux/macOS/Windows的Python/C++版本：<a href="https://opencv.org/get-started/">Get Started</a></p>

https://zjykzj.cn/posts/d536e7f0.html 2024-02-26T13:29:20.000Z 2026-03-02T14:17:13.948Z

<p>使用锚点框（<code>AnchorBoxes</code>）可以帮助目标检测网络更快速的收敛到真值框（<code>GroundTruth</code>）。关于锚点框的实现也经历了多次迭代变化：<code>YOLOv2/YOLOv3/YOLOv4/YOLOv5</code>。</p> <ul> <li><a href="https://github.com/zjykzj/anchor-boxes">zjykzj/anchor-boxes</a></li> </ul>

https://zjykzj.cn/posts/4bc7c760.html 2024-01-28T07:34:35.000Z 2026-03-02T14:17:13.952Z

<p><a href="https://www.gradio.app/">Gradio</a>是一个开源Python包，能够自动构建交互式用户界面，帮助工程师快速对外展示算法实现效果。</p> <p><img src="/imgs/tool/gradio/lcm-screenshot-3.gif"></p>

https://zjykzj.cn/posts/63f65c0c.html 2024-01-21T08:25:57.000Z 2026-03-02T14:17:13.926Z

<ul> <li>初级算法：算法落地</li> <li>中级算法：算法开发</li> <li>高级算法：算法创新</li> </ul>

https://zjykzj.cn/posts/b7a49fab.html 2024-01-07T13:22:48.000Z 2026-03-02T14:17:13.948Z

<!--  --> <p><img src="/imgs/object_detect/yolov5-preprocess-postprocess/YOLOv8.png"></p>

https://zjykzj.cn/posts/c376d67f.html 2023-12-31T08:36:13.000Z 2026-03-02T14:17:13.926Z

<p>在2023年做了很多事情，仔细想想，需要记录的内容有很多。</p>

https://zjykzj.cn/posts/b58aa148.html 2023-11-14T12:29:35.000Z 2026-03-02T14:17:13.926Z

<p>整理网站发布过的论文调研，涉及多模态、模型训练、目标分类、目标检测、目标分割、图像检索、OCR、人脸检测/识别、模型蒸馏、模型剪枝、视频识别、细粒度分类、行人属性识别、视频压缩等领域。</p>

https://zjykzj.cn/posts/2f179d77.html 2023-11-12T13:53:09.000Z 2026-03-02T14:17:13.952Z

<p>标题是<a href="https://about.gitea.com/">Gitea</a>官网自己介绍的，我的理解它就是轻量级的源码管理平台，同时支持各种CI&amp;CD工具的插件扩展。</p> <p><img src="/imgs/tool/gitea/gitea.svg"></p>

https://zjykzj.cn/posts/e7ae0881.html 2023-11-12T12:26:53.000Z 2026-03-02T14:17:13.952Z

<p><a href="https://www.portainer.io/">portainer.io</a>是一款web端的容器管理工具。</p> <p><img src="/imgs/tool/portainer/portainer-architecture-detailed.png"></p>

https://zjykzj.cn/posts/2c7e5cda.html 2023-11-12T08:21:10.000Z 2026-03-02T14:17:13.948Z

<p>论文<a href="https://blog.zjykzj.cn/posts/202dcbdc.html">Rethinking of Pedestrian Attribute Recognition</a>提供了<a href="https://github.com/valencebond/Rethinking_of_PAR">valencebond/Rethinking_of_PAR</a>。</p>

https://zjykzj.cn/posts/202dcbdc.html 2023-11-05T08:33:56.000Z 2026-03-02T14:17:13.948Z

<p>论文地址：<a href="https://arxiv.org/abs/2107.03576">Rethinking of Pedestrian Attribute Recognition: A Reliable Evaluation under Zero-Shot Pedestrian Identity Setting</a></p> <p>官方实现：<a href="https://github.com/valencebond/Rethinking_of_PAR">valencebond/Rethinking_of_PAR</a></p>

https://zjykzj.cn/posts/b27558b2.html 2023-11-04T14:19:05.000Z 2026-03-02T14:17:13.952Z

<p><code>Pytorch</code>分类/检测/分割模型转换到<code>ONNX</code>格式，最后转换成<code>TensorRT Engine</code>文件进行推理（<code>Python</code>）。</p> <p><img src="/imgs/tool/pytorch2onnx2tensorrt/dl-cycle.png"></p>

https://zjykzj.cn/posts/3f02448e.html 2023-10-28T12:43:26.000Z 2026-03-02T14:17:13.952Z

<p>制作Docker镜像，包含Pytorch+TensorRT开发环境，同时开通SSH连接</p>

https://zjykzj.cn/posts/c462289e.html 2023-08-31T14:42:54.000Z 2026-03-02T14:17:13.926Z

<p>2023年8月29日，完成了南京陆小馋的零食AI交付，用的最新研发的算法，效果非常好。晚上10点多，我一个人走在马路上，非常安静，我的脑海中一直回味着白天非常棒的识别效果。仔细想想，我现在做的零食算法研发，它<strong>不一定难，但是绝对不简单</strong>。</p>

https://zjykzj.cn/posts/675761a2.html 2023-08-27T13:05:36.000Z 2026-03-02T14:17:13.952Z

<p>前段时间Github突然通知我在9月28日之前完成2FA的配置。</p>

https://zjykzj.cn/posts/3c23398d.html 2023-08-19T07:39:39.000Z 2026-03-02T14:17:13.935Z

<p>之前整理过一些图像分类相关的论文和实现：<a href="https://blog.zjykzj.cn/posts/a64200b6.html">图像分类</a>。这一次专门总结轻量网络的构成和演化。</p>

https://zjykzj.cn/posts/531cdffe.html 2023-08-19T01:52:15.000Z 2026-03-02T14:17:13.922Z

<p>Grad-CAM(Gradient-weighted Class Activation Mapping)提供了一种可视化视角来表明图像不同区域的卷积激活的重要程度。</p> <p>实现：<a href="https://github.com/zjykzj/cam">zjykzj/cam</a></p>

https://zjykzj.cn/posts/d79074b.html 2023-07-23T03:07:55.000Z 2026-03-02T14:17:13.931Z

<p>资产的价值和价格的关系？个人技能是资产吗？</p>

https://zjykzj.cn/posts/629eb18c.html 2023-07-09T07:07:30.000Z 2026-03-02T14:17:13.948Z

<p>重新学习YOLOv1论文，以及复现YOLOv1工程。</p>

https://zjykzj.cn/posts/88f4fd4a.html 2023-06-17T14:06:50.000Z 2026-03-02T14:17:13.957Z

<p>帧间差分算法是常用的运动目标检测算法。</p>

https://zjykzj.cn/posts/ac4890ab.html 2023-06-05T13:15:01.000Z 2026-03-02T14:17:13.926Z

<p>时间就是金钱？你的时间就是金钱？做什么样的事情才能保证时间就是金钱？时间就是金钱是一件好事吗？</p>

https://zjykzj.cn/posts/2525188f.html 2023-05-29T11:54:43.000Z 2026-03-02T14:17:13.926Z

<p>最近经常有刷到古董鉴定的短视频，无数热爱或者跟风或者投资古董的玩家拿出他们珍藏的陶瓷、书画、器皿等等古玩进行专家鉴定。对于同一件东西，从专家和玩家各自的说辞中，能够发现一些很有意思的地方。</p>

https://zjykzj.cn/posts/b60ccf57.html 2023-04-08T08:06:37.000Z 2026-03-02T14:17:13.918Z

<p>调研coco数据集的时候，有一个小疑惑，就是官网介绍说coco包含了80个目标类别（<code>object categories</code>）和91个材料类别（<code>stuff categories</code>）。这两者有什么差别？为什么目标检测任务不使用全部的91个类别？</p>

https://zjykzj.cn/posts/1e2e6f62.html 2023-03-26T06:22:52.000Z 2026-03-02T14:17:13.926Z

<p>什么是ChatGPT？能用它来做什么？它会消灭什么岗位？它会增强什么岗位？它还会提高吗？</p>

https://zjykzj.cn/posts/d44eb6c1.html 2023-03-26T03:02:09.000Z 2026-03-02T14:17:13.952Z

<p>ChatGPT已经发布一段时间了，陆陆续续的有不少小伙伴开始注册和使用它，一致好评！！！我也尝试着注册和使用ChatGPT，记录一下。</p>

https://zjykzj.cn/posts/cf749f20.html 2023-02-27T12:40:50.000Z 2026-03-02T14:17:13.926Z

<p>越来越发现这个时代充斥着太多的文章和理论，每一件事情都可以找到N多种研究的方法，到底什么才是最好的，什么才是适合自己的？唯有实践，才是检验真理的唯一标准！</p>

https://zjykzj.cn/posts/99e7bfa7.html 2023-02-15T11:56:53.000Z 2026-03-02T14:17:13.952Z

<p>一直使用Jetbrains的Pycharm/CLion进行开发，之前使用学校邮箱申请过免费许可证。最近发现Jetbrains针对开源项目提供了免费许可证</p>

https://zjykzj.cn/posts/2cb4bd41.html 2023-01-20T03:36:17.000Z 2026-03-02T14:17:13.926Z

<p>今天是2023年1月20号，也就是农历2022年十二月二十九日。2022年已经过去了，需要记录的东西有很多。</p>

https://zjykzj.cn/posts/38c692b.html 2023-01-20T03:20:14.000Z 2026-03-02T14:17:13.926Z

<p>一些想法，以及一些觉得有想法的句子，记录一下。</p>

https://zjykzj.cn/posts/b2854db9.html 2022-10-24T13:42:44.000Z 2026-03-02T14:17:13.939Z

<p>原文地址：<a href="https://arxiv.org/abs/1803.11285">Revisiting Oxford and Paris: Large-Scale Image Retrieval Benchmarking</a></p> <p>官方实现：<a href="https://github.com/filipradenovic/revisitop">filipradenovic/revisitop</a></p>

https://zjykzj.cn/posts/a3f0cb26.html 2022-10-24T11:40:38.000Z 2026-03-02T14:17:13.939Z

<ul> <li><a href="https://www.robots.ox.ac.uk/~vgg/data/oxbuildings/">The Oxford Buildings Dataset</a></li> <li><a href="https://www.robots.ox.ac.uk/~vgg/data/parisbuildings/">The Paris Dataset</a></li> </ul>

https://zjykzj.cn/posts/d85ba483.html 2022-10-20T12:15:13.000Z 2026-03-02T14:17:13.931Z

<p>为了更好的组织和协作<code>C++</code>工程，尝试使用<code>Google Code Style</code>来帮助规范代码实现。</p>

https://zjykzj.cn/posts/18ee8513.html 2022-10-05T10:39:43.000Z 2026-03-02T14:17:13.926Z

<p>国庆节，有了一个充足的假期，想着出去散散心，爬了午潮山国家森林公园。石板路绵延了好几座山，花了两个多小时终于完成了整个行程，很辛苦，不过在茂密的树林中间行走会感觉格外的轻爽，眼前掠过的风景也给予我新奇的体验。</p> <p>结束行程的时候，突然想到一件事情：为什么我喜欢登山？整个过程耗费了大量的体力和精力，甚至中间可能会出现小意外。是为了锻炼？还是为了放松心情？陶冶情操？</p> <p>上面这些都有可能，另外我还有一个思考，那就是<strong>登山，是一件确定的事情</strong>。</p>

https://zjykzj.cn/posts/342c606b.html 2022-10-02T02:17:48.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/2008.10480">3rd Place Solution to “Google Landmark Retrieval 2020”</a></p>

https://zjykzj.cn/posts/cdd30628.html 2022-09-27T14:11:04.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/1906.03990">2nd Place and 2nd Place Solution to Kaggle Landmark Recognition andRetrieval Competition 2019</a></p> <p>官方实现：<a href="https://github.com/PaddlePaddle/Research/tree/48408392e152ffb2a09ce0a52334453e9c08b082/CV/landmark">Research/CV/landmark</a></p>

https://zjykzj.cn/posts/7b7d76b4.html 2022-09-24T14:52:50.000Z 2026-03-02T14:17:13.939Z

<p>原文地址：<a href="https://arxiv.org/abs/1510.07493">Aggregating Deep Convolutional Features for Image Retrieval</a></p> <p>官方实现：<a href="https://github.com/PyRetri/PyRetri">PyRetri/PyRetri</a></p>

https://zjykzj.cn/posts/3cb08752.html 2022-09-22T13:30:55.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/1907.11854">A Benchmark on Tricks for Large-scale Image Retrieval</a></p>

https://zjykzj.cn/posts/1e876aa8.html 2022-09-20T12:57:35.000Z 2026-03-02T14:17:13.922Z

<p><code>Torchvision</code>在<code>v0.11</code>版本升级了许多内容，其中包括最新训练的基准模型，通过加入许多新的训练配置，极大的提高了原有的模型性能，比如将<code>ResNet50</code>从原来的<code>76.130/92.862</code>提升到<code>80.858/95.434</code>。这篇博文详细介绍了优化的过程 - <a href="https://pytorch.org/blog/how-to-train-state-of-the-art-models-using-torchvision-latest-primitives/">How to Train State-Of-The-Art Models Using TorchVision’s Latest Primitives</a></p>

https://zjykzj.cn/posts/704b52c0.html 2022-09-15T13:07:40.000Z 2026-03-02T14:17:13.922Z

<p>记录一些<a href="https://www.rock-chips.com/">瑞芯微电子</a>畅销的主板信息</p>

https://zjykzj.cn/posts/7b308628.html 2022-08-28T08:13:53.000Z 2026-03-02T14:17:13.939Z

<p>偶然间发现了一个基于<code>Flask</code>部署的图像搜索引擎工程 - <a href="https://github.com/matsui528/sis">matsui528/sis</a>。具体实现很简单，<code>Kares+Flask</code>的架构。我在它的基础上进行了改造，使用<code>Pytorch+Flask+Docker</code>进行部署：<a href="https://github.com/zjykzj/sis">zjykzj/sis</a></p>

https://zjykzj.cn/posts/f08386ae.html 2022-08-21T08:04:32.000Z 2026-03-02T14:17:13.926Z

<p>最近在知乎上看到一个问答：<a href="https://www.zhihu.com/question/527696166/answer/2636200579">算法工程师的核心竞争力是什么？</a>。很多热心网友提供了自己的见解，各种答案都有，其中有一个名叫<a href="https://www.zhihu.com/question/527696166/answer/2636200579">逻辑大师</a>的童鞋给出了一个非常精彩的回答。它和我近一年的体会非常接近，所以写下这篇文章，整理一下他的看法以及我的体会。</p>

https://zjykzj.cn/posts/fdefa629.html 2022-08-19T11:26:36.000Z 2026-03-02T14:17:13.939Z

<p>关于图像检索任务的<code>Recall@K</code>计算，存在多种解释，汇总一下</p>

https://zjykzj.cn/posts/fdd691a9.html 2022-08-10T14:31:34.000Z 2026-03-02T14:17:13.939Z

<p>原文地址：<a href="https://arxiv.org/abs/1904.06627">Multi-Similarity Loss with General Pair Weighting for Deep Metric Learning</a></p> <p>官方实现：<a href="https://github.com/msight-tech/research-ms-loss">msight-tech/research-ms-loss </a></p>

https://zjykzj.cn/posts/137f66eb.html 2022-08-10T13:12:14.000Z 2026-03-02T14:17:13.939Z

<p>原文地址：<a href="https://arxiv.org/abs/1906.07589">Learning with Average Precision: Training Image Retrieval with a Listwise Loss</a></p> <p>官方实现：</p> <ul> <li><a href="https://europe.naverlabs.com/Research/Computer-Vision/Learning-Visual-Representations/Deep-Image-Retrieval/">DEEP IMAGE RETRIEVAL</a></li> <li><a href="https://github.com/naver/deep-image-retrieval">naver/deep-image-retrieval </a></li> </ul>

https://zjykzj.cn/posts/9bcffd4.html 2022-08-06T06:52:55.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/1903.10663">Combination of Multiple Global Descriptors for Image Retrieval</a></p> <p>官方实现：<a href="https://github.com/naver/cgd">naver/cgd</a></p>

https://zjykzj.cn/posts/699ef3e3.html 2022-08-06T06:50:45.000Z 2026-03-02T14:17:13.939Z

<p>原文地址：<a href="https://arxiv.org/abs/1902.05509">MultiGrain: a unified image embedding for classes and instances</a></p> <p>官方实现：<a href="https://github.com/facebookresearch/multigrain">facebookresearch/multigrain</a></p>

https://zjykzj.cn/posts/d982c3d5.html 2022-08-06T02:58:19.000Z 2026-03-02T14:17:13.931Z

<p>随着产品的发展，会出现越来越多的工作。大大小小的事情出现在我面前的时候，总是表现的措不及防：事情好多啊 ～干不完啊啊啊～～～</p> <p>偶然间听到开发部老大在和其他小伙伴讨论的时候提到任务和排期，突然茅塞顿开：再多的事情 只要规划好 一步一步来就可以啊。</p>

https://zjykzj.cn/posts/b9ab5b18.html 2022-07-25T13:32:03.000Z 2026-03-02T14:17:13.939Z

<p>整理图像检索任务中常用的评估标准（准确率、查准率/精确度、查全率/召回率、<code>AP/mAP</code>）以及相应的实现</p>

https://zjykzj.cn/posts/c8cce5e7.html 2022-07-23T02:29:18.000Z 2026-03-02T14:17:13.931Z

<p>整理一些细粒度分类（<code>fine-grained classification</code>）相关的文章、论文和实现</p>

https://zjykzj.cn/posts/831147c.html 2022-07-04T13:53:00.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/1610.07940">End-to-end Learning of Deep Visual Representations for Image Retrieval</a></p> <p>官方实现：<a href="https://github.com/naver/deep-image-retrieval">naver/deep-image-retrieval</a></p>

https://zjykzj.cn/posts/e75797c2.html 2022-07-04T12:49:26.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/1711.02512">Fine-tuning CNN Image Retrieval with No Human Annotation</a></p> <p>官方实现：<a href="https://github.com/filipradenovic/cnnimageretrieval-pytorch">filipradenovic/cnnimageretrieval-pytorch</a></p>

https://zjykzj.cn/posts/ab8bcf16.html 2022-07-04T12:37:08.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/1604.02426">CNN Image Retrieval Learns from BoW: Unsupervised Fine-Tuning with Hard Examples</a></p> <p>官方实现：<a href="https://github.com/filipradenovic/cnnimageretrieval-pytorch">filipradenovic/cnnimageretrieval-pytorch</a></p>

https://zjykzj.cn/posts/ce541381.html 2022-06-30T12:53:31.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/1604.01325">Deep Image Retrieval: Learning global representations for image search</a></p> <p>官方实现：<a href="https://github.com/naver/deep-image-retrieval">naver/deep-image-retrieval</a></p>

https://zjykzj.cn/posts/47743934.html 2022-06-27T06:36:24.000Z 2026-03-02T14:17:13.939Z

<p>原文地址：<a href="https://arxiv.org/abs/1511.05879">Particular object retrieval with integral max-pooling of CNN activations</a></p>

https://zjykzj.cn/posts/d2955233.html 2022-06-18T07:16:20.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/1512.04065">Cross-dimensional Weighting for Aggregated Deep Convolutional Features</a></p> <p>官方实现：<a href="https://github.com/YahooArchive/crow">YahooArchive/crow</a></p> <p>复现地址：<a href="https://github.com/zjykzj/crow-pytorch">zjykzj/crow-pytorch</a></p>

https://zjykzj.cn/posts/8834618.html 2022-06-15T13:32:52.000Z 2026-03-02T14:17:13.957Z

<p>整理一些视频压缩（<code>video compression</code>）相关的文章、论文和实现</p>

https://zjykzj.cn/posts/33be6460.html 2022-06-15T11:54:20.000Z 2026-03-02T14:17:13.952Z

<p>整理一些视频分类（<code>video classification</code>）相关的文章、论文和实 现</p>

https://zjykzj.cn/posts/a64200b6.html 2022-06-12T15:23:09.000Z 2026-03-02T14:17:13.935Z

<p>整理一些图像分类（<code>image classification</code>）相关的文章、论文和实现</p>

https://zjykzj.cn/posts/773eb06f.html 2022-06-11T07:14:21.000Z 2026-03-02T14:17:13.922Z

<p>整理知识迁移（<code>knowledge transfer</code>）相关的文章、论文和实现。</p>

https://zjykzj.cn/posts/14b7830c.html 2022-06-11T03:22:18.000Z 2026-03-02T14:17:13.948Z

<p>整理网络剪枝（<code>network pruning</code>）相关的文章、论文和实现</p>

https://zjykzj.cn/posts/48b6e577.html 2022-03-26T06:39:54.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/1510.07493">Aggregating Deep Convolutional Features for Image Retrieval</a></p>

https://zjykzj.cn/posts/841005f8.html 2022-03-26T04:44:06.000Z 2026-03-02T14:17:13.939Z

<p>原文地址：<a href="https://arxiv.org/abs/1412.6574">Visual Instance Retrieval with Deep Convolutional Networks</a></p>

https://zjykzj.cn/posts/a6f87558.html 2022-03-15T13:06:53.000Z 2026-03-02T14:17:13.939Z

<p>原文地址：<a href="https://towardsdatascience.com/breaking-down-mean-average-precision-map-ae462f623a52">Breaking Down Mean Average Precision (mAP)</a></p> <p>最近在学习关于图像检索领域的评判指标，发现用的就是<code>PR曲线</code>以及<code>mAP</code>评估。不过在具体的精度和召回率定义上和之前目标检测任务中的计算方式会有差别。<code>wiki</code>上的相关文档：<a href="https://en.wikipedia.org/wiki/Evaluation_measures_(information_retrieval)">Evaluation measures (information retrieval)</a>，内容比较难以理解，在网上找到这篇文章，整体看下来发现干货满满，没有需要精简的地方，所以打算整篇翻译成中文，方便日后回顾。</p>

https://zjykzj.cn/posts/cac6e7cb.html 2022-03-08T14:14:37.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://www.cv-foundation.org/openaccess/content_cvpr_workshops_2015/W03/papers/Lin_Deep_Learning_of_2015_CVPR_paper.pdf">Deep Learning of Binary Hash Codes for Fast Image Retrieval</a></p> <p>官方实现：<a href="https://github.com/kevinlin311tw/caffe-cvprw15">kevinlin311tw/caffe-cvprw15</a></p> <p><code>Pytorch</code>实现：</p> <ul> <li><a href="https://github.com/dingmyu/Pytorch-Image-Retrieval">dingmyu/Pytorch-Image-Retrieval</a></li> <li><a href="https://github.com/flyingpot/pytorch_deephash">flyingpot/pytorch_deephash</a></li> </ul>

https://zjykzj.cn/posts/bcc792e9.html 2022-03-02T13:48:26.000Z 2026-03-02T14:17:13.939Z

<p>整理一些基于内容的图像检索（<code>Content-Based Image Retrieval, CBIR</code>）相关的文章、论文和实现</p>

https://zjykzj.cn/posts/1db9f9e1.html 2022-03-01T14:06:17.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://xueshu.baidu.com/usercenter/paper/show?paperid=e8f7815ab15cccc69b5dac6ee28bac6d">Deep Learning for Content-Based Image Retrieval: A Comprehensive Study</a></p>

https://zjykzj.cn/posts/80680c7d.html 2022-02-17T11:20:16.000Z 2026-03-02T14:17:13.926Z

<p>一直以来都有在思考自己在软件/算法开发的道路上应该怎么走下去，已经学习了很多的内容，也参与了很多项目的开发，但是总感觉有更多的知识点、更多的项目难题等着我去完成。工作压力越来越大，也在渐渐的磨灭自己对于编程的热情。</p> <p>前几天跑步的时候突然想到一句话：君子不器，随后联想到器、术、法的概念，刚好能够跟自己对于<a href="https://blog.zhujian.life/posts/dee301da.html">知识、技能和能力</a>的理解结合起来。</p>

https://zjykzj.cn/posts/e9f6c1b9.html 2022-01-29T05:17:11.000Z 2026-03-02T14:17:13.931Z

<p>原文地址：<a href="https://arxiv.org/abs/2201.03545">A ConvNet for the 2020s</a></p> <p>官方实现：<a href="https://github.com/facebookresearch/ConvNeXt">facebookresearch/ConvNeXt</a></p>

https://zjykzj.cn/posts/ce99c18e.html 2022-01-29T04:44:14.000Z 2026-03-02T14:17:13.931Z

<p>原文地址：<a href="https://arxiv.org/abs/2104.00298">EfficientNetV2: Smaller Models and Faster Training</a></p> <p>官方实现：<a href="https://github.com/google/automl/tree/master/efficientnetv2">google/automl</a></p> <p>Pytorch实现：<a href="https://github.com/d-li14/efficientnetv2.pytorch">d-li14/efficientnetv2.pytorch</a></p>

https://zjykzj.cn/posts/3adc3a0.html 2022-01-28T03:04:02.000Z 2026-03-02T14:17:13.922Z

<p>原文地址：<a href="https://arxiv.org/abs/1909.13719">RandAugment: Practical automated data augmentation with a reduced search space</a></p> <p>官方实现：<a href="https://github.com/tensorflow/tpu/blob/master/models/official/efficientnet/autoaugment.py">tensorflow/tpu</a></p> <p>Pytorch实现：<a href="https://github.com/pytorch/vision/blob/main/torchvision/transforms/autoaugment.py">pytorch/vision</a></p>

https://zjykzj.cn/posts/1be8779.html 2022-01-28T02:16:24.000Z 2026-03-02T14:17:13.931Z

<p>原文地址：<a href="https://blog.tensorflow.org/2020/03/higher-accuracy-on-vision-models-with-efficientnet-lite.html">Higher accuracy on vision models with EfficientNet-Lite</a></p> <p>官方实现：<a href="https://github.com/tensorflow/tpu/tree/master/models/official/efficientnet/lite">EfficientNet-lite</a></p>

https://zjykzj.cn/posts/ba77186d.html 2022-01-27T06:54:47.000Z 2026-03-02T14:17:13.931Z

<p>原文地址：<a href="https://arxiv.org/abs/1905.11946">EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks</a></p> <p>Pytorch实现：<a href="https://github.com/lukemelas/EfficientNet-PyTorch">lukemelas/EfficientNet-PyTorch</a></p> <p>集成地址：<a href="https://github.com/ZJCV/ZCls">ZJCV/ZCls</a></p>

https://zjykzj.cn/posts/29288416.html 2022-01-27T06:07:33.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/2010.14819">Model Rubik’s Cube: Twisting Resolution, Depth and Width for TinyNets</a></p> <p>官方实现：<a href="https://github.com/huawei-noah/CV-Backbones">huawei-noah/CV-Backbones</a></p>

https://zjykzj.cn/posts/ae6ec4b9.html 2022-01-26T14:00:58.000Z 2026-03-02T14:17:13.939Z

<p>模型能否作用于<code>Open-set</code>，是目标分类和度量学习的主要区别。</p>

https://zjykzj.cn/posts/f38a26f2.html 2022-01-16T04:32:57.000Z 2026-03-02T14:17:13.944Z

<p>关于机器学习的评估指标，在之前的学习中已经涉及了很多，大体可分为混淆矩阵、<code>ROC</code>曲线和<code>PR</code>曲线，也记录下很多相关的内容。虽然记录下这么多内容，但是大都是知其然不知所以然的状况，在实际分类算法的实践中，往往只是将准确率作为评判标准，这也可能是因为公开数据集大都是类别均衡的缘故吧。</p> <p>最近涉及到度量学习领域，在完成模型计算后，很重要的一步就是对特征向量进行相似度分类，选取合适的分类阈值就很有必要。如何设置有效的分类阈值，关键在于如何对算法进行评判和分析。这个过程中重新对于混淆矩阵、<code>ROC</code>曲线和<code>PR</code>曲线进行了分析和思考。</p> <p>在重新复习相关文档的过程中，还发现了有些基础概念理解错了（<em>囧。。。</em>）。这篇文章系统性的整理相关的概念，并且通过<code>scikit</code>库进行相应的实验。</p> <p><em>注：仅涉及二分类实现，后续再扩展到多分类</em></p> <p>相关实现位于：<a href="https://github.com/zjykzj/scikit-learn">zjykzj/scikit-learn</a></p>

https://zjykzj.cn/posts/e8b096c4.html 2022-01-12T13:40:10.000Z 2026-03-02T14:17:13.939Z

<p>相关实现：</p> <ul> <li><a href="https://github.com/KevinMusgrave/pytorch-metric-learning"> KevinMusgrave/pytorch-metric-learning</a></li> <li><a href="https://github.com/CoinCheung/pytorch-loss"> CoinCheung/pytorch-loss</a></li> </ul>

https://zjykzj.cn/posts/da085297.html 2021-12-18T06:06:04.000Z 2026-03-02T14:17:13.926Z

<p>这一段时间的状态特别不好，尝试了好多种方式，但是对于算法的核心指标一直没有提升，心里很憋屈，不知道什么时候是个头。</p>

https://zjykzj.cn/posts/c7830642.html 2021-12-05T13:12:49.000Z 2026-03-02T14:17:13.926Z

<p>好久没有写随笔了，这不，2022年开始了，这一次早点开始《2021年小结》，回顾一下这一年在工作、学习和生活上的发展以及一些自己对于未来的思考。</p>

https://zjykzj.cn/posts/d2015a83.html 2021-11-29T12:16:23.000Z 2026-03-02T14:17:13.931Z

<p>原文地址：<a href="https://arxiv.org/abs/1503.03832">FaceNet: A Unified Embedding for Face Recognition and Clustering</a></p> <p>复现地址：<a href="https://github.com/ZJCV/facenet">ZJCV/facenet</a></p>

https://zjykzj.cn/posts/dcf19fb3.html 2021-09-26T13:27:42.000Z 2026-03-02T14:17:13.922Z

<p>之前因为服务器性能原因，对<code>ImageNet</code>数据集进行训练时出现数据加载瓶颈，当时搜索了多种方式，尝试对数据<code>pipeline</code>进行优化，从而提高数据加载能力。详情参见<a href="https://blog.zhujian.life/posts/f5ded433.html"> 数据pipeline优化</a></p> <p>这一次遇到了新的问题，就是在千万级别数据训练情况下如何在固定内存空间和其他硬件性能的情况下提高数据加载和预处理能力。</p>

https://zjykzj.cn/posts/1f0dcd30.html 2021-09-19T02:48:55.000Z 2026-03-02T14:17:13.931Z

<p>原文地址：<a href="https://openaccess.thecvf.com/content_CVPR_2019/html/Chen_Destruction_and_Construction_Learning_for_Fine-Grained_Image_Recognition_CVPR_2019_paper.html">Destruction and Construction Learning for Fine-grained Image Recognition</a></p> <p>官方实现：<a href="https://github.com/JDAI-CV/DCL"> JDAI-CV/DCL</a></p> <p>复现地址：<a href="https://github.com/ZJCV/DCL">ZJCV/DCL</a></p>

https://zjykzj.cn/posts/8da15989.html 2021-08-27T15:03:36.000Z 2026-03-02T14:17:13.922Z

<p>原文地址：<a href="https://arxiv.org/abs/2104.09044">Distilling Knowledge via Knowledge Review</a></p> <p>官方实现：<a href="https://github.com/dvlab-research/ReviewKD">dvlab-research/ReviewKD</a></p> <p>复现地址：<a href="https://github.com/ZJCV/KnowledgeReview">ZJCV/KnowledgeReview</a></p>

https://zjykzj.cn/posts/229eefa5.html 2021-08-21T03:51:17.000Z 2026-03-02T14:17:13.922Z

<p>原文地址：<a href="https://arxiv.org/abs/1904.01866">A Comprehensive Overhaul of Feature Distillation</a></p> <p>官方实现：<a href="https://github.com/clovaai/overhaul-distillation"> clovaai/overhaul-distillation</a></p> <p>复现地址：<a href="https://github.com/ZJCV/overhaul">ZJCV/overhaul</a></p>

https://zjykzj.cn/posts/3c1ff48c.html 2021-08-15T07:18:09.000Z 2026-03-02T14:17:13.922Z

<p>原文地址：<a href="https://ieeexplore.ieee.org/document/8100237">A Gift from Knowledge Distillation: Fast Optimization, Network Minimization and Transfer Learning</a></p>

https://zjykzj.cn/posts/55ba987c.html 2021-08-10T13:32:33.000Z 2026-03-02T14:17:13.922Z

<p>原文地址：<a href="https://arxiv.org/abs/1612.03928">Paying More Attention to Attention: Improving the Performance of Convolutional Neural Networks via Attention Transfer</a></p> <p>官方实现：<a href="https://github.com/szagoruyko/attention-transfer">szagoruyko/attention-transfer</a></p>

https://zjykzj.cn/posts/fc88f6af.html 2021-08-08T04:32:16.000Z 2026-03-02T14:17:13.922Z

<p>原文地址：<a href="https://arxiv.org/abs/1412.6550">FitNets: Hints for Thin Deep Nets</a></p> <p>官方实现：<a href="https://github.com/adri-romsor/FitNets">adri-romsor/FitNets</a></p>

https://zjykzj.cn/posts/f278f1ce.html 2021-08-07T02:12:00.000Z 2026-03-02T14:17:13.922Z

<p>原文地址：<a href="https://arxiv.org/abs/1503.02531">Distilling the Knowledge in a Neural Network</a></p>

https://zjykzj.cn/posts/c463cb8d.html 2021-07-24T12:47:03.000Z 2026-03-02T14:17:13.948Z

<p>原文地址：<a href="https://arxiv.org/abs/2007.03260">Lossless CNN Channel Pruning via Decoupling Remembering and Forgetting</a></p> <p>官方实现：<a href="https://github.com/DingXiaoH/ResRep"> DingXiaoH/ResRep</a></p>

https://zjykzj.cn/posts/9def5d9f.html 2021-07-02T12:38:23.000Z 2026-03-02T14:17:13.948Z

<p>原文地址：<a href="https://arxiv.org/abs/1506.02626">Learning both Weights and Connections for Efficient Neural Networks</a></p>

https://zjykzj.cn/posts/67852044.html 2021-06-29T13:48:47.000Z 2026-03-02T14:17:13.948Z

<p>原文地址：<a href="https://arxiv.org/abs/1608.03665">Learning Structured Sparsity in Deep Neural Networks</a></p> <p>官方实现：<a href="https://github.com/wenwei202/caffe/tree/scnn"> wenwei202/caffe</a></p> <p>复现地址：<a href="https://github.com/ZJCV/SSL"> ZJCV/SSL</a></p>

https://zjykzj.cn/posts/4464e6c3.html 2021-06-29T13:31:38.000Z 2026-03-02T14:17:13.948Z

<p>原文地址：<a href="https://arxiv.org/abs/1510.00149">Deep Compression: Compressing Deep Neural Networks with Pruning, Trained Quantization and Huffman Coding</a></p>

https://zjykzj.cn/posts/b3c4d14d.html 2021-06-20T06:16:46.000Z 2026-03-02T14:17:13.948Z

<p>原文地址：<a href="https://arxiv.org/abs/1810.05270">Rethinking the Value of Network Pruning</a></p>

https://zjykzj.cn/posts/d056469f.html 2021-06-20T05:28:52.000Z 2026-03-02T14:17:13.922Z

<p>公司<code>GPU</code>服务器突然出现了一个<code>CPU</code>利用率超高的进程，同事发现这是一个挖矿程序，于是大家开始各种方式去尝试结束这个程序</p>

https://zjykzj.cn/posts/ec02d2a5.html 2021-06-13T06:09:45.000Z 2026-03-02T14:17:13.948Z

<p>原文地址：<a href="https://arxiv.org/abs/1708.06519">Learning Efficient Convolutional Networks through Network Slimming</a></p> <p>官方实现：<a href="https://github.com/Eric-mingjie/network-slimming"> Eric-mingjie/network-slimming</a></p> <p>复现地址：<a href="https://github.com/ZJCV/NetworkSlimming"> ZJCV/NetworkSlimming</a></p>

https://zjykzj.cn/posts/6ce18e1a.html 2021-06-02T12:27:05.000Z 2026-03-02T14:17:13.931Z

<p>原文地址：<a href="https://arxiv.org/abs/1911.11907">GhostNet: More Features from Cheap Operations</a></p> <p>官方实现：<a href="https://github.com/huawei-noah/CV-Backbones">huawei-noah/CV-Backbones</a></p> <p>复现地址：<a href="https://github.com/ZJCV/ZCls">ZJCV/ZCls</a></p>

https://zjykzj.cn/posts/1da6abb8.html 2021-05-20T08:19:20.000Z 2026-03-02T14:17:13.957Z

<p>原文地址：<a href="https://arxiv.org/abs/2006.15862">OpenDVC: An Open Source Implementation of the DVC Video Compression Method</a></p> <p>实现地址：<a href="https://github.com/RenYang-home/OpenDVC">RenYang-home/OpenDVC</a></p>

https://zjykzj.cn/posts/Infinity.html 2021-05-08T01:23:05.000Z 2026-03-02T14:17:13.926Z

<p>前段时间在路上骑车的时候，突然想到一件事情：对于客户而言，他关心的是产品；对于研发而言，他关心的是技术，那么你作为一名技术主管&amp;项目经理，如何找到客户和研发、产品和技术之间的平衡呢？</p>

https://zjykzj.cn/posts/afb688a0.html 2021-05-03T06:13:47.000Z 2026-03-02T14:17:13.952Z

<p>原文地址：<a href="https://arxiv.org/abs/1811.08383">TSM: Temporal Shift Module for Efficient Video Understanding</a></p> <p>官方实现：<a href="https://github.com/mit-han-lab/temporal-shift-module">mit-han-lab/temporal-shift-module</a></p> <p>复现地址：<a href="https://github.com/ZJCV/TSM">ZJCV/TSM</a></p>

https://zjykzj.cn/posts/3f56366f.html 2021-05-02T08:52:30.000Z 2026-03-02T14:17:13.952Z

<p>原文地址：<a href="https://arxiv.org/abs/1711.08496">Temporal Relational Reasoning in Videos</a></p> <p>官方实现：<a href="https://github.com/zhoubolei/TRN-pytorch">zhoubolei/TRN-pytorch</a></p> <p>复现地址：<a href="https://github.com/ZJCV/TRN">ZJCV/TRN</a></p>

https://zjykzj.cn/posts/ee22f58.html 2021-05-02T07:30:28.000Z 2026-03-02T14:17:13.952Z

<p>原文地址：<a href="https://arxiv.org/abs/1412.0767">Learning Spatiotemporal Features with 3D Convolutional Networks</a></p> <p>官方实现：<a href="https://vlg.cs.dartmouth.edu/c3d/">C3D: Generic Features for Video Analysis</a></p> <p>复现地址：<a href="https://github.com/ZJCV/C3D">ZJCV/C3D</a></p>

https://zjykzj.cn/posts/a260b36c.html 2021-04-27T12:25:24.000Z 2026-03-02T14:17:13.939Z

<p>首先通过<code>Docker</code>容器保存好完整的开发环境，在<code>Jenkins</code>任务中调用容器进行工程的编译。完美~~~</p>

https://zjykzj.cn/posts/89a466b8.html 2021-04-23T11:52:27.000Z 2026-03-02T14:17:13.957Z

<p>原文地址：<a href="https://arxiv.org/abs/1812.00101">DVC: An End-to-end Deep Video Compression Framework</a></p> <p>实现地址：<a href="https://github.com/GuoLusjtu/DVC"> GuoLusjtu/DVC</a></p>

https://zjykzj.cn/posts/37700ab5.html 2021-04-18T05:54:58.000Z 2026-03-02T14:17:13.922Z

<p>使用<code>lmdb</code>可以加速数据从磁盘读取的速度，查看了很多资料，记录一下</p>

https://zjykzj.cn/posts/b9a3e837.html 2021-04-17T11:26:04.000Z 2026-03-02T14:17:13.926Z

<p><img src="/imgs/essay/knowledge-graph/knowledge-graph.svg"></p>

https://zjykzj.cn/posts/f5ded433.html 2021-04-17T10:16:23.000Z 2026-03-02T14:17:13.922Z

<p>之前训练的时候只是把图像数据保存在磁盘上，通过<code>torchvision Dataloader</code>方式进行批量加载。最近遇到一个问题，就是批量加载<code>ImageNet</code>数据时发现程序运行很慢，但是<code>cpu/gpu</code>的使用率并不高，查询过后发现是遇到了磁盘<code>io</code>的瓶颈</p> <p>除了使用更好的硬件（<em>比如用固态硬盘替代机械硬盘</em>）来解决问题外，在网上还找到了不少的软件优化方法：</p> <ol> <li>打开<code>dataloade pin_memory</code></li> <li>替换数据预处理库</li> <li>使用<code>lmdb</code>加快磁盘到<code>cpu</code>内存的<code>io</code></li> <li>使用<code>prefetcher</code>加快<code>cpu</code>内存到<code>gpu</code>内存的<code>io</code></li> <li>使用<code>dali</code>加速数据预处理</li> <li>其他</li> </ol>

https://zjykzj.cn/posts/fd669d99.html 2021-04-17T09:43:40.000Z 2026-03-02T14:17:13.922Z

<p>距离上次系统性的整理文档快过去一年时间了。这一段时间以来，增加了很多新的内容，感脚之前的架构已经不能很好的匹配当前的知识储备，对于文章的保存和搜索也出现了越来越大的困难。从<code>2/3</code>月份开始，断断续续花费了近<code>2</code>个月的时间重新进行思考和整理，实现了一个相对而言更加合理、能够满足目前需求的架构</p>

https://zjykzj.cn/posts/f06c5135.html 2021-04-17T06:28:54.000Z 2026-03-02T14:17:13.926Z

<p>随着时间积累，文章越来越多，所有文档涉及到的领域也越来越复杂，对于博客管理产生了很大的困难。如何更有效的管理博客，最常用的方法就是通过类别和标签两个选项来进行内容的细分</p>

https://zjykzj.cn/posts/b9adf22c.html 2021-04-17T06:05:27.000Z 2026-03-02T14:17:13.926Z

<p>最近<code>B</code>站上一大堆的投资理财视频，各路人马，不管是不是从事理财金融行业的，都开始了自己的财富自由之旅。不过，有唱多的就有唱衰的，也有一些<code>up</code>主提醒韭菜们不要盲目理财，其中有一个概念很有意思，就是不可能三角（<code>impossible trinity</code>）</p>

https://zjykzj.cn/posts/dee301da.html 2021-04-17T05:33:20.000Z 2026-03-02T14:17:13.926Z

<p>作为一名程序员，不仅仅需要知道什么是计算机网络、计算机组成、操作系统、数据结构和算法，还需要知道如何编写<code>App</code>、如何搭建<code>Web</code>服务器、如何部署<code>Docker</code>容器等等。总之要学习的内容很多，只不过什么时候需要学习哪一部分内容，自己掌握了哪一方面，这些问题也需要不断的思考和总结</p>

https://zjykzj.cn/posts/28416d7c.html 2021-02-11T06:21:50.000Z 2026-03-02T14:17:13.926Z

<p><code>2020</code>年过去了，发生了很多事，自己的生活也有了很大的变化，记录一下。</p>

https://zjykzj.cn/posts/f5d80f0d.html 2021-02-02T02:42:16.000Z 2026-03-02T14:17:13.935Z

<p>论文地址：<a href="https://arxiv.org/abs/2101.03697">RepVGG: Making VGG-style ConvNets Great Again</a></p> <p>官方实现：<a href="https://github.com/DingXiaoH/RepVGG"> DingXiaoH/RepVGG </a></p> <p>自定义实现：<a href="https://github.com/ZJCV/ZCls"> ZJCV/ZCls </a></p>

https://zjykzj.cn/posts/1ff6fb3a.html 2021-02-01T07:20:18.000Z 2026-03-02T14:17:13.931Z

<p>论文地址：<a href="https://arxiv.org/abs/1908.03930">ACNet: Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric Convolution Blocks</a></p> <p>官方实现：<a href="https://github.com/DingXiaoH/ACNet"> DingXiaoH/ACNet </a></p> <p>自定义实现：<a href="https://github.com/ZJCV/ZCls"> ZJCV/ZCls </a></p>

https://zjykzj.cn/posts/a7ac4c2.html 2021-01-30T12:48:38.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/2004.08955">ResNeSt: Split-Attention Networks</a></p> <p>官方实现：<a href="https://github.com/zhanghang1989/ResNeSt"> zhanghang1989/ResNeSt</a></p> <p>自定义实现：<a href="https://github.com/ZJCV/ZCls"> ZJCV/ZCls</a></p>

https://zjykzj.cn/posts/50eae070.html 2021-01-26T13:25:34.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/1903.06586">Selective Kernel Networks</a></p> <p>官方解读：<a href="https://zhuanlan.zhihu.com/p/59690223">SKNet——SENet孪生兄弟篇</a></p> <p>自定义实现：<a href="https://github.com/ZJCV/ZCls"> ZJCV/ZCls</a></p>

https://zjykzj.cn/posts/840625f2.html 2021-01-12T06:22:42.000Z 2026-03-02T14:17:13.922Z

<p>原文地址：<a href="https://arxiv.org/abs/1905.00397">Fast AutoAugment</a></p> <p>实现：</p> <ul> <li><a href="https://github.com/kakaobrain/fast-autoaugment"> kakaobrain/fast-autoaugment </a></li> <li><a href="https://github.com/kakaobrain/autoclint"> kakaobrain/autoclint </a></li> <li><a href="https://github.com/zhanghang1989/Fast-AutoAug-Torch">zhanghang1989/Fast-AutoAug-Torch</a></li> </ul>

https://zjykzj.cn/posts/7162852a.html 2021-01-11T11:18:55.000Z 2026-03-02T14:17:13.922Z

<p>原文地址：<a href="https://arxiv.org/abs/1805.09501">AutoAugment: Learning Augmentation Policies from Data</a></p>

https://zjykzj.cn/posts/22a493a7.html 2020-10-27T12:41:51.000Z 2026-03-02T14:17:13.952Z

<p>完成<a href="https://blog.zhujian.life/posts/db8951ce.html">私有网盘</a>搭建后，发现没法上传大文件。找了不少资料，记录几个关键问题</p>

https://zjykzj.cn/posts/eb3ac9f6.html 2020-09-13T07:57:46.000Z 2026-03-02T14:17:13.952Z

<p>原文地址：</p> <ul> <li><a href="https://arxiv.org/abs/1608.00859">Temporal Segment Networks: Towards Good Practices for Deep Action Recognition</a>：发布于ECCV 2016</li> <li><a href="https://arxiv.org/abs/1705.02953">Temporal Segment Networks for Action Recognition in Videos</a>：发布于17年期刊</li> </ul> <p>官方实现：<a href="https://github.com/yjxiong/tsn-pytorch">yjxiong/tsn-pytorch</a></p> <p>复现地址：<a href="https://github.com/ZJCV/TSN"> ZJCV/TSN </a></p>

https://zjykzj.cn/posts/fa4c1da.html 2020-09-13T02:00:36.000Z 2026-03-02T14:17:13.952Z

<p>原文地址：<a href="https://arxiv.org/abs/1406.2199">Two-Stream Convolutional Networks for Action Recognition in Videos</a></p>

https://zjykzj.cn/posts/e37c677.html 2020-09-12T01:14:02.000Z 2026-03-02T14:17:13.952Z

<p>通过<a href="https://developer.nvidia.com/nvidia-sdk-manager">NVIDIA SDK Manager</a>给板子装系统和开发环境，老是卡在远程下载环境，参考<a href="https://blog.csdn.net/qq_38649880/article/details/99543913">英伟达NVIDIA Jetson 系列 Xavier、TX2等系统换源</a></p>

https://zjykzj.cn/posts/db8951ce.html 2020-08-30T13:54:58.000Z 2026-03-02T14:17:13.952Z

<p>打算在云服务器上搭建个人网盘，使用<code>Docker</code>安装<a href="https://nextcloud.com/">nextcloud</a>。参考</p> <ul> <li><a href="https://github.com/nextcloud/docker">nextcloud/docker</a></li> <li><a href="https://hub.docker.com/_/nextcloud?tab=description">Docker Official Images</a></li> </ul>

https://zjykzj.cn/posts/df48e75b.html 2020-08-30T12:40:37.000Z 2026-03-02T14:17:13.952Z

<p>打算搭建图床，网上常用的有<a href="https://github.com/LycheeOrg/Lychee">Lychee</a>和<a href="https://chevereto.com/">Chevereto</a>，记录一下使用<code>docker compose</code>方式安装<code>chevereto</code></p> <ul> <li>中文文档：<a href="https://ch.cndrew.cn/cn/Preface/Introduction/">Chevereto-中文文档</a></li> <li>Docker Hub：<a href="https://hub.docker.com/r/nmtan/chevereto/">nmtan/chevereto</a></li> </ul>

https://zjykzj.cn/posts/c84234bc.html 2020-08-17T13:55:43.000Z 2026-03-02T14:17:13.952Z

<p>原文地址：<a href="https://blog.qure.ai/notes/deep-learning-for-videos-action-recognition-review">Deep Learning for Videos: A 2018 Guide to Action Recognition</a></p> <p>这是一篇18年的综述性博客，对于视频分类领域的发展有一个较详细的说明</p>

https://zjykzj.cn/posts/af09228d.html 2020-08-15T08:09:51.000Z 2026-03-02T14:17:13.952Z

<p>找了很多的资料，关于如何创建仓库<code>logo</code>，小结一下</p>

https://zjykzj.cn/posts/6b6a622b.html 2020-08-01T02:28:23.000Z 2026-03-02T14:17:13.944Z

<p>学习<code>sklearn</code>中决策树的使用</p>

https://zjykzj.cn/posts/17926b1c.html 2020-07-11T01:55:17.000Z 2026-03-02T14:17:13.952Z

<p>数据是深度学习算法的关键，其中最常见的数据操作就是目标标注。通用数据集已经给出了标注结果，并且对数据本身进行了很好的分类和归纳，而在最近的工作中需要对原始数据进行有效整理并进行标注，小结遇到的问题，希望对之后的实践有帮助</p>

https://zjykzj.cn/posts/b91ebbf5.html 2020-07-09T13:07:10.000Z 2026-03-02T14:17:13.952Z

<p>需要在局域网内远程连接<a href="https://developer.nvidia.com/embedded/jetson-agx-xavier-developer-kit">Jetson AGX Xavier Developer Kit</a>，其内置<code>Arm64 Ubuntu 18.04</code>系统，打算配置远程桌面进行开发，没想到在这上面花了好长一段时间，小结远程桌面工具的使用以及问题解决</p>

https://zjykzj.cn/posts/dcfeac19.html 2020-07-05T07:47:14.000Z 2026-03-02T14:17:13.948Z

<p>原文地址：<a href="https://arxiv.org/abs/1708.02002">Focal Loss for Dense Object Detection</a></p>

https://zjykzj.cn/posts/6674f972.html 2020-07-05T02:31:01.000Z 2026-03-02T14:17:13.948Z

<p>原文地址：<a href="https://arxiv.org/abs/1612.03144">Feature Pyramid Networks for Object Detection</a></p>

https://zjykzj.cn/posts/66900c1a.html 2020-06-25T03:28:50.000Z 2026-03-02T14:17:13.952Z

<p>经常需要在远程服务器上进行<code>Python</code>开发，如何打造一个完美的开发环境，着实费了不少功夫。小结<code>PyCharm Remote</code>配置</p>

https://zjykzj.cn/posts/3bff5f50.html 2020-06-21T03:01:56.000Z 2026-03-02T14:17:13.952Z

<p>小结<code>Flask</code>框架使用，包括<code>Get/Post</code>接口实现和测试</p>

https://zjykzj.cn/posts/b21c17dc.html 2020-06-20T10:50:47.000Z 2026-03-02T14:17:13.922Z

<p>之前在本地部署了<code>Docker +Jenkins + Gitlab</code>，因为博客服务器在香港，直接传输不方便，还通过成都的腾讯云服务器<code>+ Aliyun Code</code>进行转发，完整的过程参考<a href="https://blog.zhujian.life/posts/d959b685.html"> [腾讯云][阿里云]网站迁移小结</a></p> <p>现在打算直接在云服务器上部署<code>Jenkins + Gitlab</code>，这样的构建逻辑更加直接，能够进一步压缩博客部署过程。<code>Let's go !!!</code></p>

https://zjykzj.cn/posts/ff6b6f9c.html 2020-06-18T13:07:38.000Z 2026-03-02T14:17:13.939Z

<h2 id="问题描述"><a href="#问题描述" class="headerlink" title="问题描述"></a>问题描述</h2><p>打算将<code>Jenkins</code>部署到云服务器上，实现步骤如下：</p> <ol> <li>将本地<code>Docker Volume</code>打包后发送到云服务器并解压</li> <li>在云服务器下载<code>Jenkins</code>镜像并启动</li> </ol> <p>打开首页，发现如下错误</p>

https://zjykzj.cn/posts/1540ac10.html 2020-06-15T12:44:07.000Z 2026-03-02T14:17:13.922Z

<p>原文地址：<a href="https://arxiv.org/abs/1706.02677">Accurate, Large Minibatch SGD: Training ImageNet in 1 Hour</a></p>

https://zjykzj.cn/posts/1e627f49.html 2020-06-14T13:25:20.000Z 2026-03-02T14:17:13.922Z

<blockquote> <p>Detectron2 is Facebook AI Research’s next generation software system that implements state-of-the-art object detection algorithms. It is a ground-up rewrite of the previous version, Detectron, and it originates from maskrcnn-benchmark.</p> </blockquote> <p>花了不少时间熟悉<a href="https://github.com/facebookresearch/detectron2">Detectron2</a>的安装和训练，期间也遇到了不少问题，小结一下</p> <p>在线文档地址：<a href="https://detectron2.readthedocs.io/tutorials/install.html">detectron2</a></p>

https://zjykzj.cn/posts/79124905.html 2020-06-12T06:28:02.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/1709.01507">Squeeze-and-Excitation Networks</a></p>

https://zjykzj.cn/posts/1243177c.html 2020-06-12T00:17:08.000Z 2026-03-02T14:17:13.931Z

<p>原文地址：<a href="https://arxiv.org/abs/1611.05431">Aggregated Residual Transformations for Deep Neural Networks</a></p>

https://zjykzj.cn/posts/96c66eec.html 2020-06-09T00:43:42.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/1807.11626">MnasNet: Platform-Aware Neural Architecture Search for Mobile</a></p>

https://zjykzj.cn/posts/837f6cbf.html 2020-06-05T01:33:23.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/1807.11164">ShuffleNet V2: Practical Guidelines for Efficient CNN Architecture Design</a></p>

https://zjykzj.cn/posts/8e194d10.html 2020-06-04T13:46:25.000Z 2026-03-02T14:17:13.939Z

<p>对于<code>Jenkins</code>使用，插件的下载和安装一直都是令人头疼的地方。之前陆陆续续的实践过<a href="https://blog.zhujian.life/posts/9ff7f63d.html">下载源更新</a>以及<a href="https://blog.zhujian.life/posts/373e88b0.html">手动下载/安装插件</a>，但是插件的下载/安装依旧很慢</p>

https://zjykzj.cn/posts/ff9033af.html 2020-06-04T02:29:13.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/1801.04381">MobileNetV2: Inverted Residuals and Linear Bottlenecks</a></p>

https://zjykzj.cn/posts/11d2ef7e.html 2020-06-03T10:09:04.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/1707.01083">ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile</a></p>

https://zjykzj.cn/posts/f45ad457.html 2020-06-03T06:36:56.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/1905.02244">Searching for MobileNetV3</a></p>

https://zjykzj.cn/posts/b21ca2c0.html 2020-06-03T00:57:18.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/1704.04861">MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications</a></p>

https://zjykzj.cn/posts/665341ad.html 2020-05-31T12:12:59.000Z 2026-03-02T14:17:13.948Z

<p><code>5</code>月份实现了<code>SSD</code>和<code>Faster R-CNN</code>算法，同时解析了基于<code>MaskRCNN-benchmark</code>的目标检测框架，另外学习了<code>cocoapi</code>的使用，最后学习了<code>YOLOv2</code>算法</p> <p>本周继续<code>YOLOv2</code>算法的实现，同时期待能够找到新工作</p>

https://zjykzj.cn/posts/7dbb89f0.html 2020-05-30T11:31:52.000Z 2026-03-02T14:17:13.948Z

<p><code>YOLOv2</code>在<code>YOLO</code>的基础上进行了很多的调整，其中一个就是设置锚点框。相对于<code>Faster R-CNN/SSD</code>通过人工方式设置锚点的尺度和长宽比，<code>YOLOv2</code>提出了通过<code>k-means</code>聚类的方式自动计算出锚点的大小</p>

https://zjykzj.cn/posts/62450c9b.html 2020-05-30T06:20:08.000Z 2026-03-02T14:17:13.944Z

<h2 id="分类-vs-聚类"><a href="#分类-vs-聚类" class="headerlink" title="分类 vs. 聚类"></a>分类 vs. 聚类</h2><blockquote> <p>分类：类别是已知的，通过对已知分类的数据进行训练和学习，找到这些不同类别的特征，再对未分类的数据进行分类。属于有监督学习（有标签）<br>聚类：事先不知道数据会分为几类，通过聚类分析将数据聚合成几个群体。聚类不需要对数据进行训练和学习。属于无监督学习（无标签）</p> </blockquote>

https://zjykzj.cn/posts/e2ce4d45.html 2020-05-29T01:11:23.000Z 2026-03-02T14:17:13.948Z

<p>原文地址：<a href="https://arxiv.org/abs/1506.01497">Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks</a></p>

https://zjykzj.cn/posts/d77724ad.html 2020-05-27T08:24:00.000Z 2026-03-02T14:17:13.922Z

<p><a href="https://blog.zhujian.life/posts/a2d65e1.html">Image Localization Dataset</a>是一个目标检测数据集，其标注文件使用了<code>PASCAL VOC</code>定义的格式，将其转换成<code>COCO</code>格式</p>

https://zjykzj.cn/posts/7bae9c2d.html 2020-05-27T08:18:48.000Z 2026-03-02T14:17:13.922Z

<p><code>COCO</code>提供了一个完备的工具包 - <a href="https://github.com/cocodataset/cocoapi">cocoapi</a>，能够满足实际开发过程中对于图像、类别、标注信息的提取</p> <p><em>以下操作中仅涉及<code>python</code>使用</em></p>

https://zjykzj.cn/posts/46b5955b.html 2020-05-26T11:59:52.000Z 2026-03-02T14:17:13.918Z

<p>介绍<code>COCO</code>目标检测任务以及评价标准</p> <h2 id="目标检测任务"><a href="#目标检测任务" class="headerlink" title="目标检测任务"></a>目标检测任务</h2><p><code>COCO</code>将目标检测任务分为两个部分：</p> <ol> <li>边界框检测</li> <li>目标分割检测，也称为实例分割</li> </ol> <p>用于目标检测任务的训练/测试/验证数据集拥有超过<code>20</code>万张图像，共<code>80</code>个类别。其中，在训练和验证数据集上的标注超过了<code>50</code>万个</p>

https://zjykzj.cn/posts/ef73a2c1.html 2020-05-26T06:01:27.000Z 2026-03-02T14:17:13.922Z

<p>介绍<code>COCO</code>数据集以及标注文件格式。官网地址：<a href="http://cocodataset.org/#home">COCO</a></p> <h2 id="简介"><a href="#简介" class="headerlink" title="简介"></a>简介</h2><p><code>COCO</code>是一个大规模的目标检测、分割和字幕数据集。包含了以下特征：</p> <ol> <li>目标分割（<code>Object segmentation</code>）</li> <li>场景分析（<code>Recognition in context</code>）</li> <li>超像素分割（<code>Superpixel stuff segmentation</code>）</li> <li><code>33</code>万张图像，其中超过<code>20</code>万张已标注（<code>330K images (&gt;200K labeled)</code>）</li> <li><code>150</code>万个目标实例（<code>1.5 million object instances</code>）</li> <li><code>80</code>个目标类别（<code>80 object categories</code>）</li> <li><code>91 stuff categories</code></li> <li>每张图片<code>5</code>个字幕（<code>5 captions per image</code>）</li> <li><code>25</code>万个行人关键点（<code>250,000 people with keypoints</code>）</li> </ol>

https://zjykzj.cn/posts/902134ce.html 2020-05-18T02:58:31.000Z 2026-03-02T14:17:13.922Z

<p>研究<a href="https://github.com/lufficc/SSD">lufficc/SSD</a>源码时，发现其实现了一个目标检测训练框架，进行深入研究后整理成一个新的训练框架</p>

https://zjykzj.cn/posts/4adff177.html 2020-05-17T12:38:52.000Z 2026-03-02T14:17:13.922Z

<p>原文地址：<a href="https://arxiv.org/abs/1512.02325">SSD: Single Shot MultiBox Detector</a></p>

https://zjykzj.cn/posts/c306db14.html 2020-05-17T08:08:22.000Z 2026-03-02T14:17:13.922Z

<p>阅读源码时发现<code>torchvision</code>提供了许多边界框操作，包括</p> <ol> <li><code>NMS</code></li> <li>移除小边界框</li> <li>修剪边界框坐标，保证边界框坐标位于图像内</li> <li>计算边界框面积</li> <li><code>IoU</code>计算</li> </ol> <p>在线文档：<a href="https://pytorch.org/docs/stable/torchvision/ops.html">torchvision.ops</a></p> <p>源码地址：<code>torchvision/ops/boxes.py</code></p> <p>当前<code>torchvision</code>版本：<code>0.6.0a0+82fd1c8</code></p>

https://zjykzj.cn/posts/71d55179.html 2020-05-13T05:31:17.000Z 2026-03-02T14:17:13.922Z

<p>之前学习<code>IoU</code>的概念并且实现了预测框和对应真值边界框之间的计算 - <a href="https://blog.zhujian.life/posts/796ebd4e.html">[目标检测]IoU</a></p> <p>不过预设的条件是每个真值边界框仅和单个预测边界框进行比对，参考<a href="https://github.com/object-detection-algorithm/SSD/blob/master/py/ssd/utils/box_utils.py">box_utils.py</a>计算每个真值边界框和每个预测边界框的<code>IoU</code></p>

https://zjykzj.cn/posts/9f7f5d80.html 2020-05-08T12:58:36.000Z 2026-03-02T14:17:13.922Z

<p>之前在<code>cs231n</code>上学习了简单的几种初始化方法 - <a href="https://blog.zhujian.life/posts/cfd35552.html">权重初始化</a>。最近阅读源码时发现了<code>PyTorch</code>实现的权重初始化</p>

https://zjykzj.cn/posts/9b0b1671.html 2020-05-07T10:44:13.000Z 2026-03-02T14:17:13.922Z

<p>之前在<a href="https://blog.zhujian.life/posts/db93f7d2.html">[数据集][PASCAL VOC]07+12</a>中需要额外下载、解压数据集才能进一步实现<code>VOC 07+12</code>的集合。今天发现了<code>PyTorch</code>的<code>voc.py</code>集成了<code>2007</code>测试集，同时可以结合<a href="https://visionguide.readthedocs.io/zh_CN/latest/torchvision/concatdataset/">ConcatDataset</a>一起使用</p> <p>相关实现：<a href="https://github.com/zjykzj/vocdev/blob/master/README.zh-CN.md">zjykzj/vocdev</a></p>

https://zjykzj.cn/posts/57bb5b30.html 2020-05-03T12:19:22.000Z 2026-03-02T14:17:13.948Z

<p><code>4</code>月份实现了<code>YOLO_v1</code>算法，学习新的模型<code>ResNet/GoogLeNet/SqueezeNet/DenseNet/SSD</code>，同时小结了评估标准，包括<code>mAP/Flops/Params Size/FPS/Top-k accuracy</code></p> <p>本周学习了如何寻找最优学习率/权重衰减，以及进行<code>warmup+CosineAnnearling</code>加速模型训练，同时加强了数据预处理，包括随机擦除/颜色抖动/<code>Ten Crops</code>测试等</p> <p>本周继续<code>SSD</code>算法的学习和实现，同时开始新模型和训练方法的学习。本月期待完成新工作的寻找</p>

https://zjykzj.cn/posts/b2e2c47b.html 2020-05-02T17:35:05.000Z 2026-03-02T14:17:13.922Z

<p>论文<a href="https://arxiv.org/pdf/1803.09820.pdf">A DISCIPLINED APPROACH TO NEURAL NETWORK HYPER-PARAMETERS: PART 1 – LEARNING RATE, BATCH SIZE, MOMENTUM, AND WEIGHT DECAY</a>给出了关于学习率、批量大小、动量和权重衰减的训练方法。下面学习如何找到最优权重衰减值</p>

https://zjykzj.cn/posts/78a36c78.html 2020-05-01T14:02:41.000Z 2026-03-02T14:17:13.922Z

<p>如何寻找最优学习率?</p> <h2 id="根据准确度寻找最优学习率"><a href="#根据准确度寻找最优学习率" class="headerlink" title="根据准确度寻找最优学习率"></a>根据准确度寻找最优学习率</h2><p>论文<a href="https://arxiv.org/pdf/1506.01186.pdf">Cyclical Learning Rates for Training Neural Networks</a>提出了周期学习率调度方法，让学习率在合理的边界值之间循环变化（<em>不再单调递减</em>）</p>

https://zjykzj.cn/posts/f311f0.html 2020-05-01T12:35:07.000Z 2026-03-02T14:17:13.922Z

<p>论文<a href="https://research.fb.com/wp-content/uploads/2017/06/imagenet1kin1h5.pdf">Accurate, Large Minibatch SGD: Training ImageNet in 1 Hour</a>使用<code>warmup</code>进行学习率的调整，能够帮助模型的训练</p>

https://zjykzj.cn/posts/6eb7f24f.html 2020-05-01T07:23:22.000Z 2026-03-02T14:17:13.922Z

<p>余弦退火（<code>Cosine Annealing</code>）方法来自于论文<a href="https://arxiv.org/pdf/1608.03983.pdf">SGDR: STOCHASTIC GRADIENT DESCENT WITH WARM RESTARTS</a></p>

https://zjykzj.cn/posts/9a85fe27.html 2020-04-30T07:56:01.000Z 2026-03-02T14:17:13.922Z

<h2 id="定义"><a href="#定义" class="headerlink" title="定义"></a>定义</h2><p>在分类任务中，通常使用交叉熵损失进行梯度训练。交叉熵损失的作用就是最大化正确标签的对数似然概率。其损失值计算如下：</p> <p><mjx-container class="MathJax" jax="SVG" display="true"><svg style="vertical-align: -2.864ex;" xmlns="http://www.w3.org/2000/svg" width="28.24ex" height="6.784ex" role="img" focusable="false" viewBox="0 -1733 12482.1 2998.7"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mi"><path data-c="1D43B" d="M228 637Q194 637 192 641Q191 643 191 649Q191 673 202 682Q204 683 219 683Q260 681 355 681Q389 681 418 681T463 682T483 682Q499 682 499 672Q499 670 497 658Q492 641 487 638H485Q483 638 480 638T473 638T464 637T455 637Q416 636 405 634T387 623Q384 619 355 500Q348 474 340 442T328 395L324 380Q324 378 469 378H614L615 381Q615 384 646 504Q674 619 674 627T617 637Q594 637 587 639T580 648Q580 650 582 660Q586 677 588 679T604 682Q609 682 646 681T740 680Q802 680 835 681T871 682Q888 682 888 672Q888 645 876 638H874Q872 638 869 638T862 638T853 637T844 637Q805 636 794 634T776 623Q773 618 704 340T634 58Q634 51 638 51Q646 48 692 46H723Q729 38 729 37T726 19Q722 6 716 0H701Q664 2 567 2Q533 2 504 2T458 2T437 1Q420 1 420 10Q420 15 423 24Q428 43 433 45Q437 46 448 46H454Q481 46 514 49Q520 50 522 50T528 55T534 64T540 82T547 110T558 153Q565 181 569 198Q602 330 602 331T457 332H312L279 197Q245 63 245 58Q245 51 253 49T303 46H334Q340 38 340 37T337 19Q333 6 327 0H312Q275 2 178 2Q144 2 115 2T69 2T48 1Q31 1 31 10Q31 12 34 24Q39 43 44 45Q48 46 59 46H65Q92 46 125 49Q139 52 144 61Q147 65 216 339T285 628Q285 635 228 637Z"></path></g><g data-mml-node="mo" transform="translate(888,0)"><path data-c="28" d="M94 250Q94 319 104 381T127 488T164 576T202 643T244 695T277 729T302 750H315H319Q333 750 333 741Q333 738 316 720T275 667T226 581T184 443T167 250T184 58T225 -81T274 -167T316 -220T333 -241Q333 -250 318 -250H315H302L274 -226Q180 -141 137 -14T94 250Z"></path></g><g data-mml-node="mi" transform="translate(1277,0)"><path data-c="1D466" d="M21 287Q21 301 36 335T84 406T158 442Q199 442 224 419T250 355Q248 336 247 334Q247 331 231 288T198 191T182 105Q182 62 196 45T238 27Q261 27 281 38T312 61T339 94Q339 95 344 114T358 173T377 247Q415 397 419 404Q432 431 462 431Q475 431 483 424T494 412T496 403Q496 390 447 193T391 -23Q363 -106 294 -155T156 -205Q111 -205 77 -183T43 -117Q43 -95 50 -80T69 -58T89 -48T106 -45Q150 -45 150 -87Q150 -107 138 -122T115 -142T102 -147L99 -148Q101 -153 118 -160T152 -167H160Q177 -167 186 -165Q219 -156 247 -127T290 -65T313 -9T321 21L315 17Q309 13 296 6T270 -6Q250 -11 231 -11Q185 -11 150 11T104 82Q103 89 103 113Q103 170 138 262T173 379Q173 380 173 381Q173 390 173 393T169 400T158 404H154Q131 404 112 385T82 344T65 302T57 280Q55 278 41 278H27Q21 284 21 287Z"></path></g><g data-mml-node="mo" transform="translate(1767,0)"><path data-c="2C" d="M78 35T78 60T94 103T137 121Q165 121 187 96T210 8Q210 -27 201 -60T180 -117T154 -158T130 -185T117 -194Q113 -194 104 -185T95 -172Q95 -168 106 -156T131 -126T157 -76T173 -3V9L172 8Q170 7 167 6T161 3T152 1T140 0Q113 0 96 17Z"></path></g><g data-mml-node="mi" transform="translate(2211.7,0)"><path data-c="1D45D" d="M23 287Q24 290 25 295T30 317T40 348T55 381T75 411T101 433T134 442Q209 442 230 378L240 387Q302 442 358 442Q423 442 460 395T497 281Q497 173 421 82T249 -10Q227 -10 210 -4Q199 1 187 11T168 28L161 36Q160 35 139 -51T118 -138Q118 -144 126 -145T163 -148H188Q194 -155 194 -157T191 -175Q188 -187 185 -190T172 -194Q170 -194 161 -194T127 -193T65 -192Q-5 -192 -24 -194H-32Q-39 -187 -39 -183Q-37 -156 -26 -148H-6Q28 -147 33 -136Q36 -130 94 103T155 350Q156 355 156 364Q156 405 131 405Q109 405 94 377T71 316T59 280Q57 278 43 278H29Q23 284 23 287ZM178 102Q200 26 252 26Q282 26 310 49T356 107Q374 141 392 215T411 325V331Q411 405 350 405Q339 405 328 402T306 393T286 380T269 365T254 350T243 336T235 326L232 322Q232 321 229 308T218 264T204 212Q178 106 178 102Z"></path></g><g data-mml-node="mo" transform="translate(2714.7,0)"><path data-c="29" d="M60 749L64 750Q69 750 74 750H86L114 726Q208 641 251 514T294 250Q294 182 284 119T261 12T224 -76T186 -143T145 -194T113 -227T90 -246Q87 -249 86 -250H74Q66 -250 63 -250T58 -247T55 -238Q56 -237 66 -225Q221 -64 221 250T66 725Q56 737 55 738Q55 746 60 749Z"></path></g><g data-mml-node="mo" transform="translate(3381.4,0)"><path data-c="3D" d="M56 347Q56 360 70 367H707Q722 359 722 347Q722 336 708 328L390 327H72Q56 332 56 347ZM56 153Q56 168 72 173H708Q722 163 722 153Q722 140 707 133H70Q56 140 56 153Z"></path></g><g data-mml-node="mo" transform="translate(4437.2,0)"><path data-c="2212" d="M84 237T84 250T98 270H679Q694 262 694 250T679 230H98Q84 237 84 250Z"></path></g><g data-mml-node="mn" transform="translate(5215.2,0)"><path data-c="31" d="M213 578L200 573Q186 568 160 563T102 556H83V602H102Q149 604 189 617T245 641T273 663Q275 666 285 666Q294 666 302 660V361L303 61Q310 54 315 52T339 48T401 46H427V0H416Q395 3 257 3Q121 3 100 0H88V46H114Q136 46 152 46T177 47T193 50T201 52T207 57T213 61V578Z"></path></g><g data-mml-node="mo" transform="translate(5937.4,0)"><path data-c="D7" d="M630 29Q630 9 609 9Q604 9 587 25T493 118L389 222L284 117Q178 13 175 11Q171 9 168 9Q160 9 154 15T147 29Q147 36 161 51T255 146L359 250L255 354Q174 435 161 449T147 471Q147 480 153 485T168 490Q173 490 175 489Q178 487 284 383L389 278L493 382Q570 459 587 475T609 491Q630 491 630 471Q630 464 620 453T522 355L418 250L522 145Q606 61 618 48T630 29Z"></path></g><g data-mml-node="munderover" transform="translate(6937.7,0)"><g data-mml-node="mo"><path data-c="2211" d="M60 948Q63 950 665 950H1267L1325 815Q1384 677 1388 669H1348L1341 683Q1320 724 1285 761Q1235 809 1174 838T1033 881T882 898T699 902H574H543H251L259 891Q722 258 724 252Q725 250 724 246Q721 243 460 -56L196 -356Q196 -357 407 -357Q459 -357 548 -357T676 -358Q812 -358 896 -353T1063 -332T1204 -283T1307 -196Q1328 -170 1348 -124H1388Q1388 -125 1381 -145T1356 -210T1325 -294L1267 -449L666 -450Q64 -450 61 -448Q55 -446 55 -439Q55 -437 57 -433L590 177Q590 178 557 222T452 366T322 544L56 909L55 924Q55 945 60 948Z"></path></g><g data-mml-node="TeXAtom" transform="translate(86,-1107.7) scale(0.707)" data-mjx-texclass="ORD"><g data-mml-node="mi"><path data-c="1D458" d="M121 647Q121 657 125 670T137 683Q138 683 209 688T282 694Q294 694 294 686Q294 679 244 477Q194 279 194 272Q213 282 223 291Q247 309 292 354T362 415Q402 442 438 442Q468 442 485 423T503 369Q503 344 496 327T477 302T456 291T438 288Q418 288 406 299T394 328Q394 353 410 369T442 390L458 393Q446 405 434 405H430Q398 402 367 380T294 316T228 255Q230 254 243 252T267 246T293 238T320 224T342 206T359 180T365 147Q365 130 360 106T354 66Q354 26 381 26Q429 26 459 145Q461 153 479 153H483Q499 153 499 144Q499 139 496 130Q455 -11 378 -11Q333 -11 305 15T277 90Q277 108 280 121T283 145Q283 167 269 183T234 206T200 217T182 220H180Q168 178 159 139T145 81T136 44T129 20T122 7T111 -2Q98 -11 83 -11Q66 -11 57 -1T48 16Q48 26 85 176T158 471L195 616Q196 629 188 632T149 637H144Q134 637 131 637T124 640T121 647Z"></path></g><g data-mml-node="mo" transform="translate(521,0)"><path data-c="3D" d="M56 347Q56 360 70 367H707Q722 359 722 347Q722 336 708 328L390 327H72Q56 332 56 347ZM56 153Q56 168 72 173H708Q722 163 722 153Q722 140 707 133H70Q56 140 56 153Z"></path></g><g data-mml-node="mn" transform="translate(1299,0)"><path data-c="31" d="M213 578L200 573Q186 568 160 563T102 556H83V602H102Q149 604 189 617T245 641T273 663Q275 666 285 666Q294 666 302 660V361L303 61Q310 54 315 52T339 48T401 46H427V0H416Q395 3 257 3Q121 3 100 0H88V46H114Q136 46 152 46T177 47T193 50T201 52T207 57T213 61V578Z"></path></g></g><g data-mml-node="TeXAtom" transform="translate(407.7,1150) scale(0.707)" data-mjx-texclass="ORD"><g data-mml-node="mi"><path data-c="1D43E" d="M285 628Q285 635 228 637Q205 637 198 638T191 647Q191 649 193 661Q199 681 203 682Q205 683 214 683H219Q260 681 355 681Q389 681 418 681T463 682T483 682Q500 682 500 674Q500 669 497 660Q496 658 496 654T495 648T493 644T490 641T486 639T479 638T470 637T456 637Q416 636 405 634T387 623L306 305Q307 305 490 449T678 597Q692 611 692 620Q692 635 667 637Q651 637 651 648Q651 650 654 662T659 677Q662 682 676 682Q680 682 711 681T791 680Q814 680 839 681T869 682Q889 682 889 672Q889 650 881 642Q878 637 862 637Q787 632 726 586Q710 576 656 534T556 455L509 418L518 396Q527 374 546 329T581 244Q656 67 661 61Q663 59 666 57Q680 47 717 46H738Q744 38 744 37T741 19Q737 6 731 0H720Q680 3 625 3Q503 3 488 0H478Q472 6 472 9T474 27Q478 40 480 43T491 46H494Q544 46 544 71Q544 75 517 141T485 216L427 354L359 301L291 248L268 155Q245 63 245 58Q245 51 253 49T303 46H334Q340 37 340 35Q340 19 333 5Q328 0 317 0Q314 0 280 1T180 2Q118 2 85 2T49 1Q31 1 31 11Q31 13 34 25Q38 41 42 43T65 46Q92 46 125 49Q139 52 144 61Q147 65 216 339T285 628Z"></path></g></g></g><g data-mml-node="msub" transform="translate(8548.3,0)"><g data-mml-node="mi"><path data-c="1D466" d="M21 287Q21 301 36 335T84 406T158 442Q199 442 224 419T250 355Q248 336 247 334Q247 331 231 288T198 191T182 105Q182 62 196 45T238 27Q261 27 281 38T312 61T339 94Q339 95 344 114T358 173T377 247Q415 397 419 404Q432 431 462 431Q475 431 483 424T494 412T496 403Q496 390 447 193T391 -23Q363 -106 294 -155T156 -205Q111 -205 77 -183T43 -117Q43 -95 50 -80T69 -58T89 -48T106 -45Q150 -45 150 -87Q150 -107 138 -122T115 -142T102 -147L99 -148Q101 -153 118 -160T152 -167H160Q177 -167 186 -165Q219 -156 247 -127T290 -65T313 -9T321 21L315 17Q309 13 296 6T270 -6Q250 -11 231 -11Q185 -11 150 11T104 82Q103 89 103 113Q103 170 138 262T173 379Q173 380 173 381Q173 390 173 393T169 400T158 404H154Q131 404 112 385T82 344T65 302T57 280Q55 278 41 278H27Q21 284 21 287Z"></path></g><g data-mml-node="TeXAtom" transform="translate(523,-150) scale(0.707)" data-mjx-texclass="ORD"><g data-mml-node="mi"><path data-c="1D458" d="M121 647Q121 657 125 670T137 683Q138 683 209 688T282 694Q294 694 294 686Q294 679 244 477Q194 279 194 272Q213 282 223 291Q247 309 292 354T362 415Q402 442 438 442Q468 442 485 423T503 369Q503 344 496 327T477 302T456 291T438 288Q418 288 406 299T394 328Q394 353 410 369T442 390L458 393Q446 405 434 405H430Q398 402 367 380T294 316T228 255Q230 254 243 252T267 246T293 238T320 224T342 206T359 180T365 147Q365 130 360 106T354 66Q354 26 381 26Q429 26 459 145Q461 153 479 153H483Q499 153 499 144Q499 139 496 130Q455 -11 378 -11Q333 -11 305 15T277 90Q277 108 280 121T283 145Q283 167 269 183T234 206T200 217T182 220H180Q168 178 159 139T145 81T136 44T129 20T122 7T111 -2Q98 -11 83 -11Q66 -11 57 -1T48 16Q48 26 85 176T158 471L195 616Q196 629 188 632T149 637H144Q134 637 131 637T124 640T121 647Z"></path></g></g></g><g data-mml-node="mi" transform="translate(9489.7,0)"><path data-c="1D459" d="M117 59Q117 26 142 26Q179 26 205 131Q211 151 215 152Q217 153 225 153H229Q238 153 241 153T246 151T248 144Q247 138 245 128T234 90T214 43T183 6T137 -11Q101 -11 70 11T38 85Q38 97 39 102L104 360Q167 615 167 623Q167 626 166 628T162 632T157 634T149 635T141 636T132 637T122 637Q112 637 109 637T101 638T95 641T94 647Q94 649 96 661Q101 680 107 682T179 688Q194 689 213 690T243 693T254 694Q266 694 266 686Q266 675 193 386T118 83Q118 81 118 75T117 65V59Z"></path></g><g data-mml-node="mi" transform="translate(9787.7,0)"><path data-c="1D45C" d="M201 -11Q126 -11 80 38T34 156Q34 221 64 279T146 380Q222 441 301 441Q333 441 341 440Q354 437 367 433T402 417T438 387T464 338T476 268Q476 161 390 75T201 -11ZM121 120Q121 70 147 48T206 26Q250 26 289 58T351 142Q360 163 374 216T388 308Q388 352 370 375Q346 405 306 405Q243 405 195 347Q158 303 140 230T121 120Z"></path></g><g data-mml-node="mi" transform="translate(10272.7,0)"><path data-c="1D454" d="M311 43Q296 30 267 15T206 0Q143 0 105 45T66 160Q66 265 143 353T314 442Q361 442 401 394L404 398Q406 401 409 404T418 412T431 419T447 422Q461 422 470 413T480 394Q480 379 423 152T363 -80Q345 -134 286 -169T151 -205Q10 -205 10 -137Q10 -111 28 -91T74 -71Q89 -71 102 -80T116 -111Q116 -121 114 -130T107 -144T99 -154T92 -162L90 -164H91Q101 -167 151 -167Q189 -167 211 -155Q234 -144 254 -122T282 -75Q288 -56 298 -13Q311 35 311 43ZM384 328L380 339Q377 350 375 354T369 368T359 382T346 393T328 402T306 405Q262 405 221 352Q191 313 171 233T151 117Q151 38 213 38Q269 38 323 108L331 118L384 328Z"></path></g><g data-mml-node="mo" transform="translate(10749.7,0)"><path data-c="28" d="M94 250Q94 319 104 381T127 488T164 576T202 643T244 695T277 729T302 750H315H319Q333 750 333 741Q333 738 316 720T275 667T226 581T184 443T167 250T184 58T225 -81T274 -167T316 -220T333 -241Q333 -250 318 -250H315H302L274 -226Q180 -141 137 -14T94 250Z"></path></g><g data-mml-node="msub" transform="translate(11138.7,0)"><g data-mml-node="mi"><path data-c="1D45D" d="M23 287Q24 290 25 295T30 317T40 348T55 381T75 411T101 433T134 442Q209 442 230 378L240 387Q302 442 358 442Q423 442 460 395T497 281Q497 173 421 82T249 -10Q227 -10 210 -4Q199 1 187 11T168 28L161 36Q160 35 139 -51T118 -138Q118 -144 126 -145T163 -148H188Q194 -155 194 -157T191 -175Q188 -187 185 -190T172 -194Q170 -194 161 -194T127 -193T65 -192Q-5 -192 -24 -194H-32Q-39 -187 -39 -183Q-37 -156 -26 -148H-6Q28 -147 33 -136Q36 -130 94 103T155 350Q156 355 156 364Q156 405 131 405Q109 405 94 377T71 316T59 280Q57 278 43 278H29Q23 284 23 287ZM178 102Q200 26 252 26Q282 26 310 49T356 107Q374 141 392 215T411 325V331Q411 405 350 405Q339 405 328 402T306 393T286 380T269 365T254 350T243 336T235 326L232 322Q232 321 229 308T218 264T204 212Q178 106 178 102Z"></path></g><g data-mml-node="TeXAtom" transform="translate(536,-150) scale(0.707)" data-mjx-texclass="ORD"><g data-mml-node="mi"><path data-c="1D458" d="M121 647Q121 657 125 670T137 683Q138 683 209 688T282 694Q294 694 294 686Q294 679 244 477Q194 279 194 272Q213 282 223 291Q247 309 292 354T362 415Q402 442 438 442Q468 442 485 423T503 369Q503 344 496 327T477 302T456 291T438 288Q418 288 406 299T394 328Q394 353 410 369T442 390L458 393Q446 405 434 405H430Q398 402 367 380T294 316T228 255Q230 254 243 252T267 246T293 238T320 224T342 206T359 180T365 147Q365 130 360 106T354 66Q354 26 381 26Q429 26 459 145Q461 153 479 153H483Q499 153 499 144Q499 139 496 130Q455 -11 378 -11Q333 -11 305 15T277 90Q277 108 280 121T283 145Q283 167 269 183T234 206T200 217T182 220H180Q168 178 159 139T145 81T136 44T129 20T122 7T111 -2Q98 -11 83 -11Q66 -11 57 -1T48 16Q48 26 85 176T158 471L195 616Q196 629 188 632T149 637H144Q134 637 131 637T124 640T121 647Z"></path></g></g></g><g data-mml-node="mo" transform="translate(12093.1,0)"><path data-c="29" d="M60 749L64 750Q69 750 74 750H86L114 726Q208 641 251 514T294 250Q294 182 284 119T261 12T224 -76T186 -143T145 -194T113 -227T90 -246Q87 -249 86 -250H74Q66 -250 63 -250T58 -247T55 -238Q56 -237 66 -225Q221 -64 221 250T66 725Q56 737 55 738Q55 746 60 749Z"></path></g></g></g></svg></mjx-container></p> <p>当<mjx-container class="MathJax" jax="SVG"><svg style="vertical-align: -0.464ex;" xmlns="http://www.w3.org/2000/svg" width="2.13ex" height="1.464ex" role="img" focusable="false" viewBox="0 -442 941.4 647"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="msub"><g data-mml-node="mi"><path data-c="1D466" d="M21 287Q21 301 36 335T84 406T158 442Q199 442 224 419T250 355Q248 336 247 334Q247 331 231 288T198 191T182 105Q182 62 196 45T238 27Q261 27 281 38T312 61T339 94Q339 95 344 114T358 173T377 247Q415 397 419 404Q432 431 462 431Q475 431 483 424T494 412T496 403Q496 390 447 193T391 -23Q363 -106 294 -155T156 -205Q111 -205 77 -183T43 -117Q43 -95 50 -80T69 -58T89 -48T106 -45Q150 -45 150 -87Q150 -107 138 -122T115 -142T102 -147L99 -148Q101 -153 118 -160T152 -167H160Q177 -167 186 -165Q219 -156 247 -127T290 -65T313 -9T321 21L315 17Q309 13 296 6T270 -6Q250 -11 231 -11Q185 -11 150 11T104 82Q103 89 103 113Q103 170 138 262T173 379Q173 380 173 381Q173 390 173 393T169 400T158 404H154Q131 404 112 385T82 344T65 302T57 280Q55 278 41 278H27Q21 284 21 287Z"></path></g><g data-mml-node="TeXAtom" transform="translate(523,-150) scale(0.707)" data-mjx-texclass="ORD"><g data-mml-node="mi"><path data-c="1D458" d="M121 647Q121 657 125 670T137 683Q138 683 209 688T282 694Q294 694 294 686Q294 679 244 477Q194 279 194 272Q213 282 223 291Q247 309 292 354T362 415Q402 442 438 442Q468 442 485 423T503 369Q503 344 496 327T477 302T456 291T438 288Q418 288 406 299T394 328Q394 353 410 369T442 390L458 393Q446 405 434 405H430Q398 402 367 380T294 316T228 255Q230 254 243 252T267 246T293 238T320 224T342 206T359 180T365 147Q365 130 360 106T354 66Q354 26 381 26Q429 26 459 145Q461 153 479 153H483Q499 153 499 144Q499 139 496 130Q455 -11 378 -11Q333 -11 305 15T277 90Q277 108 280 121T283 145Q283 167 269 183T234 206T200 217T182 220H180Q168 178 159 139T145 81T136 44T129 20T122 7T111 -2Q98 -11 83 -11Q66 -11 57 -1T48 16Q48 26 85 176T158 471L195 616Q196 629 188 632T149 637H144Q134 637 131 637T124 640T121 647Z"></path></g></g></g></g></g></svg></mjx-container>属于正确类时<mjx-container class="MathJax" jax="SVG"><svg style="vertical-align: -0.186ex;" xmlns="http://www.w3.org/2000/svg" width="3.52ex" height="1.692ex" role="img" focusable="false" viewBox="0 -666 1555.8 748"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mo"><path data-c="3D" d="M56 347Q56 360 70 367H707Q722 359 722 347Q722 336 708 328L390 327H72Q56 332 56 347ZM56 153Q56 168 72 173H708Q722 163 722 153Q722 140 707 133H70Q56 140 56 153Z"></path></g><g data-mml-node="mn" transform="translate(1055.8,0)"><path data-c="31" d="M213 578L200 573Q186 568 160 563T102 556H83V602H102Q149 604 189 617T245 641T273 663Q275 666 285 666Q294 666 302 660V361L303 61Q310 54 315 52T339 48T401 46H427V0H416Q395 3 257 3Q121 3 100 0H88V46H114Q136 46 152 46T177 47T193 50T201 52T207 57T213 61V578Z"></path></g></g></g></svg></mjx-container>，否则<mjx-container class="MathJax" jax="SVG"><svg style="vertical-align: -0.186ex;" xmlns="http://www.w3.org/2000/svg" width="3.52ex" height="1.692ex" role="img" focusable="false" viewBox="0 -666 1555.8 748"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mo"><path data-c="3D" d="M56 347Q56 360 70 367H707Q722 359 722 347Q722 336 708 328L390 327H72Q56 332 56 347ZM56 153Q56 168 72 173H708Q722 163 722 153Q722 140 707 133H70Q56 140 56 153Z"></path></g><g data-mml-node="mn" transform="translate(1055.8,0)"><path data-c="30" d="M96 585Q152 666 249 666Q297 666 345 640T423 548Q460 465 460 320Q460 165 417 83Q397 41 362 16T301 -15T250 -22Q224 -22 198 -16T137 16T82 83Q39 165 39 320Q39 494 96 585ZM321 597Q291 629 250 629Q208 629 178 597Q153 571 145 525T137 333Q137 175 145 125T181 46Q209 16 250 16Q290 16 318 46Q347 76 354 130T362 333Q362 478 354 524T321 597Z"></path></g></g></g></svg></mjx-container>。这会导致两个问题：</p> <ol> <li>它可能会导致过度拟合：如果模型学会为每个训练示例分配全部概率给真值标签，它就不能保证泛化效果</li> <li>它鼓励最大<code>logit</code>和所有其他<code>logit</code>之间的差异变大，这与有界梯度<mjx-container class="MathJax" jax="SVG"><svg style="vertical-align: -1.034ex;" xmlns="http://www.w3.org/2000/svg" width="3.367ex" height="3.07ex" role="img" focusable="false" viewBox="0 -899.6 1488.2 1356.7"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mfrac"><g data-mml-node="mrow" transform="translate(438.6,394) scale(0.707)"><g data-mml-node="TeXAtom" data-mjx-texclass="ORD"><g data-mml-node="mo"><path data-c="2202" d="M202 508Q179 508 169 520T158 547Q158 557 164 577T185 624T230 675T301 710L333 715H345Q378 715 384 714Q447 703 489 661T549 568T566 457Q566 362 519 240T402 53Q321 -22 223 -22Q123 -22 73 56Q42 102 42 148V159Q42 276 129 370T322 465Q383 465 414 434T455 367L458 378Q478 461 478 515Q478 603 437 639T344 676Q266 676 223 612Q264 606 264 572Q264 547 246 528T202 508ZM430 306Q430 372 401 400T333 428Q270 428 222 382Q197 354 183 323T150 221Q132 149 132 116Q132 21 232 21Q244 21 250 22Q327 35 374 112Q389 137 409 196T430 306Z"></path></g></g><g data-mml-node="mi" transform="translate(566,0)"><path data-c="1D459" d="M117 59Q117 26 142 26Q179 26 205 131Q211 151 215 152Q217 153 225 153H229Q238 153 241 153T246 151T248 144Q247 138 245 128T234 90T214 43T183 6T137 -11Q101 -11 70 11T38 85Q38 97 39 102L104 360Q167 615 167 623Q167 626 166 628T162 632T157 634T149 635T141 636T132 637T122 637Q112 637 109 637T101 638T95 641T94 647Q94 649 96 661Q101 680 107 682T179 688Q194 689 213 690T243 693T254 694Q266 694 266 686Q266 675 193 386T118 83Q118 81 118 75T117 65V59Z"></path></g></g><g data-mml-node="mrow" transform="translate(220,-345.6) scale(0.707)"><g data-mml-node="TeXAtom" data-mjx-texclass="ORD"><g data-mml-node="mo"><path data-c="2202" d="M202 508Q179 508 169 520T158 547Q158 557 164 577T185 624T230 675T301 710L333 715H345Q378 715 384 714Q447 703 489 661T549 568T566 457Q566 362 519 240T402 53Q321 -22 223 -22Q123 -22 73 56Q42 102 42 148V159Q42 276 129 370T322 465Q383 465 414 434T455 367L458 378Q478 461 478 515Q478 603 437 639T344 676Q266 676 223 612Q264 606 264 572Q264 547 246 528T202 508ZM430 306Q430 372 401 400T333 428Q270 428 222 382Q197 354 183 323T150 221Q132 149 132 116Q132 21 232 21Q244 21 250 22Q327 35 374 112Q389 137 409 196T430 306Z"></path></g></g><g data-mml-node="msub" transform="translate(566,0)"><g data-mml-node="mi"><path data-c="1D467" d="M347 338Q337 338 294 349T231 360Q211 360 197 356T174 346T162 335T155 324L153 320Q150 317 138 317Q117 317 117 325Q117 330 120 339Q133 378 163 406T229 440Q241 442 246 442Q271 442 291 425T329 392T367 375Q389 375 411 408T434 441Q435 442 449 442H462Q468 436 468 434Q468 430 463 420T449 399T432 377T418 358L411 349Q368 298 275 214T160 106L148 94L163 93Q185 93 227 82T290 71Q328 71 360 90T402 140Q406 149 409 151T424 153Q443 153 443 143Q443 138 442 134Q425 72 376 31T278 -11Q252 -11 232 6T193 40T155 57Q111 57 76 -3Q70 -11 59 -11H54H41Q35 -5 35 -2Q35 13 93 84Q132 129 225 214T340 322Q352 338 347 338Z"></path></g><g data-mml-node="TeXAtom" transform="translate(498,-150) scale(0.707)" data-mjx-texclass="ORD"><g data-mml-node="mi"><path data-c="1D458" d="M121 647Q121 657 125 670T137 683Q138 683 209 688T282 694Q294 694 294 686Q294 679 244 477Q194 279 194 272Q213 282 223 291Q247 309 292 354T362 415Q402 442 438 442Q468 442 485 423T503 369Q503 344 496 327T477 302T456 291T438 288Q418 288 406 299T394 328Q394 353 410 369T442 390L458 393Q446 405 434 405H430Q398 402 367 380T294 316T228 255Q230 254 243 252T267 246T293 238T320 224T342 206T359 180T365 147Q365 130 360 106T354 66Q354 26 381 26Q429 26 459 145Q461 153 479 153H483Q499 153 499 144Q499 139 496 130Q455 -11 378 -11Q333 -11 305 15T277 90Q277 108 280 121T283 145Q283 167 269 183T234 206T200 217T182 220H180Q168 178 159 139T145 81T136 44T129 20T122 7T111 -2Q98 -11 83 -11Q66 -11 57 -1T48 16Q48 26 85 176T158 471L195 616Q196 629 188 632T149 637H144Q134 637 131 637T124 640T121 647Z"></path></g></g></g></g><rect width="1248.2" height="60" x="120" y="220"></rect></g></g></g></svg></mjx-container>相结合，降低了模型的迁移能力</li> </ol> <p>标签平滑正则化的目的是防止最大逻辑变得比所有其他逻辑大得多。其实现方式：在交叉熵损失中加入一个独立于训练样本的基于标签的分布<mjx-container class="MathJax" jax="SVG"><svg style="vertical-align: -0.566ex;" xmlns="http://www.w3.org/2000/svg" width="4.233ex" height="2.262ex" role="img" focusable="false" viewBox="0 -750 1871 1000"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mi"><path data-c="1D462" d="M21 287Q21 295 30 318T55 370T99 420T158 442Q204 442 227 417T250 358Q250 340 216 246T182 105Q182 62 196 45T238 27T291 44T328 78L339 95Q341 99 377 247Q407 367 413 387T427 416Q444 431 463 431Q480 431 488 421T496 402L420 84Q419 79 419 68Q419 43 426 35T447 26Q469 29 482 57T512 145Q514 153 532 153Q551 153 551 144Q550 139 549 130T540 98T523 55T498 17T462 -8Q454 -10 438 -10Q372 -10 347 46Q345 45 336 36T318 21T296 6T267 -6T233 -11Q189 -11 155 7Q103 38 103 113Q103 170 138 262T173 379Q173 380 173 381Q173 390 173 393T169 400T158 404H154Q131 404 112 385T82 344T65 302T57 280Q55 278 41 278H27Q21 284 21 287Z"></path></g><g data-mml-node="mo" transform="translate(572,0)"><path data-c="28" d="M94 250Q94 319 104 381T127 488T164 576T202 643T244 695T277 729T302 750H315H319Q333 750 333 741Q333 738 316 720T275 667T226 581T184 443T167 250T184 58T225 -81T274 -167T316 -220T333 -241Q333 -250 318 -250H315H302L274 -226Q180 -141 137 -14T94 250Z"></path></g><g data-mml-node="mi" transform="translate(961,0)"><path data-c="1D458" d="M121 647Q121 657 125 670T137 683Q138 683 209 688T282 694Q294 694 294 686Q294 679 244 477Q194 279 194 272Q213 282 223 291Q247 309 292 354T362 415Q402 442 438 442Q468 442 485 423T503 369Q503 344 496 327T477 302T456 291T438 288Q418 288 406 299T394 328Q394 353 410 369T442 390L458 393Q446 405 434 405H430Q398 402 367 380T294 316T228 255Q230 254 243 252T267 246T293 238T320 224T342 206T359 180T365 147Q365 130 360 106T354 66Q354 26 381 26Q429 26 459 145Q461 153 479 153H483Q499 153 499 144Q499 139 496 130Q455 -11 378 -11Q333 -11 305 15T277 90Q277 108 280 121T283 145Q283 167 269 183T234 206T200 217T182 220H180Q168 178 159 139T145 81T136 44T129 20T122 7T111 -2Q98 -11 83 -11Q66 -11 57 -1T48 16Q48 26 85 176T158 471L195 616Q196 629 188 632T149 637H144Q134 637 131 637T124 640T121 647Z"></path></g><g data-mml-node="mo" transform="translate(1482,0)"><path data-c="29" d="M60 749L64 750Q69 750 74 750H86L114 726Q208 641 251 514T294 250Q294 182 284 119T261 12T224 -76T186 -143T145 -194T113 -227T90 -246Q87 -249 86 -250H74Q66 -250 63 -250T58 -247T55 -238Q56 -237 66 -225Q221 -64 221 250T66 725Q56 737 55 738Q55 746 60 749Z"></path></g></g></g></svg></mjx-container></p> <p><mjx-container class="MathJax" jax="SVG" display="true"><svg style="vertical-align: -0.728ex;" xmlns="http://www.w3.org/2000/svg" width="25.967ex" height="2.425ex" role="img" focusable="false" viewBox="0 -750 11477.4 1071.7"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mi"><path data-c="1D466" d="M21 287Q21 301 36 335T84 406T158 442Q199 442 224 419T250 355Q248 336 247 334Q247 331 231 288T198 191T182 105Q182 62 196 45T238 27Q261 27 281 38T312 61T339 94Q339 95 344 114T358 173T377 247Q415 397 419 404Q432 431 462 431Q475 431 483 424T494 412T496 403Q496 390 447 193T391 -23Q363 -106 294 -155T156 -205Q111 -205 77 -183T43 -117Q43 -95 50 -80T69 -58T89 -48T106 -45Q150 -45 150 -87Q150 -107 138 -122T115 -142T102 -147L99 -148Q101 -153 118 -160T152 -167H160Q177 -167 186 -165Q219 -156 247 -127T290 -65T313 -9T321 21L315 17Q309 13 296 6T270 -6Q250 -11 231 -11Q185 -11 150 11T104 82Q103 89 103 113Q103 170 138 262T173 379Q173 380 173 381Q173 390 173 393T169 400T158 404H154Q131 404 112 385T82 344T65 302T57 280Q55 278 41 278H27Q21 284 21 287Z"></path></g><g data-mml-node="mo" transform="translate(490,0)"><path data-c="28" d="M94 250Q94 319 104 381T127 488T164 576T202 643T244 695T277 729T302 750H315H319Q333 750 333 741Q333 738 316 720T275 667T226 581T184 443T167 250T184 58T225 -81T274 -167T316 -220T333 -241Q333 -250 318 -250H315H302L274 -226Q180 -141 137 -14T94 250Z"></path></g><g data-mml-node="mi" transform="translate(879,0)"><path data-c="1D458" d="M121 647Q121 657 125 670T137 683Q138 683 209 688T282 694Q294 694 294 686Q294 679 244 477Q194 279 194 272Q213 282 223 291Q247 309 292 354T362 415Q402 442 438 442Q468 442 485 423T503 369Q503 344 496 327T477 302T456 291T438 288Q418 288 406 299T394 328Q394 353 410 369T442 390L458 393Q446 405 434 405H430Q398 402 367 380T294 316T228 255Q230 254 243 252T267 246T293 238T320 224T342 206T359 180T365 147Q365 130 360 106T354 66Q354 26 381 26Q429 26 459 145Q461 153 479 153H483Q499 153 499 144Q499 139 496 130Q455 -11 378 -11Q333 -11 305 15T277 90Q277 108 280 121T283 145Q283 167 269 183T234 206T200 217T182 220H180Q168 178 159 139T145 81T136 44T129 20T122 7T111 -2Q98 -11 83 -11Q66 -11 57 -1T48 16Q48 26 85 176T158 471L195 616Q196 629 188 632T149 637H144Q134 637 131 637T124 640T121 647Z"></path></g><g data-mml-node="mo" transform="translate(1400,0)"><path data-c="29" d="M60 749L64 750Q69 750 74 750H86L114 726Q208 641 251 514T294 250Q294 182 284 119T261 12T224 -76T186 -143T145 -194T113 -227T90 -246Q87 -249 86 -250H74Q66 -250 63 -250T58 -247T55 -238Q56 -237 66 -225Q221 -64 221 250T66 725Q56 737 55 738Q55 746 60 749Z"></path></g><g data-mml-node="mo" transform="translate(2066.8,0)"><path data-c="3D" d="M56 347Q56 360 70 367H707Q722 359 722 347Q722 336 708 328L390 327H72Q56 332 56 347ZM56 153Q56 168 72 173H708Q722 163 722 153Q722 140 707 133H70Q56 140 56 153Z"></path></g><g data-mml-node="mo" transform="translate(3122.6,0)"><path data-c="28" d="M94 250Q94 319 104 381T127 488T164 576T202 643T244 695T277 729T302 750H315H319Q333 750 333 741Q333 738 316 720T275 667T226 581T184 443T167 250T184 58T225 -81T274 -167T316 -220T333 -241Q333 -250 318 -250H315H302L274 -226Q180 -141 137 -14T94 250Z"></path></g><g data-mml-node="mn" transform="translate(3511.6,0)"><path data-c="31" d="M213 578L200 573Q186 568 160 563T102 556H83V602H102Q149 604 189 617T245 641T273 663Q275 666 285 666Q294 666 302 660V361L303 61Q310 54 315 52T339 48T401 46H427V0H416Q395 3 257 3Q121 3 100 0H88V46H114Q136 46 152 46T177 47T193 50T201 52T207 57T213 61V578Z"></path></g><g data-mml-node="mo" transform="translate(4233.8,0)"><path data-c="2212" d="M84 237T84 250T98 270H679Q694 262 694 250T679 230H98Q84 237 84 250Z"></path></g><g data-mml-node="mi" transform="translate(5234,0)"><path data-c="1D716" d="M227 -11Q149 -11 95 41T40 174Q40 262 87 322Q121 367 173 396T287 430Q289 431 329 431H367Q382 426 382 411Q382 385 341 385H325H312Q191 385 154 277L150 265H327Q340 256 340 246Q340 228 320 219H138V217Q128 187 128 143Q128 77 160 52T231 26Q258 26 284 36T326 57T343 68Q350 68 354 58T358 39Q358 36 357 35Q354 31 337 21T289 0T227 -11Z"></path></g><g data-mml-node="mo" transform="translate(5640,0)"><path data-c="29" d="M60 749L64 750Q69 750 74 750H86L114 726Q208 641 251 514T294 250Q294 182 284 119T261 12T224 -76T186 -143T145 -194T113 -227T90 -246Q87 -249 86 -250H74Q66 -250 63 -250T58 -247T55 -238Q56 -237 66 -225Q221 -64 221 250T66 725Q56 737 55 738Q55 746 60 749Z"></path></g><g data-mml-node="msub" transform="translate(6029,0)"><g data-mml-node="mi"><path data-c="1D6FF" d="M195 609Q195 656 227 686T302 717Q319 716 351 709T407 697T433 690Q451 682 451 662Q451 644 438 628T403 612Q382 612 348 641T288 671T249 657T235 628Q235 584 334 463Q401 379 401 292Q401 169 340 80T205 -10H198Q127 -10 83 36T36 153Q36 286 151 382Q191 413 252 434Q252 435 245 449T230 481T214 521T201 566T195 609ZM112 130Q112 83 136 55T204 27Q233 27 256 51T291 111T309 178T316 232Q316 267 309 298T295 344T269 400L259 396Q215 381 183 342T137 256T118 179T112 130Z"></path></g><g data-mml-node="TeXAtom" transform="translate(477,-176.7) scale(0.707)" data-mjx-texclass="ORD"><g data-mml-node="mi"><path data-c="1D458" d="M121 647Q121 657 125 670T137 683Q138 683 209 688T282 694Q294 694 294 686Q294 679 244 477Q194 279 194 272Q213 282 223 291Q247 309 292 354T362 415Q402 442 438 442Q468 442 485 423T503 369Q503 344 496 327T477 302T456 291T438 288Q418 288 406 299T394 328Q394 353 410 369T442 390L458 393Q446 405 434 405H430Q398 402 367 380T294 316T228 255Q230 254 243 252T267 246T293 238T320 224T342 206T359 180T365 147Q365 130 360 106T354 66Q354 26 381 26Q429 26 459 145Q461 153 479 153H483Q499 153 499 144Q499 139 496 130Q455 -11 378 -11Q333 -11 305 15T277 90Q277 108 280 121T283 145Q283 167 269 183T234 206T200 217T182 220H180Q168 178 159 139T145 81T136 44T129 20T122 7T111 -2Q98 -11 83 -11Q66 -11 57 -1T48 16Q48 26 85 176T158 471L195 616Q196 629 188 632T149 637H144Q134 637 131 637T124 640T121 647Z"></path></g><g data-mml-node="mi" transform="translate(521,0)"><text data-variant="italic" transform="scale(1,-1)" font-size="884px" font-family="serif" font-style="italic">，</text></g><g data-mml-node="mi" transform="translate(1521,0)"><path data-c="1D466" d="M21 287Q21 301 36 335T84 406T158 442Q199 442 224 419T250 355Q248 336 247 334Q247 331 231 288T198 191T182 105Q182 62 196 45T238 27Q261 27 281 38T312 61T339 94Q339 95 344 114T358 173T377 247Q415 397 419 404Q432 431 462 431Q475 431 483 424T494 412T496 403Q496 390 447 193T391 -23Q363 -106 294 -155T156 -205Q111 -205 77 -183T43 -117Q43 -95 50 -80T69 -58T89 -48T106 -45Q150 -45 150 -87Q150 -107 138 -122T115 -142T102 -147L99 -148Q101 -153 118 -160T152 -167H160Q177 -167 186 -165Q219 -156 247 -127T290 -65T313 -9T321 21L315 17Q309 13 296 6T270 -6Q250 -11 231 -11Q185 -11 150 11T104 82Q103 89 103 113Q103 170 138 262T173 379Q173 380 173 381Q173 390 173 393T169 400T158 404H154Q131 404 112 385T82 344T65 302T57 280Q55 278 41 278H27Q21 284 21 287Z"></path></g></g></g><g data-mml-node="mo" transform="translate(8200.2,0)"><path data-c="2B" d="M56 237T56 250T70 270H369V420L370 570Q380 583 389 583Q402 583 409 568V270H707Q722 262 722 250T707 230H409V-68Q401 -82 391 -82H389H387Q375 -82 369 -68V230H70Q56 237 56 250Z"></path></g><g data-mml-node="mi" transform="translate(9200.4,0)"><path data-c="1D716" d="M227 -11Q149 -11 95 41T40 174Q40 262 87 322Q121 367 173 396T287 430Q289 431 329 431H367Q382 426 382 411Q382 385 341 385H325H312Q191 385 154 277L150 265H327Q340 256 340 246Q340 228 320 219H138V217Q128 187 128 143Q128 77 160 52T231 26Q258 26 284 36T326 57T343 68Q350 68 354 58T358 39Q358 36 357 35Q354 31 337 21T289 0T227 -11Z"></path></g><g data-mml-node="mi" transform="translate(9606.4,0)"><path data-c="1D462" d="M21 287Q21 295 30 318T55 370T99 420T158 442Q204 442 227 417T250 358Q250 340 216 246T182 105Q182 62 196 45T238 27T291 44T328 78L339 95Q341 99 377 247Q407 367 413 387T427 416Q444 431 463 431Q480 431 488 421T496 402L420 84Q419 79 419 68Q419 43 426 35T447 26Q469 29 482 57T512 145Q514 153 532 153Q551 153 551 144Q550 139 549 130T540 98T523 55T498 17T462 -8Q454 -10 438 -10Q372 -10 347 46Q345 45 336 36T318 21T296 6T267 -6T233 -11Q189 -11 155 7Q103 38 103 113Q103 170 138 262T173 379Q173 380 173 381Q173 390 173 393T169 400T158 404H154Q131 404 112 385T82 344T65 302T57 280Q55 278 41 278H27Q21 284 21 287Z"></path></g><g data-mml-node="mo" transform="translate(10178.4,0)"><path data-c="28" d="M94 250Q94 319 104 381T127 488T164 576T202 643T244 695T277 729T302 750H315H319Q333 750 333 741Q333 738 316 720T275 667T226 581T184 443T167 250T184 58T225 -81T274 -167T316 -220T333 -241Q333 -250 318 -250H315H302L274 -226Q180 -141 137 -14T94 250Z"></path></g><g data-mml-node="mi" transform="translate(10567.4,0)"><path data-c="1D458" d="M121 647Q121 657 125 670T137 683Q138 683 209 688T282 694Q294 694 294 686Q294 679 244 477Q194 279 194 272Q213 282 223 291Q247 309 292 354T362 415Q402 442 438 442Q468 442 485 423T503 369Q503 344 496 327T477 302T456 291T438 288Q418 288 406 299T394 328Q394 353 410 369T442 390L458 393Q446 405 434 405H430Q398 402 367 380T294 316T228 255Q230 254 243 252T267 246T293 238T320 224T342 206T359 180T365 147Q365 130 360 106T354 66Q354 26 381 26Q429 26 459 145Q461 153 479 153H483Q499 153 499 144Q499 139 496 130Q455 -11 378 -11Q333 -11 305 15T277 90Q277 108 280 121T283 145Q283 167 269 183T234 206T200 217T182 220H180Q168 178 159 139T145 81T136 44T129 20T122 7T111 -2Q98 -11 83 -11Q66 -11 57 -1T48 16Q48 26 85 176T158 471L195 616Q196 629 188 632T149 637H144Q134 637 131 637T124 640T121 647Z"></path></g><g data-mml-node="mo" transform="translate(11088.4,0)"><path data-c="29" d="M60 749L64 750Q69 750 74 750H86L114 726Q208 641 251 514T294 250Q294 182 284 119T261 12T224 -76T186 -143T145 -194T113 -227T90 -246Q87 -249 86 -250H74Q66 -250 63 -250T58 -247T55 -238Q56 -237 66 -225Q221 -64 221 250T66 725Q56 737 55 738Q55 746 60 749Z"></path></g></g></g></svg></mjx-container></p> <ul> <li><mjx-container class="MathJax" jax="SVG"><svg style="vertical-align: -0.025ex;" xmlns="http://www.w3.org/2000/svg" width="1.179ex" height="1.595ex" role="img" focusable="false" viewBox="0 -694 521 705"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mi"><path data-c="1D458" d="M121 647Q121 657 125 670T137 683Q138 683 209 688T282 694Q294 694 294 686Q294 679 244 477Q194 279 194 272Q213 282 223 291Q247 309 292 354T362 415Q402 442 438 442Q468 442 485 423T503 369Q503 344 496 327T477 302T456 291T438 288Q418 288 406 299T394 328Q394 353 410 369T442 390L458 393Q446 405 434 405H430Q398 402 367 380T294 316T228 255Q230 254 243 252T267 246T293 238T320 224T342 206T359 180T365 147Q365 130 360 106T354 66Q354 26 381 26Q429 26 459 145Q461 153 479 153H483Q499 153 499 144Q499 139 496 130Q455 -11 378 -11Q333 -11 305 15T277 90Q277 108 280 121T283 145Q283 167 269 183T234 206T200 217T182 220H180Q168 178 159 139T145 81T136 44T129 20T122 7T111 -2Q98 -11 83 -11Q66 -11 57 -1T48 16Q48 26 85 176T158 471L195 616Q196 629 188 632T149 637H144Q134 637 131 637T124 640T121 647Z"></path></g></g></g></svg></mjx-container>表示标签数</li> <li><mjx-container class="MathJax" jax="SVG"><svg style="vertical-align: -0.025ex;" xmlns="http://www.w3.org/2000/svg" width="0.919ex" height="1ex" role="img" focusable="false" viewBox="0 -431 406 442"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mi"><path data-c="1D716" d="M227 -11Q149 -11 95 41T40 174Q40 262 87 322Q121 367 173 396T287 430Q289 431 329 431H367Q382 426 382 411Q382 385 341 385H325H312Q191 385 154 277L150 265H327Q340 256 340 246Q340 228 320 219H138V217Q128 187 128 143Q128 77 160 52T231 26Q258 26 284 36T326 57T343 68Q350 68 354 58T358 39Q358 36 357 35Q354 31 337 21T289 0T227 -11Z"></path></g></g></g></svg></mjx-container>表示平滑参数</li> <li><mjx-container class="MathJax" jax="SVG"><svg style="vertical-align: -0.728ex;" xmlns="http://www.w3.org/2000/svg" width="4.409ex" height="2.35ex" role="img" focusable="false" viewBox="0 -717 1949 1038.7"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="msub"><g data-mml-node="mi"><path data-c="1D6FF" d="M195 609Q195 656 227 686T302 717Q319 716 351 709T407 697T433 690Q451 682 451 662Q451 644 438 628T403 612Q382 612 348 641T288 671T249 657T235 628Q235 584 334 463Q401 379 401 292Q401 169 340 80T205 -10H198Q127 -10 83 36T36 153Q36 286 151 382Q191 413 252 434Q252 435 245 449T230 481T214 521T201 566T195 609ZM112 130Q112 83 136 55T204 27Q233 27 256 51T291 111T309 178T316 232Q316 267 309 298T295 344T269 400L259 396Q215 381 183 342T137 256T118 179T112 130Z"></path></g><g data-mml-node="TeXAtom" transform="translate(477,-176.7) scale(0.707)" data-mjx-texclass="ORD"><g data-mml-node="mi"><path data-c="1D458" d="M121 647Q121 657 125 670T137 683Q138 683 209 688T282 694Q294 694 294 686Q294 679 244 477Q194 279 194 272Q213 282 223 291Q247 309 292 354T362 415Q402 442 438 442Q468 442 485 423T503 369Q503 344 496 327T477 302T456 291T438 288Q418 288 406 299T394 328Q394 353 410 369T442 390L458 393Q446 405 434 405H430Q398 402 367 380T294 316T228 255Q230 254 243 252T267 246T293 238T320 224T342 206T359 180T365 147Q365 130 360 106T354 66Q354 26 381 26Q429 26 459 145Q461 153 479 153H483Q499 153 499 144Q499 139 496 130Q455 -11 378 -11Q333 -11 305 15T277 90Q277 108 280 121T283 145Q283 167 269 183T234 206T200 217T182 220H180Q168 178 159 139T145 81T136 44T129 20T122 7T111 -2Q98 -11 83 -11Q66 -11 57 -1T48 16Q48 26 85 176T158 471L195 616Q196 629 188 632T149 637H144Q134 637 131 637T124 640T121 647Z"></path></g><g data-mml-node="mi" transform="translate(521,0)"><text data-variant="italic" transform="scale(1,-1)" font-size="884px" font-family="serif" font-style="italic">，</text></g><g data-mml-node="mi" transform="translate(1521,0)"><path data-c="1D466" d="M21 287Q21 301 36 335T84 406T158 442Q199 442 224 419T250 355Q248 336 247 334Q247 331 231 288T198 191T182 105Q182 62 196 45T238 27Q261 27 281 38T312 61T339 94Q339 95 344 114T358 173T377 247Q415 397 419 404Q432 431 462 431Q475 431 483 424T494 412T496 403Q496 390 447 193T391 -23Q363 -106 294 -155T156 -205Q111 -205 77 -183T43 -117Q43 -95 50 -80T69 -58T89 -48T106 -45Q150 -45 150 -87Q150 -107 138 -122T115 -142T102 -147L99 -148Q101 -153 118 -160T152 -167H160Q177 -167 186 -165Q219 -156 247 -127T290 -65T313 -9T321 21L315 17Q309 13 296 6T270 -6Q250 -11 231 -11Q185 -11 150 11T104 82Q103 89 103 113Q103 170 138 262T173 379Q173 380 173 381Q173 390 173 393T169 400T158 404H154Q131 404 112 385T82 344T65 302T57 280Q55 278 41 278H27Q21 284 21 287Z"></path></g></g></g></g></g></svg></mjx-container>表示标签为<mjx-container class="MathJax" jax="SVG"><svg style="vertical-align: -0.464ex;" xmlns="http://www.w3.org/2000/svg" width="1.109ex" height="1.464ex" role="img" focusable="false" viewBox="0 -442 490 647"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mi"><path data-c="1D466" d="M21 287Q21 301 36 335T84 406T158 442Q199 442 224 419T250 355Q248 336 247 334Q247 331 231 288T198 191T182 105Q182 62 196 45T238 27Q261 27 281 38T312 61T339 94Q339 95 344 114T358 173T377 247Q415 397 419 404Q432 431 462 431Q475 431 483 424T494 412T496 403Q496 390 447 193T391 -23Q363 -106 294 -155T156 -205Q111 -205 77 -183T43 -117Q43 -95 50 -80T69 -58T89 -48T106 -45Q150 -45 150 -87Q150 -107 138 -122T115 -142T102 -147L99 -148Q101 -153 118 -160T152 -167H160Q177 -167 186 -165Q219 -156 247 -127T290 -65T313 -9T321 21L315 17Q309 13 296 6T270 -6Q250 -11 231 -11Q185 -11 150 11T104 82Q103 89 103 113Q103 170 138 262T173 379Q173 380 173 381Q173 390 173 393T169 400T158 404H154Q131 404 112 385T82 344T65 302T57 280Q55 278 41 278H27Q21 284 21 287Z"></path></g></g></g></svg></mjx-container>的训练样本</li> </ul> <p>从实现上看，LSR鼓励神经网络选择正确的类，并且正确类和其余错误类之间的差别是一致的。这样能够鼓励梯度向正确类靠近的同时远离错误类</p> <p>在论文中将<mjx-container class="MathJax" jax="SVG"><svg style="vertical-align: -0.566ex;" xmlns="http://www.w3.org/2000/svg" width="4.233ex" height="2.262ex" role="img" focusable="false" viewBox="0 -750 1871 1000"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mi"><path data-c="1D462" d="M21 287Q21 295 30 318T55 370T99 420T158 442Q204 442 227 417T250 358Q250 340 216 246T182 105Q182 62 196 45T238 27T291 44T328 78L339 95Q341 99 377 247Q407 367 413 387T427 416Q444 431 463 431Q480 431 488 421T496 402L420 84Q419 79 419 68Q419 43 426 35T447 26Q469 29 482 57T512 145Q514 153 532 153Q551 153 551 144Q550 139 549 130T540 98T523 55T498 17T462 -8Q454 -10 438 -10Q372 -10 347 46Q345 45 336 36T318 21T296 6T267 -6T233 -11Q189 -11 155 7Q103 38 103 113Q103 170 138 262T173 379Q173 380 173 381Q173 390 173 393T169 400T158 404H154Q131 404 112 385T82 344T65 302T57 280Q55 278 41 278H27Q21 284 21 287Z"></path></g><g data-mml-node="mo" transform="translate(572,0)"><path data-c="28" d="M94 250Q94 319 104 381T127 488T164 576T202 643T244 695T277 729T302 750H315H319Q333 750 333 741Q333 738 316 720T275 667T226 581T184 443T167 250T184 58T225 -81T274 -167T316 -220T333 -241Q333 -250 318 -250H315H302L274 -226Q180 -141 137 -14T94 250Z"></path></g><g data-mml-node="mi" transform="translate(961,0)"><path data-c="1D458" d="M121 647Q121 657 125 670T137 683Q138 683 209 688T282 694Q294 694 294 686Q294 679 244 477Q194 279 194 272Q213 282 223 291Q247 309 292 354T362 415Q402 442 438 442Q468 442 485 423T503 369Q503 344 496 327T477 302T456 291T438 288Q418 288 406 299T394 328Q394 353 410 369T442 390L458 393Q446 405 434 405H430Q398 402 367 380T294 316T228 255Q230 254 243 252T267 246T293 238T320 224T342 206T359 180T365 147Q365 130 360 106T354 66Q354 26 381 26Q429 26 459 145Q461 153 479 153H483Q499 153 499 144Q499 139 496 130Q455 -11 378 -11Q333 -11 305 15T277 90Q277 108 280 121T283 145Q283 167 269 183T234 206T200 217T182 220H180Q168 178 159 139T145 81T136 44T129 20T122 7T111 -2Q98 -11 83 -11Q66 -11 57 -1T48 16Q48 26 85 176T158 471L195 616Q196 629 188 632T149 637H144Q134 637 131 637T124 640T121 647Z"></path></g><g data-mml-node="mo" transform="translate(1482,0)"><path data-c="29" d="M60 749L64 750Q69 750 74 750H86L114 726Q208 641 251 514T294 250Q294 182 284 119T261 12T224 -76T186 -143T145 -194T113 -227T90 -246Q87 -249 86 -250H74Q66 -250 63 -250T58 -247T55 -238Q56 -237 66 -225Q221 -64 221 250T66 725Q56 737 55 738Q55 746 60 749Z"></path></g></g></g></svg></mjx-container>设置为均匀分布<mjx-container class="MathJax" jax="SVG"><svg style="vertical-align: -0.566ex;" xmlns="http://www.w3.org/2000/svg" width="11.524ex" height="2.262ex" role="img" focusable="false" viewBox="0 -750 5093.6 1000"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mi"><path data-c="1D462" d="M21 287Q21 295 30 318T55 370T99 420T158 442Q204 442 227 417T250 358Q250 340 216 246T182 105Q182 62 196 45T238 27T291 44T328 78L339 95Q341 99 377 247Q407 367 413 387T427 416Q444 431 463 431Q480 431 488 421T496 402L420 84Q419 79 419 68Q419 43 426 35T447 26Q469 29 482 57T512 145Q514 153 532 153Q551 153 551 144Q550 139 549 130T540 98T523 55T498 17T462 -8Q454 -10 438 -10Q372 -10 347 46Q345 45 336 36T318 21T296 6T267 -6T233 -11Q189 -11 155 7Q103 38 103 113Q103 170 138 262T173 379Q173 380 173 381Q173 390 173 393T169 400T158 404H154Q131 404 112 385T82 344T65 302T57 280Q55 278 41 278H27Q21 284 21 287Z"></path></g><g data-mml-node="mo" transform="translate(572,0)"><path data-c="28" d="M94 250Q94 319 104 381T127 488T164 576T202 643T244 695T277 729T302 750H315H319Q333 750 333 741Q333 738 316 720T275 667T226 581T184 443T167 250T184 58T225 -81T274 -167T316 -220T333 -241Q333 -250 318 -250H315H302L274 -226Q180 -141 137 -14T94 250Z"></path></g><g data-mml-node="mi" transform="translate(961,0)"><path data-c="1D458" d="M121 647Q121 657 125 670T137 683Q138 683 209 688T282 694Q294 694 294 686Q294 679 244 477Q194 279 194 272Q213 282 223 291Q247 309 292 354T362 415Q402 442 438 442Q468 442 485 423T503 369Q503 344 496 327T477 302T456 291T438 288Q418 288 406 299T394 328Q394 353 410 369T442 390L458 393Q446 405 434 405H430Q398 402 367 380T294 316T228 255Q230 254 243 252T267 246T293 238T320 224T342 206T359 180T365 147Q365 130 360 106T354 66Q354 26 381 26Q429 26 459 145Q461 153 479 153H483Q499 153 499 144Q499 139 496 130Q455 -11 378 -11Q333 -11 305 15T277 90Q277 108 280 121T283 145Q283 167 269 183T234 206T200 217T182 220H180Q168 178 159 139T145 81T136 44T129 20T122 7T111 -2Q98 -11 83 -11Q66 -11 57 -1T48 16Q48 26 85 176T158 471L195 616Q196 629 188 632T149 637H144Q134 637 131 637T124 640T121 647Z"></path></g><g data-mml-node="mo" transform="translate(1482,0)"><path data-c="29" d="M60 749L64 750Q69 750 74 750H86L114 726Q208 641 251 514T294 250Q294 182 284 119T261 12T224 -76T186 -143T145 -194T113 -227T90 -246Q87 -249 86 -250H74Q66 -250 63 -250T58 -247T55 -238Q56 -237 66 -225Q221 -64 221 250T66 725Q56 737 55 738Q55 746 60 749Z"></path></g><g data-mml-node="mo" transform="translate(2148.8,0)"><path data-c="3D" d="M56 347Q56 360 70 367H707Q722 359 722 347Q722 336 708 328L390 327H72Q56 332 56 347ZM56 153Q56 168 72 173H708Q722 163 722 153Q722 140 707 133H70Q56 140 56 153Z"></path></g><g data-mml-node="mn" transform="translate(3204.6,0)"><path data-c="31" d="M213 578L200 573Q186 568 160 563T102 556H83V602H102Q149 604 189 617T245 641T273 663Q275 666 285 666Q294 666 302 660V361L303 61Q310 54 315 52T339 48T401 46H427V0H416Q395 3 257 3Q121 3 100 0H88V46H114Q136 46 152 46T177 47T193 50T201 52T207 57T213 61V578Z"></path></g><g data-mml-node="TeXAtom" data-mjx-texclass="ORD" transform="translate(3704.6,0)"><g data-mml-node="mo"><path data-c="2F" d="M423 750Q432 750 438 744T444 730Q444 725 271 248T92 -240Q85 -250 75 -250Q68 -250 62 -245T56 -231Q56 -221 230 257T407 740Q411 750 423 750Z"></path></g></g><g data-mml-node="mi" transform="translate(4204.6,0)"><path data-c="1D43E" d="M285 628Q285 635 228 637Q205 637 198 638T191 647Q191 649 193 661Q199 681 203 682Q205 683 214 683H219Q260 681 355 681Q389 681 418 681T463 682T483 682Q500 682 500 674Q500 669 497 660Q496 658 496 654T495 648T493 644T490 641T486 639T479 638T470 637T456 637Q416 636 405 634T387 623L306 305Q307 305 490 449T678 597Q692 611 692 620Q692 635 667 637Q651 637 651 648Q651 650 654 662T659 677Q662 682 676 682Q680 682 711 681T791 680Q814 680 839 681T869 682Q889 682 889 672Q889 650 881 642Q878 637 862 637Q787 632 726 586Q710 576 656 534T556 455L509 418L518 396Q527 374 546 329T581 244Q656 67 661 61Q663 59 666 57Q680 47 717 46H738Q744 38 744 37T741 19Q737 6 731 0H720Q680 3 625 3Q503 3 488 0H478Q472 6 472 9T474 27Q478 40 480 43T491 46H494Q544 46 544 71Q544 75 517 141T485 216L427 354L359 301L291 248L268 155Q245 63 245 58Q245 51 253 49T303 46H334Q340 37 340 35Q340 19 333 5Q328 0 317 0Q314 0 280 1T180 2Q118 2 85 2T49 1Q31 1 31 11Q31 13 34 25Q38 41 42 43T65 46Q92 46 125 49Q139 52 144 61Q147 65 216 339T285 628Z"></path></g></g></g></svg></mjx-container>，所以</p> <p><mjx-container class="MathJax" jax="SVG" display="true"><svg style="vertical-align: -1.552ex;" xmlns="http://www.w3.org/2000/svg" width="23.822ex" height="4.057ex" role="img" focusable="false" viewBox="0 -1107 10529.4 1793"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mi"><path data-c="1D466" d="M21 287Q21 301 36 335T84 406T158 442Q199 442 224 419T250 355Q248 336 247 334Q247 331 231 288T198 191T182 105Q182 62 196 45T238 27Q261 27 281 38T312 61T339 94Q339 95 344 114T358 173T377 247Q415 397 419 404Q432 431 462 431Q475 431 483 424T494 412T496 403Q496 390 447 193T391 -23Q363 -106 294 -155T156 -205Q111 -205 77 -183T43 -117Q43 -95 50 -80T69 -58T89 -48T106 -45Q150 -45 150 -87Q150 -107 138 -122T115 -142T102 -147L99 -148Q101 -153 118 -160T152 -167H160Q177 -167 186 -165Q219 -156 247 -127T290 -65T313 -9T321 21L315 17Q309 13 296 6T270 -6Q250 -11 231 -11Q185 -11 150 11T104 82Q103 89 103 113Q103 170 138 262T173 379Q173 380 173 381Q173 390 173 393T169 400T158 404H154Q131 404 112 385T82 344T65 302T57 280Q55 278 41 278H27Q21 284 21 287Z"></path></g><g data-mml-node="mo" transform="translate(490,0)"><path data-c="28" d="M94 250Q94 319 104 381T127 488T164 576T202 643T244 695T277 729T302 750H315H319Q333 750 333 741Q333 738 316 720T275 667T226 581T184 443T167 250T184 58T225 -81T274 -167T316 -220T333 -241Q333 -250 318 -250H315H302L274 -226Q180 -141 137 -14T94 250Z"></path></g><g data-mml-node="mi" transform="translate(879,0)"><path data-c="1D458" d="M121 647Q121 657 125 670T137 683Q138 683 209 688T282 694Q294 694 294 686Q294 679 244 477Q194 279 194 272Q213 282 223 291Q247 309 292 354T362 415Q402 442 438 442Q468 442 485 423T503 369Q503 344 496 327T477 302T456 291T438 288Q418 288 406 299T394 328Q394 353 410 369T442 390L458 393Q446 405 434 405H430Q398 402 367 380T294 316T228 255Q230 254 243 252T267 246T293 238T320 224T342 206T359 180T365 147Q365 130 360 106T354 66Q354 26 381 26Q429 26 459 145Q461 153 479 153H483Q499 153 499 144Q499 139 496 130Q455 -11 378 -11Q333 -11 305 15T277 90Q277 108 280 121T283 145Q283 167 269 183T234 206T200 217T182 220H180Q168 178 159 139T145 81T136 44T129 20T122 7T111 -2Q98 -11 83 -11Q66 -11 57 -1T48 16Q48 26 85 176T158 471L195 616Q196 629 188 632T149 637H144Q134 637 131 637T124 640T121 647Z"></path></g><g data-mml-node="mo" transform="translate(1400,0)"><path data-c="29" d="M60 749L64 750Q69 750 74 750H86L114 726Q208 641 251 514T294 250Q294 182 284 119T261 12T224 -76T186 -143T145 -194T113 -227T90 -246Q87 -249 86 -250H74Q66 -250 63 -250T58 -247T55 -238Q56 -237 66 -225Q221 -64 221 250T66 725Q56 737 55 738Q55 746 60 749Z"></path></g><g data-mml-node="mo" transform="translate(2066.8,0)"><path data-c="3D" d="M56 347Q56 360 70 367H707Q722 359 722 347Q722 336 708 328L390 327H72Q56 332 56 347ZM56 153Q56 168 72 173H708Q722 163 722 153Q722 140 707 133H70Q56 140 56 153Z"></path></g><g data-mml-node="mo" transform="translate(3122.6,0)"><path data-c="28" d="M94 250Q94 319 104 381T127 488T164 576T202 643T244 695T277 729T302 750H315H319Q333 750 333 741Q333 738 316 720T275 667T226 581T184 443T167 250T184 58T225 -81T274 -167T316 -220T333 -241Q333 -250 318 -250H315H302L274 -226Q180 -141 137 -14T94 250Z"></path></g><g data-mml-node="mn" transform="translate(3511.6,0)"><path data-c="31" d="M213 578L200 573Q186 568 160 563T102 556H83V602H102Q149 604 189 617T245 641T273 663Q275 666 285 666Q294 666 302 660V361L303 61Q310 54 315 52T339 48T401 46H427V0H416Q395 3 257 3Q121 3 100 0H88V46H114Q136 46 152 46T177 47T193 50T201 52T207 57T213 61V578Z"></path></g><g data-mml-node="mo" transform="translate(4233.8,0)"><path data-c="2212" d="M84 237T84 250T98 270H679Q694 262 694 250T679 230H98Q84 237 84 250Z"></path></g><g data-mml-node="mi" transform="translate(5234,0)"><path data-c="1D716" d="M227 -11Q149 -11 95 41T40 174Q40 262 87 322Q121 367 173 396T287 430Q289 431 329 431H367Q382 426 382 411Q382 385 341 385H325H312Q191 385 154 277L150 265H327Q340 256 340 246Q340 228 320 219H138V217Q128 187 128 143Q128 77 160 52T231 26Q258 26 284 36T326 57T343 68Q350 68 354 58T358 39Q358 36 357 35Q354 31 337 21T289 0T227 -11Z"></path></g><g data-mml-node="mo" transform="translate(5640,0)"><path data-c="29" d="M60 749L64 750Q69 750 74 750H86L114 726Q208 641 251 514T294 250Q294 182 284 119T261 12T224 -76T186 -143T145 -194T113 -227T90 -246Q87 -249 86 -250H74Q66 -250 63 -250T58 -247T55 -238Q56 -237 66 -225Q221 -64 221 250T66 725Q56 737 55 738Q55 746 60 749Z"></path></g><g data-mml-node="msub" transform="translate(6029,0)"><g data-mml-node="mi"><path data-c="1D6FF" d="M195 609Q195 656 227 686T302 717Q319 716 351 709T407 697T433 690Q451 682 451 662Q451 644 438 628T403 612Q382 612 348 641T288 671T249 657T235 628Q235 584 334 463Q401 379 401 292Q401 169 340 80T205 -10H198Q127 -10 83 36T36 153Q36 286 151 382Q191 413 252 434Q252 435 245 449T230 481T214 521T201 566T195 609ZM112 130Q112 83 136 55T204 27Q233 27 256 51T291 111T309 178T316 232Q316 267 309 298T295 344T269 400L259 396Q215 381 183 342T137 256T118 179T112 130Z"></path></g><g data-mml-node="TeXAtom" transform="translate(477,-176.7) scale(0.707)" data-mjx-texclass="ORD"><g data-mml-node="mi"><path data-c="1D458" d="M121 647Q121 657 125 670T137 683Q138 683 209 688T282 694Q294 694 294 686Q294 679 244 477Q194 279 194 272Q213 282 223 291Q247 309 292 354T362 415Q402 442 438 442Q468 442 485 423T503 369Q503 344 496 327T477 302T456 291T438 288Q418 288 406 299T394 328Q394 353 410 369T442 390L458 393Q446 405 434 405H430Q398 402 367 380T294 316T228 255Q230 254 243 252T267 246T293 238T320 224T342 206T359 180T365 147Q365 130 360 106T354 66Q354 26 381 26Q429 26 459 145Q461 153 479 153H483Q499 153 499 144Q499 139 496 130Q455 -11 378 -11Q333 -11 305 15T277 90Q277 108 280 121T283 145Q283 167 269 183T234 206T200 217T182 220H180Q168 178 159 139T145 81T136 44T129 20T122 7T111 -2Q98 -11 83 -11Q66 -11 57 -1T48 16Q48 26 85 176T158 471L195 616Q196 629 188 632T149 637H144Q134 637 131 637T124 640T121 647Z"></path></g><g data-mml-node="mi" transform="translate(521,0)"><text data-variant="italic" transform="scale(1,-1)" font-size="884px" font-family="serif" font-style="italic">，</text></g><g data-mml-node="mi" transform="translate(1521,0)"><path data-c="1D466" d="M21 287Q21 301 36 335T84 406T158 442Q199 442 224 419T250 355Q248 336 247 334Q247 331 231 288T198 191T182 105Q182 62 196 45T238 27Q261 27 281 38T312 61T339 94Q339 95 344 114T358 173T377 247Q415 397 419 404Q432 431 462 431Q475 431 483 424T494 412T496 403Q496 390 447 193T391 -23Q363 -106 294 -155T156 -205Q111 -205 77 -183T43 -117Q43 -95 50 -80T69 -58T89 -48T106 -45Q150 -45 150 -87Q150 -107 138 -122T115 -142T102 -147L99 -148Q101 -153 118 -160T152 -167H160Q177 -167 186 -165Q219 -156 247 -127T290 -65T313 -9T321 21L315 17Q309 13 296 6T270 -6Q250 -11 231 -11Q185 -11 150 11T104 82Q103 89 103 113Q103 170 138 262T173 379Q173 380 173 381Q173 390 173 393T169 400T158 404H154Q131 404 112 385T82 344T65 302T57 280Q55 278 41 278H27Q21 284 21 287Z"></path></g></g></g><g data-mml-node="mo" transform="translate(8200.2,0)"><path data-c="2B" d="M56 237T56 250T70 270H369V420L370 570Q380 583 389 583Q402 583 409 568V270H707Q722 262 722 250T707 230H409V-68Q401 -82 391 -82H389H387Q375 -82 369 -68V230H70Q56 237 56 250Z"></path></g><g data-mml-node="mfrac" transform="translate(9200.4,0)"><g data-mml-node="mi" transform="translate(461.5,676)"><path data-c="1D716" d="M227 -11Q149 -11 95 41T40 174Q40 262 87 322Q121 367 173 396T287 430Q289 431 329 431H367Q382 426 382 411Q382 385 341 385H325H312Q191 385 154 277L150 265H327Q340 256 340 246Q340 228 320 219H138V217Q128 187 128 143Q128 77 160 52T231 26Q258 26 284 36T326 57T343 68Q350 68 354 58T358 39Q358 36 357 35Q354 31 337 21T289 0T227 -11Z"></path></g><g data-mml-node="mi" transform="translate(220,-686)"><path data-c="1D43E" d="M285 628Q285 635 228 637Q205 637 198 638T191 647Q191 649 193 661Q199 681 203 682Q205 683 214 683H219Q260 681 355 681Q389 681 418 681T463 682T483 682Q500 682 500 674Q500 669 497 660Q496 658 496 654T495 648T493 644T490 641T486 639T479 638T470 637T456 637Q416 636 405 634T387 623L306 305Q307 305 490 449T678 597Q692 611 692 620Q692 635 667 637Q651 637 651 648Q651 650 654 662T659 677Q662 682 676 682Q680 682 711 681T791 680Q814 680 839 681T869 682Q889 682 889 672Q889 650 881 642Q878 637 862 637Q787 632 726 586Q710 576 656 534T556 455L509 418L518 396Q527 374 546 329T581 244Q656 67 661 61Q663 59 666 57Q680 47 717 46H738Q744 38 744 37T741 19Q737 6 731 0H720Q680 3 625 3Q503 3 488 0H478Q472 6 472 9T474 27Q478 40 480 43T491 46H494Q544 46 544 71Q544 75 517 141T485 216L427 354L359 301L291 248L268 155Q245 63 245 58Q245 51 253 49T303 46H334Q340 37 340 35Q340 19 333 5Q328 0 317 0Q314 0 280 1T180 2Q118 2 85 2T49 1Q31 1 31 11Q31 13 34 25Q38 41 42 43T65 46Q92 46 125 49Q139 52 144 61Q147 65 216 339T285 628Z"></path></g><rect width="1089" height="60" x="120" y="220"></rect></g></g></g></svg></mjx-container></p> <p><mjx-container class="MathJax" jax="SVG"><svg style="vertical-align: -0.452ex;" xmlns="http://www.w3.org/2000/svg" width="12.86ex" height="2.149ex" role="img" focusable="false" viewBox="0 -750 5684 950"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mi"><path data-c="1D716" d="M227 -11Q149 -11 95 41T40 174Q40 262 87 322Q121 367 173 396T287 430Q289 431 329 431H367Q382 426 382 411Q382 385 341 385H325H312Q191 385 154 277L150 265H327Q340 256 340 246Q340 228 320 219H138V217Q128 187 128 143Q128 77 160 52T231 26Q258 26 284 36T326 57T343 68Q350 68 354 58T358 39Q358 36 357 35Q354 31 337 21T289 0T227 -11Z"></path></g><g data-mml-node="mi" transform="translate(406,0)"><text data-variant="normal" transform="scale(1,-1)" font-size="884px" font-family="serif">可</text></g><g data-mml-node="mi" transform="translate(1406,0)"><text data-variant="normal" transform="scale(1,-1)" font-size="884px" font-family="serif">设</text></g><g data-mml-node="mi" transform="translate(2406,0)"><text data-variant="normal" transform="scale(1,-1)" font-size="884px" font-family="serif">置</text></g><g data-mml-node="mi" transform="translate(3406,0)"><text data-variant="normal" transform="scale(1,-1)" font-size="884px" font-family="serif">为</text></g><g data-mml-node="mn" transform="translate(4406,0)"><path data-c="30" d="M96 585Q152 666 249 666Q297 666 345 640T423 548Q460 465 460 320Q460 165 417 83Q397 41 362 16T301 -15T250 -22Q224 -22 198 -16T137 16T82 83Q39 165 39 320Q39 494 96 585ZM321 597Q291 629 250 629Q208 629 178 597Q153 571 145 525T137 333Q137 175 145 125T181 46Q209 16 250 16Q290 16 318 46Q347 76 354 130T362 333Q362 478 354 524T321 597Z"></path><path data-c="2E" d="M78 60Q78 84 95 102T138 120Q162 120 180 104T199 61Q199 36 182 18T139 0T96 17T78 60Z" transform="translate(500,0)"></path><path data-c="31" d="M213 578L200 573Q186 568 160 563T102 556H83V602H102Q149 604 189 617T245 641T273 663Q275 666 285 666Q294 666 302 660V361L303 61Q310 54 315 52T339 48T401 46H427V0H416Q395 3 257 3Q121 3 100 0H88V46H114Q136 46 152 46T177 47T193 50T201 52T207 57T213 61V578Z" transform="translate(778,0)"></path></g></g></g></svg></mjx-container></p>

https://zjykzj.cn/posts/d813343e.html 2020-04-28T07:26:24.000Z 2026-03-02T14:17:13.952Z

<p>小结模型可视化工具和库</p>

https://zjykzj.cn/posts/4129fe4c.html 2020-04-27T02:11:25.000Z 2026-03-02T14:17:13.931Z

<p>原文地址：<a href="https://arxiv.org/abs/1608.06993">Densely Connected Convolutional Networks</a></p>

https://zjykzj.cn/posts/a2419158.html 2020-04-24T06:43:06.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/1602.07360">SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and &lt;0.5MB model size</a></p>

https://zjykzj.cn/posts/d817618d.html 2020-04-20T13:14:25.000Z 2026-03-02T14:17:13.922Z

<p>对于目标检测算法而言，<code>mAP(mean average precision)</code>是最常用的评价指标了。关于如何计算<code>mAP</code>，不同的数据集提供了不同的实现方式，其中最常用的就是<code>PASCAL VOC</code>数据集的<code>mAP</code>计算，网上有很多相关的资料，看了很多还是感觉不理解，所以打算好好记录一下</p> <p>相关实现：<a href="https://github.com/zjykzj/vocdev/blob/master/README.zh-CN.md">zjykzj/vocdev</a></p>

https://zjykzj.cn/posts/256e06fe.html 2020-04-16T01:38:58.000Z 2026-03-02T14:17:13.948Z

<p>原文地址：<a href="https://arxiv.org/abs/1506.02640">You Only Look Once: Unified, Real-Time Object Detection</a></p> <p>复现地址：<a href="https://github.com/zjykzj/YOLOv1/blob/master/README.zh-CN.md">zjykzj/YOLOv1</a></p>

https://zjykzj.cn/posts/9a5e8e83.html 2020-04-13T05:47:38.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/1603.05027">Identity Mappings in Deep Residual Networks</a></p>

https://zjykzj.cn/posts/98041833.html 2020-04-13T02:36:40.000Z 2026-03-02T14:17:13.935Z

<p>论文<a href="https://arxiv.org/abs/1512.03385">Deep Residual Learning for Image Recognition</a>实现了一种新的网络结构 - 残差学习框架。通过堆叠残差单元，能够实现非常深的网络模型</p> <p>下面使用<code>PyTorch</code>实现<code>ResNet -18/34/50/101/152</code></p>

https://zjykzj.cn/posts/33b792ff.html 2020-04-12T08:53:34.000Z 2026-03-02T14:17:13.931Z

<p>参考：<a href="https://blog.zhujian.life/posts/bc2d8337.html">Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning</a>，解析<code>Inception-ResNet-v2</code>架构</p>

https://zjykzj.cn/posts/aabec345.html 2020-04-12T07:32:07.000Z 2026-03-02T14:17:13.931Z

<p>参考：<a href="https://blog.zhujian.life/posts/bc2d8337.html">Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning</a>，解析<code>Inception-ResNet-v1</code>架构</p>

https://zjykzj.cn/posts/a1c6674f.html 2020-04-12T02:02:52.000Z 2026-03-02T14:17:13.931Z

<p>参考：<a href="https://blog.zhujian.life/posts/bc2d8337.html">Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning</a>，解析<code>Inception-v4</code>架构</p>

https://zjykzj.cn/posts/bc2d8337.html 2020-04-11T11:46:47.000Z 2026-03-02T14:17:13.931Z

<p>原文地址：<a href="https://arxiv.org/abs/1602.07261">Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning</a></p> <p>论文基于<code>Inception</code>结构和残差连接实现了<code>3</code>个网络：</p> <ol> <li><code>Inception-v4</code></li> <li><code>Inception-ResNet-v1</code></li> <li><code>Inception-ResNet-v2</code></li> </ol> <p>通过实验证明了残差连接能够很好的改善训练速度，同时证明了非残差的<code>Inception</code>网络同样能够实现最好的分类精度</p>

https://zjykzj.cn/posts/bae1ada1.html 2020-04-10T10:35:43.000Z 2026-03-02T14:17:13.931Z

<p>原文地址：<a href="https://arxiv.org/abs/1512.03385">Deep Residual Learning for Image Recognition</a></p>

https://zjykzj.cn/posts/4bc9fe45.html 2020-04-10T07:00:50.000Z 2026-03-02T14:17:13.922Z

<p>在目标检测和目标识别任务中，常用以下几种评价标准：</p> <ol> <li>参数数目</li> <li><code>FLOPs</code></li> <li><code>FPS</code></li> <li><code>Accuracy/Error Rate</code></li> <li><code>mAP</code></li> </ol> <p>结合<code>PyTorch</code>完成了相关评价标准的实现：<a href="https://github.com/zjZSTU/Evaluation-Metrics">zjZSTU/Evaluation-Metrics</a></p> <p>相关实现文档：<a href="https://evaluation-metrics.readthedocs.io/zh_CN/latest/?badge=latest">Evaluation-Metrics</a></p>

https://zjykzj.cn/posts/68d74ed2.html 2020-04-10T05:53:26.000Z 2026-03-02T14:17:13.931Z

<p>论文<a href="https://arxiv.org/abs/1512.00567">Rethinking the Inception Architecture for Computer Vision</a>对<a href="https://blog.zhujian.life/posts/9923f3ed.html">GoogLeNet</a>和<a href="https://blog.zhujian.life/posts/f74671e9.html">GoogleNet_BN</a>的实现做了进一步的解释，同时提出了新的<code>Inception</code>模块和损失函数<code>LSR(label-smoothing regularizer)</code></p> <p>上一篇实现了<code>Inception_v2</code>架构，经过测试发现其损失收敛速度确实高于之前的<code>GoogLeNet_BN</code>。本文在此基础上实现<code>Inception_v3</code>架构</p> <p>论文翻译地址：<a href="https://blog.zhujian.life/posts/a0a2be91.html">[译]Rethinking the Inception Architecture for Computer Vision</a></p> <p><code>Inception_v2</code>实现：<a href="https://blog.zhujian.life/posts/1fd07e44.html">[GoogLeNet]Inception_v2</a></p> <p><strong>发现一个在线可视化工具：<a href="http://dgschwend.github.io/netscope/quickstart.html">Netscope CNN Analyzer</a>，里面提供了<code>Inception v3</code>的可视化及详细参数：<a href="http://dgschwend.github.io/netscope/#/preset/inceptionv3">Inception v3</a></strong></p>

https://zjykzj.cn/posts/1fd07e44.html 2020-04-09T12:00:26.000Z 2026-03-02T14:17:13.931Z

<p>论文<a href="https://arxiv.org/abs/1512.00567">Rethinking the Inception Architecture for Computer Vision</a>对<a href="https://blog.zhujian.life/posts/9923f3ed.html">GoogLeNet</a>和<a href="https://blog.zhujian.life/posts/f74671e9.html">GoogleNet_BN</a>的实现做了进一步的解释，同时提出了新的<code>Inception</code>模块和损失函数<code>LSR(label-smoothing regularizer)</code>，本文实现其中的<code>Inception_v2</code>架构</p> <p>论文翻译地址：<a href="https://blog.zhujian.life/posts/a0a2be91.html">[译]Rethinking the Inception Architecture for Computer Vision</a></p>

https://zjykzj.cn/posts/a0a2be91.html 2020-04-08T06:46:27.000Z 2026-03-02T14:17:13.935Z

<p>原文地址：<a href="https://arxiv.org/abs/1512.00567">Rethinking the Inception Architecture for Computer Vision</a></p>

https://zjykzj.cn/posts/f74671e9.html 2020-04-08T01:36:33.000Z 2026-03-02T14:17:13.931Z

<p>论文<a href="https://arxiv.org/abs/1502.03167">Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift</a>将批量归一化方法作用于卷积神经网络，通过校正每层输入数据的数据分布，从而达到更快的训练目的。在文章最后，添加批量归一化层到<code>GoogLeNet</code>网络，得到了更好的检测效果</p> <p><img src="/imgs/object_classification/googlenet-bn/figure-2-3.png"></p>

https://zjykzj.cn/posts/9923f3ed.html 2020-04-07T07:33:09.000Z 2026-03-02T14:17:13.931Z

<p>学习了论文<code>Going deeper with convolutions</code>，尝试进一步推导其模型，并使用<code>PyTorch</code>实现该网络</p>

https://zjykzj.cn/posts/602de03b.html 2020-04-07T05:27:15.000Z 2026-03-02T14:17:13.922Z

<p>学习论文<a href="https://arxiv.org/abs/1502.03167">Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift</a>，里面提出了批量归一化（<code>Batch Normalization</code>，简称<code>BN</code>）方法，一方面能够大幅提高训练速度，另一方面也能够实现更好的模型精度</p>

https://zjykzj.cn/posts/db93f7d2.html 2020-04-06T11:49:09.000Z 2026-03-02T14:17:13.922Z

<p>综合<code>PASCAL VOC 2007</code>和<code>2012</code>数据集，进行分类/检测任务。分两步完成：</p> <ol> <li>下载<code>07 trainval、07 test、12 trainval</code>数据集，解析出分类/检测需要的数据</li> <li>根据具体任务（分类或者检测）从中提取数据</li> </ol> <p>相关实现：<a href="https://github.com/zjykzj/vocdev/blob/master/README.zh-CN.md">zjykzj/vocdev</a></p>

https://zjykzj.cn/posts/d3cd45d1.html 2020-04-06T08:08:39.000Z 2026-03-02T14:17:13.922Z

<p>相比于之前的挑战赛，<a href="http://host.robots.ox.ac.uk/pascal/VOC/voc2012/index.html">PASCAL VOC 2012</a>增加了更多的训练和测试图像，同时，这也是最后一届挑战赛。其关于<code>PASCAL VOC</code>以及之前挑战赛的内容参考：</p> <ul> <li><a href="https://blog.zhujian.life/posts/28b6703d.html">[数据集]PASCAL-VOC</a></li> <li><a href="https://blog.zhujian.life/posts/5a56cd45.html">[数据集]PASCAL VOC 2007</a></li> </ul> <p>相关实现：<a href="https://github.com/zjykzj/vocdev/blob/master/README.zh-CN.md">zjykzj/vocdev</a></p>

https://zjykzj.cn/posts/18b9afc4.html 2020-04-06T04:37:43.000Z 2026-03-02T14:17:13.931Z

<p>文章<a href="https://arxiv.org/abs/1409.4842">Going deeper with convolutions</a>提出了一种新的卷积架构 - <code>Inception</code>，基于此实现的<code>CNN</code>架构<code>GoogLeNet</code>能够得到更好的分类和检测效果</p>

https://zjykzj.cn/posts/caf02cb8.html 2020-04-04T11:28:41.000Z 2026-03-02T14:17:13.922Z

<p>文章<a href="https://arxiv.org/abs/1406.4729">Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition</a>提出空间金字塔池化（<code>spatial pyramid pooling</code>）的概念，避免了固定大小的图像输入，能够有效提高子窗口的识别精度；同时通过共用特征图的方式，极大的提高了检测速度</p>

https://zjykzj.cn/posts/dd3aa53a.html 2020-04-04T07:22:23.000Z 2026-03-02T14:17:13.922Z

<p>在<code>R-CNN</code>算法中，使用<code>SVM</code>分类器对候选建议进行分类后，使用对应类别的边界框回归器（<code>bounding-box regression</code>）预测其坐标偏移值，这一操作能够进一步提高检测精度</p>

https://zjykzj.cn/posts/ec8d5ed1.html 2020-04-02T10:58:50.000Z 2026-03-02T14:17:13.922Z

<h2 id="什么是感受野"><a href="#什么是感受野" class="headerlink" title="什么是感受野?"></a>什么是感受野?</h2><blockquote> <p>The receptive field is defined as the region in the input space that a particular CNN’s feature is looking at (i.e. be affected by). —— Dang Ha The Hien<br>在卷积神经网络中，感受野的定义是卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小。 ——博客园<br>在机器视觉领域的深度神经网络中有一个概念叫做感受野，用来表示网络内部的不同位置的神经元对原图像的感受范围的大小。 ——蓝荣祎</p> </blockquote> <p>卷积层滤波器的神经元和前一层输出数据体的局部神经元一一连接，其空间尺寸称为感受野（<code>receptive field</code>）大小</p> <ul> <li>局部感受野大小：针对上一层输出数据体的空间尺寸</li> <li>理论感受野大小：针对原始输入图像的局部空间尺寸</li> </ul>

https://zjykzj.cn/posts/2f1a2a1c.html 2020-03-31T05:34:24.000Z 2026-03-02T14:17:13.944Z

<p>刚开始学习神经网络的时候就接触到了过拟合和欠拟合的概念，包括各种提高模型泛化能力的方法。随着学习内容的增多，反而往往会忽视掉最初的理论</p> <p>最近在训练目标检测算法时发现模型在训练集上能够得到很好的提高，但是在验证集上没有进步，这就是欠拟合的表现。小结一下关于过拟合与欠拟合的内容</p>

https://zjykzj.cn/posts/f1cc5084.html 2020-03-29T13:37:30.000Z 2026-03-02T14:17:13.948Z

<p><code>3</code>月份实现了<code>R-CNN</code>算法，完成了博客网站的迁移，同时学习了<code>SPP-net</code>以及<code>Fast R-CNN</code>，完成了部分<code>SPP-net</code>算法。相对于月初设定的目标，发现还可以进一步的提高，同时对于关键结果还需要进一步的完善</p>

https://zjykzj.cn/posts/480bd989.html 2020-03-29T06:59:21.000Z 2026-03-02T14:17:13.922Z

<p>文章<a href="https://arxiv.org/abs/1406.4729">Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition</a>提出空间金字塔池化（<code>spatial pyramid pooling</code>）的概念，通过分离卷积层和全连接层架构，避免了固定大小的图像输入，能够有效提高子窗口的识别精度</p>

https://zjykzj.cn/posts/d2cd3d94.html 2020-03-26T13:15:40.000Z 2026-03-02T14:17:13.935Z

<p><code>ZFNet</code>对<code>AlexNet</code>进行了调整，使用更小的滤波器取得更大的特征提取能力。使用<code>PyTorch</code>进行测试</p>

https://zjykzj.cn/posts/b35c89e1.html 2020-03-25T04:37:37.000Z 2026-03-02T14:17:13.922Z

<p>原文地址：<a href="https://arxiv.org/abs/1504.08083">Fast R-CNN</a></p> <p>Fast R-CNN在R-CNN的基础上进一步发展，充分利用卷积神经网络进行目标检测和分类</p>

https://zjykzj.cn/posts/5beb21d0.html 2020-03-24T10:58:59.000Z 2026-03-02T14:17:13.922Z

<p><code>R-CNN</code>是早期最先在目标检测领域中使用卷积神经网络的模型之一，实现了很好的检测效果</p> <p>原文：<a href="https://arxiv.org/abs/1311.2524">Rich feature hierarchies for accurate object detection and semantic segmentation</a></p> <p>译文：<a href="https://blog.zhujian.life/posts/69fce0f5.html">[译]Rich feature hierarchies for accurate object detection and semantic segmentation</a></p>

https://zjykzj.cn/posts/7b326d08.html 2020-03-24T07:49:53.000Z 2026-03-02T14:17:13.922Z

<p>在目标检测中，非最大值抑制（<code>Non-Maximum Suppression, NMS</code>）能够有效去除冗余的候选边界框</p>

https://zjykzj.cn/posts/f6b1346b.html 2020-03-20T13:10:05.000Z 2026-03-02T14:17:13.922Z

<p><code>softmax</code>是常用的分类器之一，其一大特点就是输出每个类别的分类概率。之前已经学习和使用过<code>softmax</code>，在这里小结计算概率实现</p>

https://zjykzj.cn/posts/bc29003.html 2020-03-19T13:12:08.000Z 2026-03-02T14:17:13.922Z

<p>在<code>R-CNN</code>中使用<code>Hard Negative Mining</code>（负样本挖掘）方法进行分类器的训练</p>

https://zjykzj.cn/posts/8bc9b2b7.html 2020-03-17T06:34:25.000Z 2026-03-02T14:17:13.952Z

<p>使用<code>Linux</code>系统已经很久了，在笔记本上也安装了<code>Ubuntu 18.04</code>，对于系统根目录上的各个文件夹的功能还没有很了解</p> <ul> <li>关于<code>Ubuntu</code>文件系统目录树，参考<a href="https://help.ubuntu.com/community/LinuxFilesystemTreeOverview">LinuxFilesystemTreeOverview</a>和<a href="https://help.ubuntu.com/lts/installation-guide/armhf/apcs02.html">C.2. The Directory Tree</a></li> <li>对于<code>Linux</code>的文件系统层次标准（<code>Filesystem Hierarchy Standard, FHS</code>），参考<a href="https://en.wikipedia.org/wiki/Filesystem_Hierarchy_Standard">Filesystem Hierarchy Standard</a>和<a href="https://www.tldp.org/LDP/Linux-Filesystem-Hierarchy/html/the-root-directory.html">Chapter 1. Linux Filesystem Hierarchy</a></li> </ul>

https://zjykzj.cn/posts/d959b685.html 2020-03-13T11:44:50.000Z 2026-03-02T14:17:13.922Z

<p>前几天腾讯云的客服打电话过来，告知网站内容不符合个人备案的要求，不能出现外部链接，给了一周的整改时间。个人不太想修改之前的内容，所以购买了阿里云的香港服务器，重新部署网站，小结网站迁移的过程</p>

https://zjykzj.cn/posts/4.06e+125.html 2020-03-10T08:21:33.000Z 2026-03-02T14:17:13.922Z

<p>上个星期腾讯云客服打电话过来说我的博客网站存在外部链接的问题，不符合个人备案要求，给了一周的整改时间。没办法，只能赶紧的找解决方案，花了不少功夫，终于解决了这个问题，也了解了备案和域名/解析/服务器之间的联系</p>

https://zjykzj.cn/posts/bf0708ea.html 2020-03-10T06:57:58.000Z 2026-03-02T14:17:13.939Z

<p><code>Jenkins</code>推荐使用<code>Pipeline</code>的方式进行工程构建，对于如何编写脚本，有<code>3</code>种方式可以参考</p> <ol> <li>在线文档</li> <li>流水线语法</li> <li>插件参考</li> </ol> <p>下面的参考都是关于声明式流水线（<code>Declarative Pipeline</code>）的学习和使用</p>

https://zjykzj.cn/posts/5d3090aa.html 2020-03-10T05:24:22.000Z 2026-03-02T14:17:13.939Z

<p>在<code>Jenkins</code>官网教程<a href="https://jenkins.io/zh/doc/book/installing/#%E5%9C%A8docker%E4%B8%AD%E4%B8%8B%E8%BD%BD%E5%B9%B6%E8%BF%90%E8%A1%8Cjenkins">在Docker中下载并运行Jenkins</a>中推荐使用<code>jenkinsci/blueocean</code>，运行后发现其对于<code>NodeJS</code>的支持并不完善</p>

https://zjykzj.cn/posts/346b6e0a.html 2020-03-01T12:47:50.000Z 2026-03-02T14:17:13.948Z

<p>上周进行了<code>JetBrain</code>全家桶学生认证，学习了迁移学习实现，以及<code>R-CNN</code>模型的微调数据集创建和模型训练。本月继续完成上个月未结束的<code>R-CNN</code>实现以及<code>Fast R-CNN</code>实现</p>

https://zjykzj.cn/posts/4d25cbab.html 2020-03-01T06:31:21.000Z 2026-03-02T14:17:13.944Z

<p>之前使用<code>Numpy</code>实现了线性<code>SVM</code>分类器 - <a href="https://blog.zhujian.life/posts/ebe205e.html">线性SVM分类器</a>。这一次使用<code>PyTorch</code>实现</p>

https://zjykzj.cn/posts/c7511b44.html 2020-02-28T06:30:55.000Z 2026-03-02T14:17:13.926Z

<p>实际训练中很少有网络能够拥有足够大的数据集进行训练，所以迁移学习是实际卷积网络训练过程中非常重要的步骤</p>

https://zjykzj.cn/posts/c8566254.html 2020-02-26T11:53:35.000Z 2026-03-02T14:17:13.926Z

<blockquote> <p>In this tutorial, you will learn how to train a convolutional neural network for image classification using transfer learning. You can read more about the transfer learning at cs231n notes</p> </blockquote> <p>在本教程中，您将学习如何使用迁移学习来训练用于图像分类的卷积神经网络。您可以在<a href="https://cs231n.github.io/transfer-learning/">cs231n notes</a>上阅读更多关于迁移学习的信息</p>

https://zjykzj.cn/posts/6c61a203.html 2020-02-26T11:33:40.000Z 2026-03-02T14:17:13.922Z

<p>数据集<a href="https://www.cis.upenn.edu/~jshi/ped_html/">Penn-Fudan</a>可用于行人检测和分割任务</p>

https://zjykzj.cn/posts/1a1c504e.html 2020-02-26T02:17:57.000Z 2026-03-02T14:17:13.926Z

<p>本文是PyTorch中关于微调CNN的一篇教程，里面利用预训练的Mask R-CNN模型，在PennFudan数据集上进行微调实现</p> <p>原文地址：<a href="https://pytorch.org/tutorials/intermediate/torchvision_tutorial.html">TorchVision Object Detection Finetuning Tutorial</a></p> <p>本文章涉及脚本位于仓库<a href="https://github.com/pytorch/vision">pytorch/vision</a></p>

https://zjykzj.cn/posts/b738146b.html 2020-02-22T02:15:34.000Z 2026-03-02T14:17:13.931Z

<p>最开始学习编程的时候接触的是<code>C</code>语言，之后自然的过渡到<code>C++</code>语言，所以很长时间内会使用<code>C</code>语言风格编写<code>C++</code>代码（<em>用的还挺顺</em>）。后来随着学习的深入，逐渐发现更应该用面向对象的思想来学习和使用<code>C++</code></p> <p>编译<code>OpenCV 4.0</code>时发现其<code>C++</code>代码已全面符合<code>C++ 11</code>规范，忽然发现之前学习的<code>C++</code>已经过了多个版本，经过查询后发现从<code>C++ 11</code>开始，<code>C++</code>语言完成了极大的转变，提供了足够多的数据结构和算法来替代<code>C</code>语言风格的编写</p> <p>经过一段时间的<code>C++ 11</code>规范的学习和实践，小结常用的语法以及新增的规范：</p>

https://zjykzj.cn/posts/32ab76c9.html 2020-02-21T12:32:17.000Z 2026-03-02T14:17:13.952Z

<p>之前使用过<code>GifCam</code>进行录屏，操作效果一般，后来重装系统就没有再安装。最近偶然机会下发现一个好用的录屏工具 - <a href="https://github.com/phw/peek">peek</a>，界面简洁同时操作简单</p>

https://zjykzj.cn/posts/58ff6dae.html 2020-02-21T03:19:55.000Z 2026-03-02T14:17:13.957Z

<p>研究了好久的选择性搜索算法，终于把它搞定!!!</p>

https://zjykzj.cn/posts/921c65be.html 2020-02-01T11:50:33.000Z 2026-03-02T14:17:13.948Z

<p>经过上个月的<code>OKR</code>实践，发现并没有合理的设置关键任务，并且没有考虑到实际学习时间（比如一月份的春节），所以<code>2</code>月份的<code>OKR</code>应该在一月份的<code>OKR</code>实践的基础上，继续之前未完成的事情，有效的设置关键任务</p>

https://zjykzj.cn/posts/5bfa4e56.html 2020-01-18T12:30:40.000Z 2026-03-02T14:17:13.922Z

<p>学习边框回归的概念时，发现一篇自定义检测器的文章</p> <ul> <li>原文：<a href="https://towardsdatascience.com/getting-started-with-bounding-box-regression-in-tensorflow-743e22d0ccb3">Getting Started With Bounding Box Regression In TensorFlow</a></li> <li>中文：<a href="http://blog.hubwiz.com/2019/09/16/bounding-box-regression/">目标检测之边框回归入门【Tensorflow】</a></li> </ul> <p>虽然题目写的是边框回归，但是里面没有讲解相关的概念，而是自定义了一个边框检测器，实现原理比较简单。看完之后感觉挺有趣的，之前也没有自己实现过检测器，原文使用<code>TensorFlow</code>实现，当前使用<code>PyTorch</code>进行复现</p>

https://zjykzj.cn/posts/a2d65e1.html 2020-01-18T11:00:29.000Z 2026-03-02T14:17:13.922Z

<p>图像定位数据集（<code>image localization dataset</code>）是一个简单的用于图像定位实验的数据集，参考<a href="https://www.kaggle.com/mbkinaci/image-localization-dataset/data">Image Localization Dataset</a></p>

https://zjykzj.cn/posts/796ebd4e.html 2020-01-12T07:20:50.000Z 2026-03-02T14:17:13.922Z

<p><code>IoU(Intersection over union, 交集并集比)</code>是目标检测领域常用的评价标准，通过比较真值边界框（<code>the ground-truth bounding box</code>，手动标记）和预测边界框（<code>the predicted bounding box</code>）的重合度来判定算法检测性能</p> <p><img src="/imgs/dl/iou/450px-Intersection_over_Union_-_object_detection_bounding_boxes.jpg"></p>

https://zjykzj.cn/posts/2bbcad17.html 2020-01-11T14:25:28.000Z 2026-03-02T14:17:13.944Z

<p>计算多分类任务的<code>PR</code>曲线</p>

https://zjykzj.cn/posts/48526d13.html 2020-01-11T11:21:03.000Z 2026-03-02T14:17:13.944Z

<p>学习和使用多分类任务的<code>ROC</code>曲线</p>

https://zjykzj.cn/posts/c35edb41.html 2020-01-11T07:34:56.000Z 2026-03-02T14:17:13.944Z

<p>学习多分类任务的混淆矩阵计算，共有两种方式：</p> <ol> <li><code>one VS rest</code></li> <li><code>one VS one</code></li> </ol>

https://zjykzj.cn/posts/50c7d392.html 2020-01-10T12:01:04.000Z 2026-03-02T14:17:13.939Z

<p><mjx-container class="MathJax" jax="SVG"><svg style="vertical-align: -0.339ex;" xmlns="http://www.w3.org/2000/svg" width="7.655ex" height="1.878ex" role="img" focusable="false" viewBox="0 -680 3383.6 830"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="msub"><g data-mml-node="mi"><path data-c="1D439" d="M48 1Q31 1 31 11Q31 13 34 25Q38 41 42 43T65 46Q92 46 125 49Q139 52 144 61Q146 66 215 342T285 622Q285 629 281 629Q273 632 228 634H197Q191 640 191 642T193 659Q197 676 203 680H742Q749 676 749 669Q749 664 736 557T722 447Q720 440 702 440H690Q683 445 683 453Q683 454 686 477T689 530Q689 560 682 579T663 610T626 626T575 633T503 634H480Q398 633 393 631Q388 629 386 623Q385 622 352 492L320 363H375Q378 363 398 363T426 364T448 367T472 374T489 386Q502 398 511 419T524 457T529 475Q532 480 548 480H560Q567 475 567 470Q567 467 536 339T502 207Q500 200 482 200H470Q463 206 463 212Q463 215 468 234T473 274Q473 303 453 310T364 317H309L277 190Q245 66 245 60Q245 46 334 46H359Q365 40 365 39T363 19Q359 6 353 0H336Q295 2 185 2Q120 2 86 2T48 1Z"></path></g><g data-mml-node="TeXAtom" transform="translate(676,-150) scale(0.707)" data-mjx-texclass="ORD"><g data-mml-node="mn"><path data-c="31" d="M213 578L200 573Q186 568 160 563T102 556H83V602H102Q149 604 189 617T245 641T273 663Q275 666 285 666Q294 666 302 660V361L303 61Q310 54 315 52T339 48T401 46H427V0H416Q395 3 257 3Q121 3 100 0H88V46H114Q136 46 152 46T177 47T193 50T201 52T207 57T213 61V578Z"></path></g></g></g><g data-mml-node="mi" transform="translate(1079.6,0)"><path data-c="1D460" d="M131 289Q131 321 147 354T203 415T300 442Q362 442 390 415T419 355Q419 323 402 308T364 292Q351 292 340 300T328 326Q328 342 337 354T354 372T367 378Q368 378 368 379Q368 382 361 388T336 399T297 405Q249 405 227 379T204 326Q204 301 223 291T278 274T330 259Q396 230 396 163Q396 135 385 107T352 51T289 7T195 -10Q118 -10 86 19T53 87Q53 126 74 143T118 160Q133 160 146 151T160 120Q160 94 142 76T111 58Q109 57 108 57T107 55Q108 52 115 47T146 34T201 27Q237 27 263 38T301 66T318 97T323 122Q323 150 302 164T254 181T195 196T148 231Q131 256 131 289Z"></path></g><g data-mml-node="mi" transform="translate(1548.6,0)"><path data-c="1D450" d="M34 159Q34 268 120 355T306 442Q362 442 394 418T427 355Q427 326 408 306T360 285Q341 285 330 295T319 325T330 359T352 380T366 386H367Q367 388 361 392T340 400T306 404Q276 404 249 390Q228 381 206 359Q162 315 142 235T121 119Q121 73 147 50Q169 26 205 26H209Q321 26 394 111Q403 121 406 121Q410 121 419 112T429 98T420 83T391 55T346 25T282 0T202 -11Q127 -11 81 37T34 159Z"></path></g><g data-mml-node="mi" transform="translate(1981.6,0)"><path data-c="1D45C" d="M201 -11Q126 -11 80 38T34 156Q34 221 64 279T146 380Q222 441 301 441Q333 441 341 440Q354 437 367 433T402 417T438 387T464 338T476 268Q476 161 390 75T201 -11ZM121 120Q121 70 147 48T206 26Q250 26 289 58T351 142Q360 163 374 216T388 308Q388 352 370 375Q346 405 306 405Q243 405 195 347Q158 303 140 230T121 120Z"></path></g><g data-mml-node="mi" transform="translate(2466.6,0)"><path data-c="1D45F" d="M21 287Q22 290 23 295T28 317T38 348T53 381T73 411T99 433T132 442Q161 442 183 430T214 408T225 388Q227 382 228 382T236 389Q284 441 347 441H350Q398 441 422 400Q430 381 430 363Q430 333 417 315T391 292T366 288Q346 288 334 299T322 328Q322 376 378 392Q356 405 342 405Q286 405 239 331Q229 315 224 298T190 165Q156 25 151 16Q138 -11 108 -11Q95 -11 87 -5T76 7T74 17Q74 30 114 189T154 366Q154 405 128 405Q107 405 92 377T68 316T57 280Q55 278 41 278H27Q21 284 21 287Z"></path></g><g data-mml-node="mi" transform="translate(2917.6,0)"><path data-c="1D452" d="M39 168Q39 225 58 272T107 350T174 402T244 433T307 442H310Q355 442 388 420T421 355Q421 265 310 237Q261 224 176 223Q139 223 138 221Q138 219 132 186T125 128Q125 81 146 54T209 26T302 45T394 111Q403 121 406 121Q410 121 419 112T429 98T420 82T390 55T344 24T281 -1T205 -11Q126 -11 83 42T39 168ZM373 353Q367 405 305 405Q272 405 244 391T199 357T170 316T154 280T149 261Q149 260 169 260Q282 260 327 284T373 353Z"></path></g></g></g></svg></mjx-container>可以解释为精确度和召回率的加权平均值，相当于精确率和召回率的综合评价指标</p> <p><em><strong>当前着重于二分类<code>F1 score</code></strong></em></p>

https://zjykzj.cn/posts/5b516f3c.html 2020-01-10T11:40:09.000Z 2026-03-02T14:17:13.944Z

<p>准确率和精确率是常用的算法评价标准，但是其定义略有差别</p>

https://zjykzj.cn/posts/a3f47f23.html 2020-01-06T12:39:29.000Z 2026-03-02T14:17:13.948Z

<p><code>2020</code>年<code>1</code>月份<code>OKR</code>实现</p>

https://zjykzj.cn/posts/f4cf1e23.html 2020-01-05T13:48:27.000Z 2026-03-02T14:17:13.926Z

<p>在网上看到很多<code>vloger</code>都发布了自己的<code>2019</code>年小结，想想自己的<code>2019</code>年也发生了很多事情，记录一下</p>

https://zjykzj.cn/posts/b85d3c6c.html 2020-01-03T11:14:08.000Z 2026-03-02T14:17:13.948Z

<p><code>OKR</code>（<code>Objectives and Key Results</code>，目标与关键结果）工作法是最近非常热门的管理和实践模型，在公司实习的时候接触了这个概念，后来回学校后就没有去深入研究。买了一本书<code>《OKR工作法》</code>进行学习，里面通过一个创业案例来说明<code>OKR</code>工作法的使用。从我个人观点来看，<code>OKR</code>的概念非常抽象，整个模型可以说很简单，不过确实能够通过实践它得到不一样的进步</p> <p><em>以下内容更多的关注于个人的OKR学习和实践</em></p>

https://zjykzj.cn/posts/1431c640.html 2020-01-01T15:14:24.000Z 2026-03-02T14:17:13.939Z

<p>之前实现了<a href="https://blog.zhujian.life/posts/202ee452.html">在Docker中运行Jenkins</a>以及<a href="https://zj-git-guide.readthedocs.io/zh_CN/latest/platform/[Docker]GitLab%E4%BD%BF%E7%94%A8/">[Docker]GitLab使用</a>，参考<a href="https://containerization-automation.readthedocs.io/zh_CN/latest/docker/compose/[%E8%AF%91]Docker%20Compose%E6%A6%82%E8%BF%B0/">Docker Compose</a>，通过<code>docker-compose</code>方式同时启动两个容器</p>

https://zjykzj.cn/posts/bca792b4.html 2019-12-27T05:52:21.000Z 2026-03-02T14:17:13.939Z

<p><code>PR</code>曲线是另一种衡量算法性能的评价标准，其使用精确度（<code>Precision, Y轴</code>）和召回率（<code>Recall, X轴</code>）作为坐标系的基底</p> <p><em><strong>本文着重于二分类的PR曲线</strong></em></p> <p>参考一个例子：</p> <blockquote> <p>Suppose a computer program for recognizing dogs in photographs identifies 8 dogs in a picture containing 12 dogs and some cats. Of the 8 identified as dogs, 5 actually are dogs (true positives), while the rest are cats (false positives). The program’s precision is 5/8 while its recall is 5/12.</p> </blockquote>

https://zjykzj.cn/posts/bd2847bc.html 2019-12-25T02:59:26.000Z 2026-03-02T14:17:13.926Z

<p><em><strong>停止更新，使用<a href="http://blog.zhujian.life/posts/b9a3e837.html">知识图谱</a></strong></em></p> <p>从<code>2019</code>开始通过博客框架<code>Hexo</code>以及文档框架<code>Sphinx/MkDocs</code>进行文档整理，总结过去在书本以及实际编程中的知识和技能。随着文档的增多，如何有效、规范的整理越来越多的文档成了一个新的难题</p> <p>偶然间看过一篇文章，里面采用金字塔的形式，按重要/难易程度分层排列不同的知识和技能。这种方式确实能够帮助理清学过的知识，同时能够更加明确未来学习的着重点。我将整个金字塔按重要/难易程度从上到下升序分为<code>5</code>层:</p> <ul> <li>工具篇</li> <li>实现篇</li> <li>语言篇</li> <li>理论篇</li> <li>基础篇</li> </ul> <p><img src="/imgs/essay/knowledge-pyramid/knowledge-pyramid.png"></p>

https://zjykzj.cn/posts/71a847e.html 2019-12-23T07:37:45.000Z 2026-03-02T14:17:13.939Z

<p><code>ROC</code>曲线（<code>receiver operating characteristic curve</code>，受试者工作特征曲线）是一个二维图，用于说明分类器在不同阈值下的分类能力</p> <p><em><strong>本文通过<code>ROC</code>曲线评价二元分类器</strong></em></p>

https://zjykzj.cn/posts/8193e2c2.html 2019-12-23T07:16:15.000Z 2026-03-02T14:17:13.944Z

<p>算法的关键环节就是评价标准的细分，通过不同的评价标准，能够理清算法实现的边界，有助于进一步思考未来进步的方向。本文专注于学习分类任务和检测任务的评价标准，关键字如下：</p>

https://zjykzj.cn/posts/74ea027a.html 2019-12-23T07:00:42.000Z 2026-03-02T14:17:13.944Z

<p>混淆矩阵（<code>confusion matrix</code>）是分类任务中最常见的特性，通过矩阵形式展示预测类别和真实类别的差异</p> <p><em><strong>本文学习二分类下的混淆矩阵</strong></em></p>

https://zjykzj.cn/posts/ee5b0da5.html 2019-12-20T08:19:04.000Z 2026-03-02T14:17:13.948Z

<p>小结软件工程学习</p>

https://zjykzj.cn/posts/fe7e69f4.html 2019-12-20T08:16:18.000Z 2026-03-02T14:17:13.939Z

<p>小结数学学习过程中总结的文档</p>

https://zjykzj.cn/posts/50a5fdf2.html 2019-12-18T13:20:27.000Z 2026-03-02T14:17:13.922Z

<p>之前整理了一套文档生成、托管和发布流程，使用<code>Sphinx</code>完成工程文档的生成，使用<code>Github</code>完成文档的托管，使用<code>Readthedocs</code>完成文档的发布</p> <p>在实践过程中发现整个流程都有或大或小的不足，尤其是<code>Sphinx</code>工具，最近学习了另外一个文档生成工具<code>MkDocs</code>，更加符合个人的需求</p>

https://zjykzj.cn/posts/ffa9d775.html 2019-12-14T13:08:21.000Z 2026-03-02T14:17:13.922Z

<p><code>Iris</code>数据集包含<code>3</code>个类别<code>4</code>个属性，共<code>150</code>个实例</p>

https://zjykzj.cn/posts/833d7df4.html 2019-12-13T12:32:06.000Z 2026-03-02T14:17:13.922Z

<p>德国信用卡数据（<code>German Credit Data</code>）提供了一个二分类数据集，下载地址 - <a href="http://archive.ics.uci.edu/ml/machine-learning-databases/statlog/german/">statlog/german</a></p>

https://zjykzj.cn/posts/887dcf29.html 2019-12-13T06:55:38.000Z 2026-03-02T14:17:13.939Z

<p>对于分类问题，最开始想到的评判标准就是检测准确率（<code>accuracy</code>），即样本检测类别和实际一致的数量占整个样本集的比率。进一步研究发现，还可以用更精细的标准来比较检测性能，学习步骤如下：</p> <ol> <li>正样本和负样本</li> <li><code>TP/FP/TN/FN</code></li> <li><code>TPR/FPR/FDR/PPV/ACC</code></li> <li><code>ROC/AUC</code></li> </ol>

https://zjykzj.cn/posts/f793688d.html 2019-12-11T11:29:58.000Z 2026-03-02T14:17:13.922Z

<p>学习了<code>PyTorch</code>环境下的<code>Tensorboard</code>使用 - <a href="https://blog.zhujian.life/posts/eb6f2b71.html#more">[PyTorch]Tensorboard可视化实现</a>。<code>PyTorch</code>也提供了<code>Tensorboard</code>学习教程 - <a href="https://pytorch.org/tutorials/intermediate/tensorboard_tutorial.html#visualizing-models-data-and-training-with-tensorboard">Visualizing Models, Data, and Training with TensorBoard</a></p> <p>下面结合一个完整的训练过程，通过<code>Tensorboard</code>实现可视化</p>

https://zjykzj.cn/posts/eb6f2b71.html 2019-12-11T06:56:00.000Z 2026-03-02T14:17:13.922Z

<p>最新版本的<code>PyTorch 1.3</code>内置支持了<a href="https://github.com/tensorflow/tensorboard">Tensorboard</a>，实现模型、数据以及训练可视化</p>

https://zjykzj.cn/posts/631c599a.html 2019-12-10T11:08:55.000Z 2026-03-02T14:17:13.922Z

<p>之前识别测试最常用的是手写数字数据集<a href="http://yann.lecun.com/exdb/mnist/">MNIST</a>，今天遇到一个新的基准数据集 - <a href="https://github.com/zalandoresearch/fashion-mnist">Fashion-MNIST</a></p> <p><img src="/imgs/dataset/fashion-mnist/fashion-mnist-sprite.png"></p>

https://zjykzj.cn/posts/aa0415d3.html 2019-12-08T06:52:55.000Z 2026-03-02T14:17:13.922Z

<p>PyTorch通过TorchVision工具包提供统一的数据加载、数据处理的接口，允许自定义类的方式加载数据集，通过DataLoader接口来批量处理</p> <p>原文地址：<a href="https://pytorch.org/tutorials/beginner/data_loading_tutorial.html">Writing Custom Datasets, DataLoaders and Transforms</a></p>

https://zjykzj.cn/posts/5a56cd45.html 2019-12-06T08:42:02.000Z 2026-03-02T14:17:13.922Z

<p>相关实现：<a href="https://github.com/zjykzj/vocdev/blob/master/README.zh-CN.md">zjykzj/vocdev</a></p> <h2 id="简介"><a href="#简介" class="headerlink" title="简介"></a>简介</h2><p><code>PASCAL VOC 2007</code>数据集基于<code>4</code>个大类别，共包含了<code>20</code>个目标类：</p> <ul> <li><code>Person: person</code></li> <li><code>Animal: bird, cat, cow（奶牛）, dog, horse, sheep（绵羊）</code></li> <li><code>Vehicle（交通工具）: aeroplane（飞机）, bicycle, boat（小船）, bus（公共汽车）, car（轿车）, motorbike（摩托车）, train（火车）</code></li> <li><code>Indoor（室内）: bottle（瓶子）, chair（椅子）, dining table（餐桌）, potted plant（盆栽植物）, sofa, tv/monitor（电视/显示器）</code></li> </ul> <p><code>PASCAL VOC 2007</code>数据集主要用于分类/测试任务，同时也提供了分割和人体部件检测的数据。示例如下：</p> <ul> <li><a href="http://host.robots.ox.ac.uk/pascal/VOC/voc2007/examples/index.html">分类/测试示例</a></li> <li><a href="http://host.robots.ox.ac.uk/pascal/VOC/voc2007/segexamples/index.html">分割示例</a></li> <li><a href="http://host.robots.ox.ac.uk/pascal/VOC/voc2007/layoutexamples/index.html">人体部件检测示例</a></li> </ul>

https://zjykzj.cn/posts/e70eeac0.html 2019-12-05T06:53:49.000Z 2026-03-02T14:17:13.922Z

<p>原先笔记本自带的是<code>Win10</code>系统，想着日常开发中更常用的是<code>Linux</code>环境，所以重装了<code>Ubuntu</code>。之前用的是<code>16.04</code>版本，用了也快一年了，电脑里面的东西攒的挺多的，而且现在也都快<code>2020</code>了，所以打算重装<code>Ubuntu 18.04</code>版本，小结重装<code>Ubuntu</code>系统后相关环境配置</p> <p><img src="/imgs/deploy/%E9%87%8D%E8%A3%85%E7%B3%BB%E7%BB%9F%E5%B0%8F%E7%BB%93/screen.png"></p>

https://zjykzj.cn/posts/c343c930.html 2019-12-05T05:49:58.000Z 2026-03-02T14:17:13.939Z

<p>需要在<code>Jenkins</code>操作完成后上传代码到另一个网站的仓库，所以需要手动设置<code>credential</code></p>

https://zjykzj.cn/posts/c7ee2f15.html 2019-12-02T05:51:02.000Z 2026-03-02T14:17:13.922Z

<p>在好多个工程上都使用了<code>git</code>，随着时间的拉长会发现工程的提交历史和分支管理很混乱，所以希望能够有一套规范的<code>git</code>使用流程来更好的实现版本管理</p> <p>参考<a href="https://blog.csdn.net/qq_32452623/article/details/78905181">Git三大特色之WorkFlow(工作流)</a>，学习了目前最流行的三种<code>git</code>工作流</p> <ul> <li><a href="https://nvie.com/posts/a-successful-git-branching-model/">git flow</a></li> <li><a href="http://scottchacon.com/2011/08/31/github-flow.html">github flow</a></li> <li><a href="https://docs.gitlab.com/ee/topics/gitlab_flow.html">gitlab flow</a></li> </ul>

https://zjykzj.cn/posts/b35b83bc.html 2019-12-02T02:30:53.000Z 2026-03-02T14:17:13.922Z

<p>原文地址：<a href="https://docs.gitlab.com/ee/topics/gitlab_flow.html">Introduction to GitLab Flow</a></p>

https://zjykzj.cn/posts/a20843e9.html 2019-11-30T09:23:50.000Z 2026-03-02T14:17:13.922Z

<p>原文地址：<a href="http://scottchacon.com/2011/08/31/github-flow.html">GitHub Flow</a></p>

https://zjykzj.cn/posts/aae96086.html 2019-11-29T11:59:30.000Z 2026-03-02T14:17:13.922Z

<p>原文地址：<a href="https://nvie.com/posts/a-successful-git-branching-model/">A successful Git branching model</a></p> <blockquote> <p>In this post I present the development model that I’ve introduced for some of my projects (both at work and private) about a year ago, and which has turned out to be very successful. I’ve been meaning to write about it for a while now, but I’ve never really found the time to do so thoroughly, until now. I won’t talk about any of the projects’ details, merely about the branching strategy and release management.</p> </blockquote> <p>在这篇文章中，我介绍了大约一年前为我的一些项目(包括工作项目和私人项目)引入的开发模型，结果证明非常成功。一段时间以来，我一直想写这篇文章，但直到现在，我还没有真正找到时间彻底地写完。我不会谈论任何项目的细节，仅仅是分支策略和发布管理</p> <p><img src="/imgs/deploy/gitflow/git-model@2x.png"></p>

https://zjykzj.cn/posts/69fce0f5.html 2019-11-28T07:15:04.000Z 2026-03-02T14:17:13.926Z

<p>R-CNN(Regions with CNN features, 具有CNN特征的区域)是早期最先在目标检测领域中使用卷积神经网络的模型之一，其结合了图像处理、机器学习和深度学习，在当时达到了非常好的结果</p> <p>原文地址：<a href="https://arxiv.org/abs/1311.2524">Rich feature hierarchies for accurate object detection and semantic segmentation</a></p>

https://zjykzj.cn/posts/cc213461.html 2019-11-26T12:04:45.000Z 2026-03-02T14:17:13.957Z

<p>经常需要在不同的颜色空间下进行图像处理</p>

https://zjykzj.cn/posts/b03366b0.html 2019-11-25T12:56:01.000Z 2026-03-02T14:17:13.957Z

<p>学习<code>SelectiveSearch</code>算法时候，其纹理特征需要计算类<code>SIFT</code>特征，实现方式是计算每张图片<code>8</code>个方向上<code>10 bin</code>大小的高斯导数直方图</p>

https://zjykzj.cn/posts/b79f94c7.html 2019-11-22T12:12:51.000Z 2026-03-02T14:17:13.957Z

<p>参考：</p> <p><a href="https://www.zhihu.com/question/32067344">卷积运算和相关运算的区别与物理含义?</a></p> <p><a href="https://blog.csdn.net/Sunny_HQ/article/details/80875664">通俗理解【卷】积+互相关与卷积</a></p> <p><a href="https://stackoverflow.com/questions/20321296/convolution-vs-correlation/37847548#37847548">Convolution Vs Correlation</a></p> <p>学习<code>OpenCV</code>的<code>2</code>维线性滤波器<a href="https://docs.opencv.org/4.1.0/d4/dbd/tutorial_filter_2d.html">filter2D</a>，发现一句话</p> <figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br><span class="line">3</span><br></pre></td><td class="code"><pre><span class="line">Correlation</span><br><span class="line"></span><br><span class="line">In a very general sense, correlation is an operation between every part of an image and an operator (kernel).</span><br></pre></td></tr></table></figure> <p>之前有接触过<code>correlation</code>(相关)的存在，但是没有仔细理清相关和卷积的异同，以及与之衍生而来的互相关（<code>cross-correlation</code>）和滤波（<code>filter</code>）的概念</p>

https://zjykzj.cn/posts/e42851a1.html 2019-11-22T08:57:11.000Z 2026-03-02T14:17:13.957Z

<p>边缘检测是图像处理的基本操作之一，其目的是去除图像多余信息，保留图像轮廓数据，以便后续的处理（检测、识别等等）</p>

https://zjykzj.cn/posts/26ac7011.html 2019-11-18T09:31:57.000Z 2026-03-02T14:17:13.957Z

<p>方向梯度直方图（Histogram Of Oriented Gradients，简称为HOG）是常用的纹理特征之一，本篇文章简单易懂的讲解了HOG概念</p> <p>原文地址：<a href="https://www.learnopencv.com/histogram-of-oriented-gradients/">Histogram of Oriented Gradients</a></p>

https://zjykzj.cn/posts/d521b4ea.html 2019-11-13T08:14:03.000Z 2026-03-02T14:17:13.939Z

<p>利用<code>Jenkins Pipeline</code>工程编译<code>NodeJS</code>项目，出现<code>npm not found</code>问题</p> <p>参考<a href="https://medium.com/@gustavo.guss/jenkins-starting-with-pipeline-doing-a-node-js-test-72c6057b67d4">Jenkins Starting with Pipeline doing a Node.js test</a>，配置<code>NodeJS</code>开发环境</p>

https://zjykzj.cn/posts/202ee452.html 2019-11-08T11:04:40.000Z 2026-03-02T14:17:13.939Z

<p>打算在远程服务器上运行<code>Jenkins</code>，忽然发现<code>git</code>没有安装，搞了半天没有成功（<em>各种依赖问题，条件限制不能重启机器</em>），所以尝试通过<code>Docker</code>运行<code>Jenkins</code></p>

https://zjykzj.cn/posts/f1eacfb6.html 2019-11-08T01:53:16.000Z 2026-03-02T14:17:13.957Z

<p><strong>以下主要涉及颜色直方图的概念和计算</strong></p> <p>最开始学习数字图像处理的时候就接触到了直方图的概念，也记录过<code>OpenCV 1.x/2.x</code>的直方图实现代码</p> <ul> <li><a href="https://blog.csdn.net/u012005313/article/details/51122712">opencv 颜色直方图（灰度图，均衡化，对比，描绘颜色直方图）</a></li> <li><a href="https://blog.csdn.net/u012005313/article/details/46916559">opencv 灰度直方图 一维直方图</a></li> </ul> <p>颜色/纹理等特征通过直方图的形式能够有效的作用于图像检测/识别算法，所以打算再整理一下相关的概念和实现。参考：</p> <ul> <li><p><a href="https://docs.opencv.org/4.0.1/d4/d1b/tutorial_histogram_equalization.html">Histogram Equalization</a></p> </li> <li><p><a href="https://docs.opencv.org/4.0.1/d8/dbc/tutorial_histogram_calculation.html">Histogram Calculation</a></p> </li> <li><p><a href="https://docs.opencv.org/4.0.1/d8/dc8/tutorial_histogram_comparison.html">Histogram Comparison</a></p> </li> <li><p>头文件地址：<code>/path/to/opencv-4.0.1/modules/imgproc/include/opencv2/imgproc.hpp</code></p> </li> <li><p>源文件地址：<code>/path/to/opencv-4.0.1/modules/imgproc/src/histogram.cpp</code></p> </li> </ul>

https://zjykzj.cn/posts/815ea453.html 2019-11-07T11:38:00.000Z 2026-03-02T14:17:13.957Z

<p>学习论文<code>Selective Search for Object Recognition</code>，在网上查找相关资料时发现这篇文章，对于选择性搜索算法及其特征提取方式概括的比较好，所以翻译下来以便后续的学习</p> <p>原文地址：<a href="https://www.learnopencv.com/selective-search-for-object-detection-cpp-python/">Selective Search for Object Detection (C++ / Python)</a></p> <blockquote> <p>In this tutorial, we will understand an important concept called “Selective Search” in Object Detection. We will also share OpenCV code in C++ and Python.</p> </blockquote> <p>在本教程中，我们将了解一个重要的概念 - 基于选择性搜索的目标检测。文章末尾还包含了OpenCV示例</p>

https://zjykzj.cn/posts/1cb6a408.html 2019-11-06T02:52:58.000Z 2026-03-02T14:17:13.957Z

<p>论文下载地址：<a href="http://xueshu.baidu.com/usercenter/paper/show?paperid=b689fcf3ed998dfbb4213687367b6175&site=xueshu_se">Selective Search for Object Recognition</a></p>

https://zjykzj.cn/posts/18052054.html 2019-11-05T06:59:00.000Z 2026-03-02T14:17:13.957Z

<p><code>OpenCV</code>在模块<code>opencv_contrib</code>中实现了基于图的图像分割算法，其实现和作者提供的工程源码略有差别</p> <p>下面首先解析源码，然后通过示例验证分割效果</p> <ul> <li>官网参考文档：<a href="https://docs.opencv.org/4.0.1/dd/d19/classcv_1_1ximgproc_1_1segmentation_1_1GraphSegmentation.html">cv::ximgproc::segmentation::GraphSegmentation Class Reference</a></li> <li>头文件<code>segmentation.hpp - /path/to/include/opencv4/opencv2/ximgproc/segmentation.hpp</code></li> <li>源文件<code>graphsegmentation.cpp - /path/to/opencv_contrib/modules/ximgproc/src/graphsegmentation.cpp</code></li> <li>实现示例<code>graphsegmentation_demo.cpp - /path/to/opencv_contrib/modules/ximgproc/samples/graphsegmentation_demo.cpp</code></li> </ul> <p><code>OpenCV</code>源码比较复杂，抽取相应实现到<a href="https://github.com/zjZSTU/GraphLib/tree/master/cplusplus/samples/graphsegmentation">GraphLib/cplusplus/samples/graphsegmentation</a></p>

https://zjykzj.cn/posts/a4b1a6d9.html 2019-11-05T06:03:17.000Z 2026-03-02T14:17:13.957Z

<p>基于图的图像分割算法的作者提供了工程源码：<a href="http://cs.brown.edu/people/pfelzens/segment/">Graph Based Image Segmentation</a></p>

https://zjykzj.cn/posts/3eedae4a.html 2019-10-31T08:11:44.000Z 2026-03-02T14:17:13.952Z

<p>之前在<a href="https://blog.zhujian.life/posts/95d609b4.html">数据结构-图5</a>中实现了图的最小生成树，主要参考的是<code>《大话数据结构》</code>中的相关内容。在<code>Kruskal</code>算法实现中通过函数<code>Find</code>就能检查两个分量之间是否相连，效率很高，当时觉得这种实现很神奇，今天才发现这是一种专门的数据结构实现 - 并查集（<code>disjoint set</code>）</p>

https://zjykzj.cn/posts/bfefc85a.html 2019-10-31T04:07:53.000Z 2026-03-02T14:17:13.957Z

<p>之前通过<a href="https://blog.zhujian.life/posts/6cbcc636.html">PPM文件解析</a>理解了<code>PPM</code>文件结构，并通过<code>Python</code>实现了<code>PPM</code>文件和其他图像文件的转换。最近需要通过<code>C++</code>解析<code>PPM</code>文件，参考<a href="http://cs.brown.edu/people/pfelzens/segment/">Graph Based Image Segmentation</a>，最后通过<code>opencv</code>实现</p>

https://zjykzj.cn/posts/7c823af7.html 2019-10-27T07:22:21.000Z 2026-03-02T14:17:13.939Z

<p>当前<code>jenkins</code>通过<code>tomcat</code>进行托管，登录路径为</p> <figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br></pre></td><td class="code"><pre><span class="line">localhost:8080/jenkins/</span><br></pre></td></tr></table></figure> <p>下面通过<code>nginx</code>进行反向代理，简化登录路径</p>

https://zjykzj.cn/posts/af977180.html 2019-10-25T06:57:23.000Z 2026-03-02T14:17:13.931Z

<p>原文地址：<a href="https://www.boost.org/doc/libs/1_71_0/libs/graph/doc/index.html">The Boost Graph Library (BGL)</a></p>

https://zjykzj.cn/posts/bc77c204.html 2019-10-22T03:34:20.000Z 2026-03-02T14:17:13.939Z

<p>通过<code>Tomcat</code>托管<code>Jenkins</code>。<em>当前<code>Tomcat</code>以普通用户<code>tomcat</code>身份运行</em></p>

https://zjykzj.cn/posts/f80ec296.html 2019-10-21T02:23:32.000Z 2026-03-02T14:17:13.939Z

<p>之前通过<code>Jenkins Freesstyle</code>工程实现了<code>Hexo</code>网站的<code>CI</code>部署，<code>Jenkins</code>还提供了<code>Pipeline</code>方式，能够更好的模块化构建过程</p> <ol> <li><code>Jenkins Pipeline</code>工程配置</li> <li><code>GitLab WebHook</code>配置</li> <li><code>Jenkinsfile</code>脚本编辑</li> </ol>

https://zjykzj.cn/posts/446d640.html 2019-10-20T11:49:12.000Z 2026-03-02T14:17:13.939Z

<p>之前通过<code>Travis CI</code>实现持续部署<code>Hexo</code>项目到腾讯云服务器。经过一段时间的使用，发现<code>Travis CI</code>传输文件到腾讯云服务器经常失败，所以打算在本地自建<code>Jenkins</code>，同时利用<code>GitLab</code>进行持续部署</p> <p>实现步骤如下：</p> <ol> <li>关闭<code>Travis CI</code>触发器</li> <li>导入<code>Hexo</code>相关项目到<code>GitLab</code></li> <li>新建<code>Jenkins Freestyle</code>工程</li> </ol>

https://zjykzj.cn/posts/f2f14bee.html 2019-10-20T11:18:46.000Z 2026-03-02T14:17:13.939Z

<p>想要在<code>Freestyle</code>工程中设置加密的环境变量，使用插件<code>Environment Injector</code>完成</p>

https://zjykzj.cn/posts/5d46d7f9.html 2019-10-19T12:45:15.000Z 2026-03-02T14:17:13.939Z

<h2 id="问题描述"><a href="#问题描述" class="headerlink" title="问题描述"></a>问题描述</h2><p><code>GitLab</code>默认不允许本机<code>URL</code>进行<code>WebHook</code>连接，发现是<code>GitLab</code>默认关闭了本机连接</p> <p><img src="/imgs/jenkins/jenkins-localhost/jenkins-localhost.png"></p>

https://zjykzj.cn/posts/373e88b0.html 2019-10-19T12:33:37.000Z 2026-03-02T14:17:13.939Z

<p><em><strong>最新解决方案参考：<a href="https://blog.zhujian.life/posts/8e194d10.html">[Jenkins]加速下载/安装插件</a></strong></em></p> <p>使用<code>Jenkins</code>的插件页面进行下载太慢了，所以打算手动下载插件</p>

https://zjykzj.cn/posts/6ff96ec3.html 2019-10-19T11:47:06.000Z 2026-03-02T14:17:13.939Z

<p>完成<code>Jenkins+GitLab</code>的连接。步骤如下：</p> <ol> <li>申请<code>gitlab</code>私有<code>token</code></li> <li>安装<code>jenkins for gitlab</code>插件</li> <li>在<code>jenkins</code>工程中配置<code>gitlab</code></li> <li>在<code>gitlab</code>工程中配置<code>jenkins</code></li> </ol>

https://zjykzj.cn/posts/9ff7f63d.html 2019-10-18T08:28:18.000Z 2026-03-02T14:17:13.939Z

<p><em><strong>最新解决方案参考：<a href="https://blog.zhujian.life/posts/8e194d10.html">[Jenkins]加速下载/安装插件</a></strong></em></p> <p>更新<code>Jenkins</code>国内镜像源，加速插件下载。参考<a href="http://mirrors.jenkins-ci.org/status.html">the status of Jenkins mirrors</a>，目前国内有<a href="https://mirrors.tuna.tsinghua.edu.cn/jenkins/">清华镜像源</a></p> <p>有两种配置方式</p> <ol> <li>文件配置</li> <li>页面配置</li> </ol>

https://zjykzj.cn/posts/6af1c833.html 2019-10-18T07:08:16.000Z 2026-03-02T14:17:13.939Z

<h2 id="错误复现"><a href="#错误复现" class="headerlink" title="错误复现"></a>错误复现</h2><p>重新安装<code>jenkins</code>，输入安装命令</p> <figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br></pre></td><td class="code"><pre><span class="line">$ java -jar jenkins.war --httpPort=8080 </span><br></pre></td></tr></table></figure> <p>在浏览器输入<code>localhost:8080</code>打开界面，输入密码后页面显示如下错误</p> <figure class="highlight plaintext"><table><tr><td class="gutter"><pre><span class="line">1</span><br><span class="line">2</span><br></pre></td><td class="code"><pre><span class="line">This Jenkins instance appears to be offline</span><br><span class="line">。。。</span><br></pre></td></tr></table></figure>

https://zjykzj.cn/posts/5c6c610b.html 2019-09-23T01:33:08.000Z 2026-03-02T14:17:13.922Z

<p><img src="/imgs/deploy/docker/docker2.jpeg"></p> <p><code>Docker</code>是近<code>10</code>年来最火的工具之一，从一接触<code>Docker</code>开始就被它的概念所吸引，小结<code>Docker</code>概念、使用以及相关工具</p>

https://zjykzj.cn/posts/79f69ebe.html 2019-09-10T11:06:02.000Z 2026-03-02T14:17:13.922Z

<p>在<code>github</code>上了上传了许多仓库，如何更好的管理、使用这些仓库，其中关键的一点在于<code>README</code>的编写。<code>README</code>的目的是向使用者展示仓库的使用方法、来历以及未来的进展。越来越重视写好一个<code>REAMDE</code>，<em>优秀的工程不一定有一个好的<code>README</code>，但是不好的<code>REAMDE</code>一定不是一个优秀的工程</em></p> <p>关于这个问题在网上也有许多讨论：<a href="https://www.zhihu.com/question/29100816">如何写好Github中的readme？</a>。当前主要参考了一个关于如何编写标准<code>README</code>的<code>github</code>仓库：<a href="https://github.com/RichardLitt/standard-readme">RichardLitt/standard-readme</a></p>

https://zjykzj.cn/posts/ee6c5a93.html 2019-09-06T01:23:52.000Z 2026-03-02T14:17:13.922Z

<p>今年以来一直把代码、文档和工程上传到<code>github</code>进行版本管理，效果很好，通过<code>github</code>可以完成很多自动化任务，比如<code>Travis-CI、Readthedocs</code>等工具的使用</p>

https://zjykzj.cn/posts/be56146c.html 2019-08-25T05:36:14.000Z 2026-03-02T14:17:13.931Z

<p>之前写的C++代码一直都是C语言风格，而C++标准经过多次的迭代后，已经拥有了一套自己的风格和实现。微软的这篇文档很好的反映了现代C++的精髓，原文地址：<a href="https://docs.microsoft.com/en-us/cpp/cpp/welcome-back-to-cpp-modern-cpp?view=vs-2019">Welcome Back to C++ (Modern C++)</a></p>

https://zjykzj.cn/posts/728d90e5.html 2019-08-20T12:28:40.000Z 2026-03-02T14:17:13.931Z

<p><a href="https://www.boost.org/doc/libs/1_71_0/libs/graph/doc/index.html">BGL(Boost Graph Library)</a>是<code>Boost</code>提供的图算法实现</p>

https://zjykzj.cn/posts/95d609b4.html 2019-08-18T02:48:26.000Z 2026-03-02T14:17:13.952Z

<p>学习路径如下：</p> <ol> <li><a href="https://github.com/zjZSTU/graph_algorithm">图的基本定义</a></li> <li><a href="https://blog.zhujian.life/posts/a1a1ab33.html">顶点/边/图的关系</a></li> <li><a href="https://blog.zhujian.life/posts/7cb5ac81.html">图的存储结构</a></li> <li><a href="https://blog.zhujian.life/posts/e2d13922.html">深度/广度优先遍历</a></li> <li><a href="https://blog.zhujian.life/posts/95d609b4.html">最小生成树</a>（<em>本文学习内容</em>）</li> </ol> <p>完整工程：<a href="https://github.com/zjZSTU/GraphLib">zjZSTU/GraphLib</a></p>

https://zjykzj.cn/posts/e2d13922.html 2019-08-16T12:20:08.000Z 2026-03-02T14:17:13.952Z

<p>学习路径如下：</p> <ol> <li><a href="https://github.com/zjZSTU/graph_algorithm">图的基本定义</a></li> <li><a href="https://blog.zhujian.life/posts/a1a1ab33.html">顶点/边/图的关系</a></li> <li><a href="https://blog.zhujian.life/posts/7cb5ac81.html">图的存储结构</a></li> <li><a href="https://blog.zhujian.life/posts/e2d13922.html">深度/广度优先遍历</a>（<em>本文学习内容</em>）</li> <li><a href="https://blog.zhujian.life/posts/95d609b4.html">最小生成树</a></li> </ol> <p>完整工程：<a href="https://github.com/zjZSTU/graph_algorithm">zjZSTU/graph_algorithm</a></p>

https://zjykzj.cn/posts/7cb5ac81.html 2019-08-16T11:04:36.000Z 2026-03-02T14:17:13.952Z

<p>学习路径如下：</p> <ol> <li><a href="https://github.com/zjZSTU/graph_algorithm">图的基本定义</a></li> <li><a href="https://blog.zhujian.life/posts/a1a1ab33.html">顶点/边/图的关系</a></li> <li><a href="https://blog.zhujian.life/posts/7cb5ac81.html">图的存储结构</a>（<em>本文学习内容</em>）</li> <li><a href="https://blog.zhujian.life/posts/e2d13922.html">深度/广度优先遍历</a></li> <li><a href="https://blog.zhujian.life/posts/95d609b4.html">最小生成树</a></li> </ol> <p>完整工程：<a href="https://github.com/zjZSTU/GraphLib">zjZSTU/GraphLib</a></p>

https://zjykzj.cn/posts/a1a1ab33.html 2019-08-15T08:43:06.000Z 2026-03-02T14:17:13.952Z

<p>学习路径如下：</p> <ol> <li><a href="https://github.com/zjZSTU/graph_algorithm">图的基本定义</a></li> <li><a href="https://blog.zhujian.life/posts/a1a1ab33.html">顶点/边/图的关系</a>（<em>本文学习内容</em>）</li> <li><a href="https://blog.zhujian.life/posts/7cb5ac81.html">图的存储结构</a></li> <li><a href="https://blog.zhujian.life/posts/e2d13922.html">深度/广度优先遍历</a></li> <li><a href="https://blog.zhujian.life/posts/95d609b4.html">最小生成树</a></li> </ol> <p>完整工程：<a href="https://github.com/zjZSTU/graph_algorithm">zjZSTU/graph_algorithm</a></p>

https://zjykzj.cn/posts/662946db.html 2019-08-15T07:56:46.000Z 2026-03-02T14:17:13.948Z

<p>学习路径如下：</p> <ol> <li><a href="https://github.com/zjZSTU/graph_algorithm">图的基本定义</a>（<em>本文学习内容</em>）</li> <li><a href="https://blog.zhujian.life/posts/a1a1ab33.html">顶点/边/图的关系</a></li> <li><a href="https://blog.zhujian.life/posts/7cb5ac81.html">图的存储结构</a></li> <li><a href="https://blog.zhujian.life/posts/e2d13922.html">深度/广度优先遍历</a></li> <li><a href="https://blog.zhujian.life/posts/95d609b4.html">最小生成树</a></li> </ol> <p>完整工程：<a href="https://github.com/zjZSTU/graph_algorithm">zjZSTU/graph_algorithm</a></p>

https://zjykzj.cn/posts/80b530f2.html 2019-08-12T10:49:24.000Z 2026-03-02T14:17:13.957Z

<p>在进行图像分割之前通常会使用滤波器进行平滑操作，其目的是消除高斯噪声的影响。学习高斯噪声/高斯滤波的相关概念并实现高斯滤波器</p>

https://zjykzj.cn/posts/44a20d07.html 2019-08-11T05:48:03.000Z 2026-03-02T14:17:13.957Z

<p>论文及C++实现下载地址：<a href="http://cs.brown.edu/people/pfelzens/segment/">Efficient Graph-Based Image Segmentation </a></p>

https://zjykzj.cn/posts/6cbcc636.html 2019-08-10T05:53:08.000Z 2026-03-02T14:17:13.957Z

<p>最近进行图像处理时遇到<a href="http://netpbm.sourceforge.net/doc/ppm.html">PPM</a>文件，其格式与<code>PGM</code>文件类似，参考<a href="https://blog.csdn.net/u012005313/article/details/83685584">Python pgm解析和格式转换</a>进行<code>PPM</code>文件格式解析以及图像格式转换</p>

https://zjykzj.cn/posts/Infinity.html 2019-08-08T01:51:50.000Z 2026-03-02T14:17:13.957Z

<p>学习<code>R-CNN</code>过程中发现其前期使用了选择性搜索方法进行区域提取，而在选择性搜索方法中使用了论文<a href="http://cs.brown.edu/people/pfelzens/papers/seg-ijcv.pdf">Efficient Graph-Based Image Segmentation</a>提出的基于图的图像分割算法</p>

https://zjykzj.cn/posts/28b6703d.html 2019-08-05T11:54:41.000Z 2026-03-02T14:17:13.922Z

<p><code>PASCAL VOC(visual object classes)</code>提供了图像以及标记数据，可用于目标分类、检测、分割等任务</p> <p>官网地址：<a href="http://host.robots.ox.ac.uk/pascal/VOC/">The PASCAL Visual Object Classes Homepage</a></p> <p>相关实现：<a href="https://github.com/zjykzj/vocdev/blob/master/README.zh-CN.md">zjykzj/vocdev</a></p>

https://zjykzj.cn/posts/e0761e53.html 2019-08-04T08:47:11.000Z 2026-03-02T14:17:13.922Z

<p>训练多个独立模型，在测试阶段平均其预测结果，是一种有效的提高检测精度的方法，称为模型集成（<code>model ensemble</code>）</p>

https://zjykzj.cn/posts/a042eba2.html 2019-08-04T05:56:03.000Z 2026-03-02T14:17:13.926Z

<p>神经网络/卷积神经网络中存在很多的超参数，并且随着优化技术的发展，越来越多的超参数被加入进来，最常见的超参数包括：</p> <ol> <li>初始学习率</li> <li>学习率衰减机制（比如衰减常数）</li> <li>正则化策略（<code>L2</code>惩罚，随机失活强度）</li> </ol> <p>大多数超参数在训练过程中相对固定，比如动量大小，衰减常数等，<code>cs231n</code>提出一些学习技巧来帮助搜索最佳的超参数值</p>

https://zjykzj.cn/posts/cfd35552.html 2019-08-03T11:15:21.000Z 2026-03-02T14:17:13.922Z

<p>合理的权重初始化操作有助于实现更快的训练和得到更好的结果，<code>cs231n</code>中讨论了不同的初始化权重方式：<a href="http://cs231n.github.io/neural-networks-2/#init">Weight Initialization</a></p>

https://zjykzj.cn/posts/869619ac.html 2019-08-03T06:07:35.000Z 2026-03-02T14:17:13.922Z

<p>创建模型，进行数据集训练之前可以进行合理性检查（<code>sanity check</code>），参考<a href="http://cs231n.github.io/neural-networks-3/#sanitycheck">Before learning: sanity checks Tips/Tricks</a>，有助于更好的判断模型有效性</p> <p><code>cs231n</code>中给出了<code>3</code>个技巧：</p> <ol> <li>寻找正确损失值</li> <li>判断正则化强度有效性</li> <li>过拟合小数据集</li> </ol>

https://zjykzj.cn/posts/d91a1c6f.html 2019-08-01T12:56:03.000Z 2026-03-02T14:17:13.922Z

<p>通过数值梯度（<code>numerical gradient</code>）和解析梯度（<code>analytic gradient</code>）的比较进行梯度检查，这个过程有助于得到更准确的网络</p> <p>学习<a href="http://cs231n.github.io/neural-networks-3/">Gradient checks</a>中提到的技巧和注意事项</p>

https://zjykzj.cn/posts/cef93ee3.html 2019-07-31T07:57:20.000Z 2026-03-02T14:17:13.948Z

<p>单元测试（<code>unit testing</code>，简称<code>UT</code>）是用于测试源代码不同单元的软件测试方法， 能够有效提高代码质量和可维护性</p>

https://zjykzj.cn/posts/913b0c70.html 2019-07-28T02:28:20.000Z 2026-03-02T14:17:13.948Z

<p>主要内容：</p> <ol> <li>什么是TDD</li> <li>实现流程</li> <li>开发风格</li> <li>优点</li> <li>是否需要TDD</li> </ol>

https://zjykzj.cn/posts/c37e79f3.html 2019-07-18T11:08:52.000Z 2026-03-02T14:17:13.944Z

<p>在分类问题上经常会遇到一个名词 - 决策边界。对它有一些了解但是没有很多的认识，同时很难直观去理解高维数据分类问题的决策边界</p> <p>理清决策边界的概念，同时可视化决策边界</p>

https://zjykzj.cn/posts/81a57a7.html 2019-07-17T12:25:05.000Z 2026-03-02T14:17:13.944Z

<p>参考<a href="https://blog.zhujian.life/posts/ebe205e.html">线性SVM分类器</a>实现神经网络分类器。<code>cs231n assignment2</code>中实现了自定义层数和数量的神经网络模型，参考其实现完成单个类的神经网络分类器</p>

https://zjykzj.cn/posts/e043b7fb.html 2019-07-17T12:07:33.000Z 2026-03-02T14:17:13.944Z

<p>模仿<a href="https://blog.zhujian.life/posts/ebe205e.html#more">线性SVM分类器</a>实现<code>softmax</code>分类器</p>

https://zjykzj.cn/posts/96ce93d9.html 2019-07-17T11:31:23.000Z 2026-03-02T14:17:13.944Z

<p>参考<a href="https://blog.zhujian.life/posts/ebe205e.html">线性SVM分类器</a>实现逻辑回归分类器，并进行决策边界可视化</p>

https://zjykzj.cn/posts/ebe205e.html 2019-07-14T02:24:22.000Z 2026-03-02T14:17:13.944Z

<p>最近重温<code>cs231n</code>课程，完成了课堂作业<a href="http://cs231n.github.io/assignments2019/assignment1/">assignment1</a>，记录一下线性<code>SVM</code>分类器相关的概念以及实现</p>

https://zjykzj.cn/posts/1ee29eaf.html 2019-07-11T11:34:29.000Z 2026-03-02T14:17:13.944Z

<p>最近重温<code>cs231n</code>课程，完成了课堂作业<a href="http://cs231n.github.io/assignments2019/assignment1/">assignment1</a>，记录一下<code>KNN</code>分类器相关的概念以及实现，包括通用的分类器训练及测试过程</p>

https://zjykzj.cn/posts/2bdd8f16.html 2019-07-06T07:05:22.000Z 2026-03-02T14:17:13.922Z

<p><code>AdaGrad、RMSProp</code>以及<code>Adam</code>都是逐元素的自适应学习率方法（<code>per-parameter adaptive learning rate methods</code>），根据每个神经元的梯度变化进行权重调整，能够有效的提高模型精度</p>

https://zjykzj.cn/posts/2738b55.html 2019-06-21T11:45:19.000Z 2026-03-02T14:17:13.935Z

<p>文章<a href="https://arxiv.org/abs/1409.1556v6#">very deep convolutional networks for large-scale image recognition</a>对<strong>卷积网络深度</strong>进行了详细研究，证明了增加模型深度能够有效提高网络性能，其实现的<code>VGGNet</code>在<code>2014</code>年<code>ImageNet</code>的定位（<code>localisation</code>）和分类（<code>classification</code>）比赛中获得第一和第二名</p> <p><code>VGGNet</code>在<a href="https://blog.zhujian.life/posts/ca9994d1.html#more">AlexNet</a>模型配置和学习的基础上，参考<a href="https://zjzstu.github.io/posts/3f18ad9b.html#more">ZFNet</a>使用更小的感受野和更小的步长，参考<a href="https://arxiv.org/abs/1312.6229">OverFeat</a>在整个图像和多个尺度上对网络进行密集的训练和测试。最终，<code>VGGNet</code>使用<mjx-container class="MathJax" jax="SVG"><svg style="vertical-align: -0.05ex;" xmlns="http://www.w3.org/2000/svg" width="5.028ex" height="1.554ex" role="img" focusable="false" viewBox="0 -665 2222.4 687"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mn"><path data-c="33" d="M127 463Q100 463 85 480T69 524Q69 579 117 622T233 665Q268 665 277 664Q351 652 390 611T430 522Q430 470 396 421T302 350L299 348Q299 347 308 345T337 336T375 315Q457 262 457 175Q457 96 395 37T238 -22Q158 -22 100 21T42 130Q42 158 60 175T105 193Q133 193 151 175T169 130Q169 119 166 110T159 94T148 82T136 74T126 70T118 67L114 66Q165 21 238 21Q293 21 321 74Q338 107 338 175V195Q338 290 274 322Q259 328 213 329L171 330L168 332Q166 335 166 348Q166 366 174 366Q202 366 232 371Q266 376 294 413T322 525V533Q322 590 287 612Q265 626 240 626Q208 626 181 615T143 592T132 580H135Q138 579 143 578T153 573T165 566T175 555T183 540T186 520Q186 498 172 481T127 463Z"></path></g><g data-mml-node="mo" transform="translate(722.2,0)"><path data-c="D7" d="M630 29Q630 9 609 9Q604 9 587 25T493 118L389 222L284 117Q178 13 175 11Q171 9 168 9Q160 9 154 15T147 29Q147 36 161 51T255 146L359 250L255 354Q174 435 161 449T147 471Q147 480 153 485T168 490Q173 490 175 489Q178 487 284 383L389 278L493 382Q570 459 587 475T609 491Q630 491 630 471Q630 464 620 453T522 355L418 250L522 145Q606 61 618 48T630 29Z"></path></g><g data-mml-node="mn" transform="translate(1722.4,0)"><path data-c="33" d="M127 463Q100 463 85 480T69 524Q69 579 117 622T233 665Q268 665 277 664Q351 652 390 611T430 522Q430 470 396 421T302 350L299 348Q299 347 308 345T337 336T375 315Q457 262 457 175Q457 96 395 37T238 -22Q158 -22 100 21T42 130Q42 158 60 175T105 193Q133 193 151 175T169 130Q169 119 166 110T159 94T148 82T136 74T126 70T118 67L114 66Q165 21 238 21Q293 21 321 74Q338 107 338 175V195Q338 290 274 322Q259 328 213 329L171 330L168 332Q166 335 166 348Q166 366 174 366Q202 366 232 371Q266 376 294 413T322 525V533Q322 590 287 612Q265 626 240 626Q208 626 181 615T143 592T132 580H135Q138 579 143 578T153 573T165 566T175 555T183 540T186 520Q186 498 172 481T127 463Z"></path></g></g></g></svg></mjx-container>大小卷积核进行模型深度的研究，在学习过程中使用多尺度图像进行训练和测试</p> <p>主要内容如下：</p> <ol> <li>卷积网络配置</li> <li>训练和测试细节</li> <li>分类实验</li> <li>小结</li> </ol>

https://zjykzj.cn/posts/cab4035.html 2019-06-21T07:10:48.000Z 2026-03-02T14:17:13.935Z

<p><code>numpy</code>实现<a href="https://blog.zhujian.life/posts/359ae103.html#more">NIN</a>模型，利用<code>cifar-10</code>、<code>cifar-100</code>和<code>mnist</code>数据集进行<code>MLPConv</code>和<code>GAP</code>的测试</p> <p>完整实现：<a href="https://github.com/zjZSTU/PyNet">zjZSTU/PyNet</a></p>

https://zjykzj.cn/posts/55877cae.html 2019-06-20T05:59:12.000Z 2026-03-02T14:17:13.935Z

<p><code>numpy</code>实现<a href="https://blog.zhujian.life/posts/359ae103.html#more">NIN</a>模型，利用<code>cifar-10</code>、<code>cifar-100</code>和<code>mnist</code>数据集进行<code>MLPConv</code>和<code>GAP</code>的测试</p> <p>完整实现：<a href="https://github.com/zjZSTU/PyNet">zjZSTU/PyNet</a></p>

https://zjykzj.cn/posts/359ae103.html 2019-06-18T06:33:02.000Z 2026-03-02T14:17:13.935Z

<p>文章<a href="https://arxiv.org/abs/1312.4400v3">Network In Network</a>提出一种新的深度网络结构<code>mlpconv</code>，使用微神经网络（<code>micro neural network</code>）代替传统卷积层的线性滤波器，同时利用全局平均池化（<code>global average pooling</code>）代替全连接层作为分类器，在当时的<code>CIFAR-10</code>和<code>CIFAR-100</code>上实现了最好的检测结果</p>

https://zjykzj.cn/posts/3f18ad9b.html 2019-06-08T06:20:19.000Z 2026-03-02T14:17:13.922Z

<p>文章<a href="https://arxiv.org/abs/1311.2901">Visualizing and Understanding Convolutional Networks</a>提出一种可视化方法来观察中间层特征，以此发现不同模型层的性能分布，调整<code>AlexNet</code>参数的得到的<code>ZFNet</code>模型在<code>ImageNet</code>上得到了更好的分类性能；通过预训练<code>ImageNet</code>模型测试发现预训练大数据库能够提高模型的泛化能力</p>

https://zjykzj.cn/posts/ba337bfa.html 2019-06-08T02:53:43.000Z 2026-03-02T14:17:13.931Z

<p>使用<code>pytorch</code>实现<code>AlexNet</code>，并进行<code>cifar-10</code>训练和测试</p>

https://zjykzj.cn/posts/ca9994d1.html 2019-06-08T02:53:31.000Z 2026-03-02T14:17:13.931Z

<p><code>AlexNet</code>在<code>ImageNet LSVRC-2010</code>的<code>1000</code>类分类比赛上实现了<code>37.5% top-1</code>和<code>17.0% top-5</code>的最小误差率，在<code>LSVRC-2012</code>上实现了<code>15.3% top-5</code>的最小误差率，这些数据是当时最好的识别结果，其实现代码也在<code>google code</code>上公开：<a href="https://code.google.com/archive/p/cuda-convnet/">cuda-convnet</a></p> <p>本文学习<code>AlexNet</code>网络结构及其训练方法</p>

https://zjykzj.cn/posts/2bee4fce.html 2019-06-08T02:49:36.000Z 2026-03-02T14:17:13.926Z

<p><code>pytorch</code>提供了多种失活函数实现</p> <ol> <li><a href="https://pytorch.org/docs/stable/nn.html#torch.nn.Dropout">torch.nn.Dropout</a></li> <li><a href="https://pytorch.org/docs/stable/nn.html#torch.nn.Dropout2d">torch.nn.Dropout2d</a></li> <li><a href="https://pytorch.org/docs/stable/nn.html#torch.nn.Dropout3d">torch.nn.Dropout3d</a></li> <li><a href="https://pytorch.org/docs/stable/nn.html#torch.nn.AlphaDropout">torch.nn.AlphaDropout</a></li> </ol> <p>下面首先介绍<code>Dropout</code>和<code>Dropout2d</code>的使用，然后通过<code>LeNet-5</code>模型进行<code>cifar-10</code>的训练</p>

https://zjykzj.cn/posts/20cc7a49.html 2019-06-05T02:06:48.000Z 2026-03-02T14:17:13.926Z

<p>使用前馈神经网络进行检测，测试集的检测率总是低于训练集，尤其是训练集数量不大的情况下，原因在于神经网络在训练过程中不断调整参数以拟合训练数据，在此过程中也学习了训练集噪声，导致泛化能力减弱</p> <p>随时失活（dropout）是一种正则化方法，其动机来自于进化中的性别作用理论（<code>a theory of the role of sex in evolution</code>），它通过训练多个不同网络模型，模拟模型组合的方式来提高网络性能，防止网络过拟合</p> <p>主要内容如下：</p> <ol> <li>基础知识 - 伯努利分布/均匀分布</li> <li>实现原理</li> <li>模型描述及改进</li> <li>3层神经网络测试</li> </ol>

https://zjykzj.cn/posts/49729a62.html 2019-06-04T03:42:44.000Z 2026-03-02T14:17:13.944Z

<p>主成分分析（<code>princial component analysis</code>，简称<code>PCA</code>）是一种无监督的数据降维操作，它通过最大化方差方法来寻找低维空间，能够有效减轻计算量的同时保证处理数据有效性</p> <p>主要参考文章<a href="https://blog.csdn.net/u012005313/article/details/50877366">PCA数学原理</a>，里面做了生动的数学原理分析</p>

https://zjykzj.cn/posts/74e95c64.html 2019-06-03T12:13:14.000Z 2026-03-02T14:17:13.939Z

<p>小结<code>PCA</code>求解过程中相关的线性代数基础（<em>部分几何内容+概率论内容</em>）</p> <ul> <li>内积</li> <li>投影</li> <li>向量的线性相关/线性无关</li> <li>向量空间的基</li> <li>线性变换和线性映射</li> <li>矩阵降维</li> <li>特征值和特征向量</li> <li>正交向量组和正交矩阵</li> <li>实对称矩阵</li> </ul>

https://zjykzj.cn/posts/b905521b.html 2019-06-03T07:09:19.000Z 2026-03-02T14:17:13.939Z

<p>参考<a href="https://blog.csdn.net/u012005313/article/details/50877366">PCA数学原理</a>，小结<code>PCA</code>求解过程中相关的概率论基础</p>

https://zjykzj.cn/posts/e51acd5.html 2019-05-31T06:29:45.000Z 2026-03-02T14:17:13.922Z

<p><code>Nesterov</code>加速梯度（<code>Nesterov's Accelerated Gradient</code>，简称<code>NAG</code>）是梯度下降的一种优化方法，其收敛速度比动量更新方法更快，收敛曲线更加稳定</p>

https://zjykzj.cn/posts/2b34c959.html 2019-05-29T07:51:59.000Z 2026-03-02T14:17:13.922Z

<p>动量（<code>momentum</code>）更新是梯度下降的一种优化方法，它能够加快损失函数收敛速度（<code>converge rate</code>）</p>

https://zjykzj.cn/posts/936eda30.html 2019-05-29T05:38:50.000Z 2026-03-02T14:17:13.922Z

<p>在标准随机梯度下降过程中，每次更新使用固定学习率（<code>learning rate</code>），迭代一定次数后损失值不再下降，一种解释是因为权重在最优点周围打转，如果能够在迭代过程中减小学习率，就能够更加接近最优点，实现更高的检测精度</p> <p>学习率退火（<code>annealing the learning rate</code>）属于优化策略的一种，有<code>3</code>种方式实现学习率随时间下降</p> <ol> <li>随步数衰减（<code>step decay</code>）</li> <li>指数衰减（<code>exponential decay</code>）</li> <li><code>1/t</code>衰减（<code>1/t decay</code>）</li> </ol> <p>下面介绍这<code>3</code>种学习率退火实现，然后用<code>numpy</code>编程进行验证</p>

https://zjykzj.cn/posts/a2db6d6b.html 2019-05-28T03:06:13.000Z 2026-03-02T14:17:13.931Z

<p>完整代码：<a href="https://github.com/zjZSTU/PyNet/blob/master/pytorch/lenet5_test.py"> PyNet/pytorch/lenet5_test.py </a></p>

https://zjykzj.cn/posts/c300ea0f.html 2019-05-27T11:20:06.000Z 2026-03-02T14:17:13.931Z

<p>使用<code>numpy</code>实现<code>LeNet-5</code>网络，参考<a href="https://github.com/toxtli/lenet-5-mnist-from-scratch-numpy">toxtli/lenet-5-mnist-from-scratch-numpy</a>模块化网络层</p> <p>完整代码：<a href="https://github.com/zjZSTU/PyNet">zjZSTU/PyNet</a></p>

https://zjykzj.cn/posts/5e1da4ba.html 2019-05-26T06:05:27.000Z 2026-03-02T14:17:13.922Z

<p>前面实现了卷积层和全连接层的相互转换，下面实现池化层和全连接层的相互转换</p>

https://zjykzj.cn/posts/291a942c.html 2019-05-25T12:31:41.000Z 2026-03-02T14:17:13.922Z

<p>之前实现了一个图像和行向量相互转换的函数，逐图像进行局部连接矩阵的转换</p> <p>其实现原理较下标计算更易理解，<strong>通过循环，逐个图像对局部连接矩阵进行切片操作，得到矩阵后拉平为向量，以行向量方式进行保存</strong></p> <p>反向转换图像可以设置标志位<code>isstinct</code>，是否返回叠加图像还是原图，<strong>其实现原理是在指定位置赋值过程中是执行累加还是执行覆盖</strong></p>

https://zjykzj.cn/posts/b77e018f.html 2019-05-25T06:05:25.000Z 2026-03-02T14:17:13.922Z

<p>前面实现了图像转列向量，在之前推导过程中使用的是行向量，所以修改<code>im2col.py</code>，实现<code>im2row</code>的功能</p> <p>卷积核大小为<mjx-container class="MathJax" jax="SVG"><svg style="vertical-align: 0;" xmlns="http://www.w3.org/2000/svg" width="5.028ex" height="1.507ex" role="img" focusable="false" viewBox="0 -666 2222.4 666"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mn"><path data-c="32" d="M109 429Q82 429 66 447T50 491Q50 562 103 614T235 666Q326 666 387 610T449 465Q449 422 429 383T381 315T301 241Q265 210 201 149L142 93L218 92Q375 92 385 97Q392 99 409 186V189H449V186Q448 183 436 95T421 3V0H50V19V31Q50 38 56 46T86 81Q115 113 136 137Q145 147 170 174T204 211T233 244T261 278T284 308T305 340T320 369T333 401T340 431T343 464Q343 527 309 573T212 619Q179 619 154 602T119 569T109 550Q109 549 114 549Q132 549 151 535T170 489Q170 464 154 447T109 429Z"></path></g><g data-mml-node="mo" transform="translate(722.2,0)"><path data-c="D7" d="M630 29Q630 9 609 9Q604 9 587 25T493 118L389 222L284 117Q178 13 175 11Q171 9 168 9Q160 9 154 15T147 29Q147 36 161 51T255 146L359 250L255 354Q174 435 161 449T147 471Q147 480 153 485T168 490Q173 490 175 489Q178 487 284 383L389 278L493 382Q570 459 587 475T609 491Q630 491 630 471Q630 464 620 453T522 355L418 250L522 145Q606 61 618 48T630 29Z"></path></g><g data-mml-node="mn" transform="translate(1722.4,0)"><path data-c="32" d="M109 429Q82 429 66 447T50 491Q50 562 103 614T235 666Q326 666 387 610T449 465Q449 422 429 383T381 315T301 241Q265 210 201 149L142 93L218 92Q375 92 385 97Q392 99 409 186V189H449V186Q448 183 436 95T421 3V0H50V19V31Q50 38 56 46T86 81Q115 113 136 137Q145 147 170 174T204 211T233 244T261 278T284 308T305 340T320 369T333 401T340 431T343 464Q343 527 309 573T212 619Q179 619 154 602T119 569T109 550Q109 549 114 549Q132 549 151 535T170 489Q170 464 154 447T109 429Z"></path></g></g></g></svg></mjx-container>，步长为<code>1</code>，零填充为<code>0</code></p> <ul> <li>field_height = 2</li> <li>field_width = 2</li> <li>stride = 1</li> <li>padding = 0</li> </ul> <p><code>2</code>维图像大小为<mjx-container class="MathJax" jax="SVG"><svg style="vertical-align: -0.05ex;" xmlns="http://www.w3.org/2000/svg" width="5.028ex" height="1.554ex" role="img" focusable="false" viewBox="0 -665 2222.4 687"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mn"><path data-c="33" d="M127 463Q100 463 85 480T69 524Q69 579 117 622T233 665Q268 665 277 664Q351 652 390 611T430 522Q430 470 396 421T302 350L299 348Q299 347 308 345T337 336T375 315Q457 262 457 175Q457 96 395 37T238 -22Q158 -22 100 21T42 130Q42 158 60 175T105 193Q133 193 151 175T169 130Q169 119 166 110T159 94T148 82T136 74T126 70T118 67L114 66Q165 21 238 21Q293 21 321 74Q338 107 338 175V195Q338 290 274 322Q259 328 213 329L171 330L168 332Q166 335 166 348Q166 366 174 366Q202 366 232 371Q266 376 294 413T322 525V533Q322 590 287 612Q265 626 240 626Q208 626 181 615T143 592T132 580H135Q138 579 143 578T153 573T165 566T175 555T183 540T186 520Q186 498 172 481T127 463Z"></path></g><g data-mml-node="mo" transform="translate(722.2,0)"><path data-c="D7" d="M630 29Q630 9 609 9Q604 9 587 25T493 118L389 222L284 117Q178 13 175 11Q171 9 168 9Q160 9 154 15T147 29Q147 36 161 51T255 146L359 250L255 354Q174 435 161 449T147 471Q147 480 153 485T168 490Q173 490 175 489Q178 487 284 383L389 278L493 382Q570 459 587 475T609 491Q630 491 630 471Q630 464 620 453T522 355L418 250L522 145Q606 61 618 48T630 29Z"></path></g><g data-mml-node="mn" transform="translate(1722.4,0)"><path data-c="33" d="M127 463Q100 463 85 480T69 524Q69 579 117 622T233 665Q268 665 277 664Q351 652 390 611T430 522Q430 470 396 421T302 350L299 348Q299 347 308 345T337 336T375 315Q457 262 457 175Q457 96 395 37T238 -22Q158 -22 100 21T42 130Q42 158 60 175T105 193Q133 193 151 175T169 130Q169 119 166 110T159 94T148 82T136 74T126 70T118 67L114 66Q165 21 238 21Q293 21 321 74Q338 107 338 175V195Q338 290 274 322Q259 328 213 329L171 330L168 332Q166 335 166 348Q166 366 174 366Q202 366 232 371Q266 376 294 413T322 525V533Q322 590 287 612Q265 626 240 626Q208 626 181 615T143 592T132 580H135Q138 579 143 578T153 573T165 566T175 555T183 540T186 520Q186 498 172 481T127 463Z"></path></g></g></g></svg></mjx-container>，3维图像大小为<mjx-container class="MathJax" jax="SVG"><svg style="vertical-align: -0.05ex;" xmlns="http://www.w3.org/2000/svg" width="8.925ex" height="1.557ex" role="img" focusable="false" viewBox="0 -666 3944.9 688"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mn"><path data-c="32" d="M109 429Q82 429 66 447T50 491Q50 562 103 614T235 666Q326 666 387 610T449 465Q449 422 429 383T381 315T301 241Q265 210 201 149L142 93L218 92Q375 92 385 97Q392 99 409 186V189H449V186Q448 183 436 95T421 3V0H50V19V31Q50 38 56 46T86 81Q115 113 136 137Q145 147 170 174T204 211T233 244T261 278T284 308T305 340T320 369T333 401T340 431T343 464Q343 527 309 573T212 619Q179 619 154 602T119 569T109 550Q109 549 114 549Q132 549 151 535T170 489Q170 464 154 447T109 429Z"></path></g><g data-mml-node="mo" transform="translate(722.2,0)"><path data-c="D7" d="M630 29Q630 9 609 9Q604 9 587 25T493 118L389 222L284 117Q178 13 175 11Q171 9 168 9Q160 9 154 15T147 29Q147 36 161 51T255 146L359 250L255 354Q174 435 161 449T147 471Q147 480 153 485T168 490Q173 490 175 489Q178 487 284 383L389 278L493 382Q570 459 587 475T609 491Q630 491 630 471Q630 464 620 453T522 355L418 250L522 145Q606 61 618 48T630 29Z"></path></g><g data-mml-node="mn" transform="translate(1722.4,0)"><path data-c="33" d="M127 463Q100 463 85 480T69 524Q69 579 117 622T233 665Q268 665 277 664Q351 652 390 611T430 522Q430 470 396 421T302 350L299 348Q299 347 308 345T337 336T375 315Q457 262 457 175Q457 96 395 37T238 -22Q158 -22 100 21T42 130Q42 158 60 175T105 193Q133 193 151 175T169 130Q169 119 166 110T159 94T148 82T136 74T126 70T118 67L114 66Q165 21 238 21Q293 21 321 74Q338 107 338 175V195Q338 290 274 322Q259 328 213 329L171 330L168 332Q166 335 166 348Q166 366 174 366Q202 366 232 371Q266 376 294 413T322 525V533Q322 590 287 612Q265 626 240 626Q208 626 181 615T143 592T132 580H135Q138 579 143 578T153 573T165 566T175 555T183 540T186 520Q186 498 172 481T127 463Z"></path></g><g data-mml-node="mo" transform="translate(2444.7,0)"><path data-c="D7" d="M630 29Q630 9 609 9Q604 9 587 25T493 118L389 222L284 117Q178 13 175 11Q171 9 168 9Q160 9 154 15T147 29Q147 36 161 51T255 146L359 250L255 354Q174 435 161 449T147 471Q147 480 153 485T168 490Q173 490 175 489Q178 487 284 383L389 278L493 382Q570 459 587 475T609 491Q630 491 630 471Q630 464 620 453T522 355L418 250L522 145Q606 61 618 48T630 29Z"></path></g><g data-mml-node="mn" transform="translate(3444.9,0)"><path data-c="33" d="M127 463Q100 463 85 480T69 524Q69 579 117 622T233 665Q268 665 277 664Q351 652 390 611T430 522Q430 470 396 421T302 350L299 348Q299 347 308 345T337 336T375 315Q457 262 457 175Q457 96 395 37T238 -22Q158 -22 100 21T42 130Q42 158 60 175T105 193Q133 193 151 175T169 130Q169 119 166 110T159 94T148 82T136 74T126 70T118 67L114 66Q165 21 238 21Q293 21 321 74Q338 107 338 175V195Q338 290 274 322Q259 328 213 329L171 330L168 332Q166 335 166 348Q166 366 174 366Q202 366 232 371Q266 376 294 413T322 525V533Q322 590 287 612Q265 626 240 626Q208 626 181 615T143 592T132 580H135Q138 579 143 578T153 573T165 566T175 555T183 540T186 520Q186 498 172 481T127 463Z"></path></g></g></g></svg></mjx-container>，4维图像大小为<mjx-container class="MathJax" jax="SVG"><svg style="vertical-align: -0.05ex;" xmlns="http://www.w3.org/2000/svg" width="12.822ex" height="1.557ex" role="img" focusable="false" viewBox="0 -666 5667.3 688"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mn"><path data-c="32" d="M109 429Q82 429 66 447T50 491Q50 562 103 614T235 666Q326 666 387 610T449 465Q449 422 429 383T381 315T301 241Q265 210 201 149L142 93L218 92Q375 92 385 97Q392 99 409 186V189H449V186Q448 183 436 95T421 3V0H50V19V31Q50 38 56 46T86 81Q115 113 136 137Q145 147 170 174T204 211T233 244T261 278T284 308T305 340T320 369T333 401T340 431T343 464Q343 527 309 573T212 619Q179 619 154 602T119 569T109 550Q109 549 114 549Q132 549 151 535T170 489Q170 464 154 447T109 429Z"></path></g><g data-mml-node="mo" transform="translate(722.2,0)"><path data-c="D7" d="M630 29Q630 9 609 9Q604 9 587 25T493 118L389 222L284 117Q178 13 175 11Q171 9 168 9Q160 9 154 15T147 29Q147 36 161 51T255 146L359 250L255 354Q174 435 161 449T147 471Q147 480 153 485T168 490Q173 490 175 489Q178 487 284 383L389 278L493 382Q570 459 587 475T609 491Q630 491 630 471Q630 464 620 453T522 355L418 250L522 145Q606 61 618 48T630 29Z"></path></g><g data-mml-node="mn" transform="translate(1722.4,0)"><path data-c="32" d="M109 429Q82 429 66 447T50 491Q50 562 103 614T235 666Q326 666 387 610T449 465Q449 422 429 383T381 315T301 241Q265 210 201 149L142 93L218 92Q375 92 385 97Q392 99 409 186V189H449V186Q448 183 436 95T421 3V0H50V19V31Q50 38 56 46T86 81Q115 113 136 137Q145 147 170 174T204 211T233 244T261 278T284 308T305 340T320 369T333 401T340 431T343 464Q343 527 309 573T212 619Q179 619 154 602T119 569T109 550Q109 549 114 549Q132 549 151 535T170 489Q170 464 154 447T109 429Z"></path></g><g data-mml-node="mo" transform="translate(2444.7,0)"><path data-c="D7" d="M630 29Q630 9 609 9Q604 9 587 25T493 118L389 222L284 117Q178 13 175 11Q171 9 168 9Q160 9 154 15T147 29Q147 36 161 51T255 146L359 250L255 354Q174 435 161 449T147 471Q147 480 153 485T168 490Q173 490 175 489Q178 487 284 383L389 278L493 382Q570 459 587 475T609 491Q630 491 630 471Q630 464 620 453T522 355L418 250L522 145Q606 61 618 48T630 29Z"></path></g><g data-mml-node="mn" transform="translate(3444.9,0)"><path data-c="33" d="M127 463Q100 463 85 480T69 524Q69 579 117 622T233 665Q268 665 277 664Q351 652 390 611T430 522Q430 470 396 421T302 350L299 348Q299 347 308 345T337 336T375 315Q457 262 457 175Q457 96 395 37T238 -22Q158 -22 100 21T42 130Q42 158 60 175T105 193Q133 193 151 175T169 130Q169 119 166 110T159 94T148 82T136 74T126 70T118 67L114 66Q165 21 238 21Q293 21 321 74Q338 107 338 175V195Q338 290 274 322Q259 328 213 329L171 330L168 332Q166 335 166 348Q166 366 174 366Q202 366 232 371Q266 376 294 413T322 525V533Q322 590 287 612Q265 626 240 626Q208 626 181 615T143 592T132 580H135Q138 579 143 578T153 573T165 566T175 555T183 540T186 520Q186 498 172 481T127 463Z"></path></g><g data-mml-node="mo" transform="translate(4167.1,0)"><path data-c="D7" d="M630 29Q630 9 609 9Q604 9 587 25T493 118L389 222L284 117Q178 13 175 11Q171 9 168 9Q160 9 154 15T147 29Q147 36 161 51T255 146L359 250L255 354Q174 435 161 449T147 471Q147 480 153 485T168 490Q173 490 175 489Q178 487 284 383L389 278L493 382Q570 459 587 475T609 491Q630 491 630 471Q630 464 620 453T522 355L418 250L522 145Q606 61 618 48T630 29Z"></path></g><g data-mml-node="mn" transform="translate(5167.3,0)"><path data-c="33" d="M127 463Q100 463 85 480T69 524Q69 579 117 622T233 665Q268 665 277 664Q351 652 390 611T430 522Q430 470 396 421T302 350L299 348Q299 347 308 345T337 336T375 315Q457 262 457 175Q457 96 395 37T238 -22Q158 -22 100 21T42 130Q42 158 60 175T105 193Q133 193 151 175T169 130Q169 119 166 110T159 94T148 82T136 74T126 70T118 67L114 66Q165 21 238 21Q293 21 321 74Q338 107 338 175V195Q338 290 274 322Q259 328 213 329L171 330L168 332Q166 335 166 348Q166 366 174 366Q202 366 232 371Q266 376 294 413T322 525V533Q322 590 287 612Q265 626 240 626Q208 626 181 615T143 592T132 580H135Q138 579 143 578T153 573T165 566T175 555T183 540T186 520Q186 498 172 481T127 463Z"></path></g></g></g></svg></mjx-container></p> <p>所以输出数据体的空间尺寸为<mjx-container class="MathJax" jax="SVG"><svg style="vertical-align: 0;" xmlns="http://www.w3.org/2000/svg" width="5.028ex" height="1.507ex" role="img" focusable="false" viewBox="0 -666 2222.4 666"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mn"><path data-c="32" d="M109 429Q82 429 66 447T50 491Q50 562 103 614T235 666Q326 666 387 610T449 465Q449 422 429 383T381 315T301 241Q265 210 201 149L142 93L218 92Q375 92 385 97Q392 99 409 186V189H449V186Q448 183 436 95T421 3V0H50V19V31Q50 38 56 46T86 81Q115 113 136 137Q145 147 170 174T204 211T233 244T261 278T284 308T305 340T320 369T333 401T340 431T343 464Q343 527 309 573T212 619Q179 619 154 602T119 569T109 550Q109 549 114 549Q132 549 151 535T170 489Q170 464 154 447T109 429Z"></path></g><g data-mml-node="mo" transform="translate(722.2,0)"><path data-c="D7" d="M630 29Q630 9 609 9Q604 9 587 25T493 118L389 222L284 117Q178 13 175 11Q171 9 168 9Q160 9 154 15T147 29Q147 36 161 51T255 146L359 250L255 354Q174 435 161 449T147 471Q147 480 153 485T168 490Q173 490 175 489Q178 487 284 383L389 278L493 382Q570 459 587 475T609 491Q630 491 630 471Q630 464 620 453T522 355L418 250L522 145Q606 61 618 48T630 29Z"></path></g><g data-mml-node="mn" transform="translate(1722.4,0)"><path data-c="32" d="M109 429Q82 429 66 447T50 491Q50 562 103 614T235 666Q326 666 387 610T449 465Q449 422 429 383T381 315T301 241Q265 210 201 149L142 93L218 92Q375 92 385 97Q392 99 409 186V189H449V186Q448 183 436 95T421 3V0H50V19V31Q50 38 56 46T86 81Q115 113 136 137Q145 147 170 174T204 211T233 244T261 278T284 308T305 340T320 369T333 401T340 431T343 464Q343 527 309 573T212 619Q179 619 154 602T119 569T109 550Q109 549 114 549Q132 549 151 535T170 489Q170 464 154 447T109 429Z"></path></g></g></g></svg></mjx-container>，深度为<code>2</code>，数量为<code>2</code></p> <ul> <li>out_height = 2</li> <li>out_width = 2</li> <li>depth = 2</li> <li>N = 2</li> </ul>

https://zjykzj.cn/posts/597060a3.html 2019-05-25T04:39:38.000Z 2026-03-02T14:17:13.922Z

<p><code>im2col</code>表示<code>image to column</code>，将图像转换成列向量</p> <p><strong>卷积操作步骤</strong>：首先将卷积核映射到<code>x_padded</code>左上角，然后沿着行方向操作，每次滑动<code>stride</code>距离；到达最右端后，将卷积核往列方向滑动<code>stride</code>距离，再实现从左到右的滑动</p>

https://zjykzj.cn/posts/cc37c46b.html 2019-05-24T01:51:33.000Z 2026-03-02T14:17:13.922Z

<p>在<code>cs231n</code>课程<a href="http://cs231n.github.io/convolutional-networks/#fc">Convolutional Neural Networks: Architectures, Convolution / Pooling Layers </a>中提到使用矩阵乘法方式完成卷积层及池化层操作，同时在<a href="http://cs231n.github.io/assignments2019/assignment2/">Assignment #2: Fully-Connected Nets, Batch Normalization, Dropout, Convolutional Nets</a>中给出了一个卷积层转全连接层的实现 - <code>im2col.py</code></p> <p><code>im2col</code>表示将滤波器局部连接矩阵向量化为列向量（<code>column vector</code>），在行方向进行堆叠，最终得到<code>2-D</code>矩阵</p> <p><code>im2col.py</code>使用 <em><strong>花式下标求解</strong></em> 的方式，让我觉得应该写篇文章好好学习一下</p> <p>本文介绍一些<code>numpy</code>实现，下一篇介绍<code>im2col</code>实现，第三篇实现<code>im2row</code>，第四篇介绍另一种实现图像和行向量互换的方式，最后实现池化层图像和行向量的互换<code>pool2row</code></p> <ol> <li>数组扩展</li> <li>数组变形</li> <li>数组填充</li> <li>维数转换</li> <li>矩阵提取</li> <li>数据叠加</li> </ol>

https://zjykzj.cn/posts/ab1e719c.html 2019-05-22T07:14:57.000Z 2026-03-02T14:17:13.922Z

<p>之前推导<code>LeNet-5</code>网络输入单个图像数据的前后向传播，现在实现批量图像数据的前后向传播</p>

https://zjykzj.cn/posts/3accb62a.html 2019-05-20T09:13:24.000Z 2026-03-02T14:17:13.922Z

<p>以<code>LeNet-5</code>为例，进行卷积神经网络的矩阵推导</p>

https://zjykzj.cn/posts/3b660279.html 2019-05-18T08:46:22.000Z 2026-03-02T14:17:13.922Z

<p>卷积神经网络（<code>convolutional neural network</code>）在神经网络（<code>neural network</code>）的基础上进一步发展，实现更强大的分类、识别性能</p> <p>结合<code>cs231n</code>课程<a href="http://cs231n.github.io/convolutional-networks/#architectures">Convolutional Neural Networks: Architectures, Convolution / Pooling Layers </a>，介绍卷积层和池化层，以及基于卷积层、池化层和全连接层的卷积神经网络常用的组成模式</p> <p><em>暂不涉及之后发展的网络结构和组成模式</em></p> <p>卷积神经网络以神经元为单位进行网络组织，不同于神经网络的<code>2-D</code>处理，卷积神经网络假定输入数据是图像（<code>image</code>），每层的输入输出都是一个<code>3</code>维数据体（<code>3-D volume</code>），各层神经元不仅在<code>2-D</code>空间上进行排列，还在深度（<code>depth</code>）上进行组织</p> <p>卷积神经网络主要的层类型有卷积层（<code>convolutional layer</code>）、池化层（<code>pooling layer</code>）和全连接层（<code>fully-connected layer</code>）</p>

https://zjykzj.cn/posts/5a77dbca.html 2019-05-18T07:01:30.000Z 2026-03-02T14:17:13.944Z

<p>使用<code>pytorch</code>实现<code>3</code>层神经网络模型<code>ThreeNet</code></p>

https://zjykzj.cn/posts/ba2ca878.html 2019-05-17T05:24:43.000Z 2026-03-02T14:17:13.944Z

<p>使用<code>numpy</code>实现神经网络模型</p> <ul> <li>使用单层神经网络<code>OneNet</code>实现逻辑或、逻辑与和逻辑非分类</li> <li>使用<code>2</code>层神经网络<code>TwoNet</code>实现逻辑异或分类</li> <li>使用<code>3</code>层神经网络<code>ThreeNet</code>实现<code>iris</code>数据集和<code>mnist</code>数据集分类</li> </ul>

https://zjykzj.cn/posts/1dd3ebad.html 2019-05-15T06:21:36.000Z 2026-03-02T14:17:13.944Z

<p>为了理清如何进行神经网络的前向传播和反向传播的推导，找了很多资料，前向传播比较简单，重点在于如何进行反向传播的梯度计算</p> <p><code>cs231n</code>课程推荐的计算方式是先进行单个元素求导，再逐步泛化到批量数据求梯度，参考</p>

https://zjykzj.cn/posts/b9ab243b.html 2019-05-14T06:23:29.000Z 2026-03-02T14:17:13.939Z

<p>神经网络的反向传播可以通过对损失函数进行微分得到各层权重矩阵的梯度</p> <p>其中对损失函数求梯度是实值标量函数一阶微分，其中关键的部分是得到Jacobian矩阵，从而转置获取梯度矩阵</p>

https://zjykzj.cn/posts/29422005.html 2019-05-13T03:01:53.000Z 2026-03-02T14:17:13.939Z

<p>在<code>pytorch</code>的<code>autograd</code>包中，利用<code>Jacobian</code>（雅格比）矩阵进行梯度的计算。学习实值标量函数、实值向量函数和实值矩阵函数相对于实向量变元或矩阵变元的偏导</p>

https://zjykzj.cn/posts/d1deacd1.html 2019-05-10T03:58:20.000Z 2026-03-02T14:17:13.939Z

<p>小结矩阵求解过程中的基础知识</p> <ul> <li>标量、向量和矩阵</li> <li>矩阵乘法/积</li> <li>转置、共扼、共扼转置</li> <li>矩阵的迹</li> <li>向量化和矩阵化</li> </ul>

https://zjykzj.cn/posts/a9bec5e9.html 2019-05-08T02:10:48.000Z 2026-03-02T14:17:13.939Z

<p>最近推导神经网络的前向传播和反向传播过程，经常会遇到有关导数、微分和梯度的内容，对它们的概念进行一次小结</p> <ul> <li>导数</li> <li>微分</li> <li>偏导数</li> <li>全微分</li> <li>方向导数</li> <li>梯度</li> </ul>

https://zjykzj.cn/posts/66015d4d.html 2019-05-06T06:43:47.000Z 2026-03-02T14:17:13.944Z

<p>输入批量数据到神经网络，进行前向传播和反向传播的推导</p>

https://zjykzj.cn/posts/cb820bb8.html 2019-05-01T02:22:08.000Z 2026-03-02T14:17:13.944Z

<p>输入单个数据到神经网络，进行前向传播和反向传播的推导</p>

https://zjykzj.cn/posts/f86c970.html 2019-04-30T06:02:42.000Z 2026-03-02T14:17:13.922Z

<p>介绍激活函数及其特性</p> <ul> <li>Sigmoid</li> <li>Tanh</li> <li>ReLU</li> <li>Leaky ReLU</li> <li>Maxout</li> </ul>

https://zjykzj.cn/posts/7ca31f7.html 2019-04-30T02:37:12.000Z 2026-03-02T14:17:13.944Z

<p>神经网络是卷积神经网络的基础，其包含的层架构、激活函数、反向传播、正则化等等内容都可以应用于卷积神经网络</p>

https://zjykzj.cn/posts/dd673751.html 2019-04-28T11:56:03.000Z 2026-03-02T14:17:13.944Z

<p><code>MNIST</code>是手写数字数据库，共有<code>60000</code>张训练图像和<code>10000</code>张测试图像，分别表示数字<code>0-9</code></p> <p>利用<code>softmax</code>回归模型进行<code>mnist</code>分类</p>

https://zjykzj.cn/posts/1c195604.html 2019-04-28T03:13:16.000Z 2026-03-02T14:17:13.944Z

<p>使用<code>pytorch</code>实现<code>softmax</code>回归，首先使用基本数学运算函数实现，然后逐步使用各种封装函数和优化包进行替换</p> <p>超参数如下：</p> <ul> <li>batch_size = 8</li> <li>lambda = 2e-4</li> <li>alpha = 2e-4</li> </ul> <p>使用数据库</p> <ul> <li><a href="https://www.kaggle.com/uciml/iris">Iris Species</a></li> </ul>

https://zjykzj.cn/posts/1ca34c3b.html 2019-04-27T01:37:10.000Z 2026-03-02T14:17:13.922Z

<p>在机器学习和深度学习中，通常需要把目标函数设置或者假定为凸函数（<code>Convex Function</code>），这样能够满足局部最小值就是全局最小值的特点，方便进行梯度计算</p>

https://zjykzj.cn/posts/b9a065f2.html 2019-04-23T11:45:02.000Z 2026-03-02T14:17:13.931Z

<p>在数据处理过程中经常使用函数式命令，确实能够方便和快捷的实现功能，下面小结一下python实现函数式编程</p> <p>python提供了lambda、map、filter、reduce和sorted等基础函数进行函数式编程</p>

https://zjykzj.cn/posts/2626bec3.html 2019-04-23T06:23:20.000Z 2026-03-02T14:17:13.944Z

<p><code>softmax</code>回归常用于多分类问题，其输出可直接看成对类别的预测概率</p> <p>假设对<code>k</code>类标签（<code>[1, 2, ..., k]</code>）进行分类，那么经过<code>softmax</code>回归计算后，输出一个<code>k</code>维向量，向量中每个值都代表对一个类别的预测概率</p> <p>下面先以单个输入数据为例，进行评分函数、损失函数的计算和求导，然后扩展到多个输入数据同步计算</p>

https://zjykzj.cn/posts/5d2f01d1.html 2019-04-22T08:48:35.000Z 2026-03-02T14:17:13.922Z

<p>成绩函数（<code>score function</code>）、目标函数（<code>objective function</code>）、代价函数（<code>cost function</code>）和损失函数（<code>loss function</code>）这四个术语经常出现在机器学习和深度学习的各类算法中</p>

https://zjykzj.cn/posts/ce0afb50.html 2019-04-22T07:35:43.000Z 2026-03-02T14:17:13.944Z

<p>什么是正则化</p>

https://zjykzj.cn/posts/730913b9.html 2019-04-22T01:27:06.000Z 2026-03-02T14:17:13.944Z

<p>逻辑回归常用于二元分类任务，其使用交叉熵损失进行梯度计算，实现步骤如下：</p> <ol> <li>加载、打乱、标准化训练和测试数据</li> <li>设计分类器、损失函数和梯度更新函数</li> <li>用训练数据计算目标函数和精度</li> <li>用训练数据计算损失函数和梯度，并更新梯度</li> <li>重复<code>3-4</code>步，直到精度达到要求或达到指定迭代次数</li> <li>用测试数据计算目标函数和精度</li> </ol> <p>使用<code>numpy</code>和<code>pytorch</code>分别实现小批量梯度下降的<code>2</code>分类逻辑回归</p>

https://zjykzj.cn/posts/9f2d3388.html 2019-04-17T06:06:17.000Z 2026-03-02T14:17:13.944Z

<p>逻辑回归（<code>logistic regression</code>）是分类算法，常用于二元分类</p>

https://zjykzj.cn/posts/ca2079f0.html 2019-04-16T12:13:01.000Z 2026-03-02T14:17:13.944Z

<p>首先利用<code>numpy</code>实现梯度下降解决多变量线性回归问题，然后逐步将操作转换成<code>pytorch</code></p> <p>实现步骤如下：</p> <ol> <li>加载训练数据</li> <li>初始化权重</li> <li>计算预测结果</li> <li>计算损失函数</li> <li>梯度更新</li> <li>重复<code>3-5</code>步，直到完成迭代次数</li> <li>绘制损失图</li> </ol> <p>多变量线性回归测试数据参考<a href="https://github.com/peedeep/Coursera/blob/master/ex1/ex1data2.txt">ex1data2.txt</a></p>

https://zjykzj.cn/posts/3c50d4b7.html 2019-04-16T06:46:59.000Z 2026-03-02T14:17:13.922Z

<p>梯度下降是求解函数最小值的算法，也称为最速下降法，它通过梯度更新不断的逼近最优解</p> <p>常用的比喻是下山问题，通过计算梯度能够找到函数值变化最快的地方，通过步长决定收敛的速度</p> <p>梯度下降方法包括批量梯度下降、随机梯度下降和小批量梯度下降，下面通过梯度下降计算多变量线性回归问题</p>

https://zjykzj.cn/posts/5213c80b.html 2019-04-15T06:08:13.000Z 2026-03-02T14:17:13.952Z

<span id="more"></span> <p>指定标签块名</p> <div class="tabs" id="标签块"><ul class="nav-tabs"><li class="tab active"><a href="#标签块-1">标签块 1</a></li

https://zjykzj.cn/posts/6824c6e3.html 2019-04-10T07:09:12.000Z 2026-03-02T14:17:13.939Z

<p>正态分布（<code>normal distribution</code>），也称为常态分布，高斯分布（<code>gaussian distribution</code>），是连续随机变量概率分布的一种，自然界中大量现象符合正态分布，比如身高/体重/成绩/收入/寿命</p>

https://zjykzj.cn/posts/dea583b1.html 2019-04-10T05:49:35.000Z 2026-03-02T14:17:13.922Z

<p>在多变量回归或分类问题上，需要保证这些变量的取值范围具有同一尺度</p> <p>原因一：<strong>确保大尺度变量不会左右分类器的分类结果</strong>。如果分类器利用结果变量的距离来计算损失函数，那么小尺度变量的变化会被忽略，大尺度变量会决定分类效果<br>原因二：<strong>帮助梯度下降算法收敛更快</strong>。参考<a href="https://blog.csdn.net/runnerxin/article/details/78551025">机器学习–特征缩放/均值归一化</a>，从损失函数等值线图可知，变量在同一尺度下能够更快的通过梯度下降算法收敛</p> <p>常用的特征缩放方法包括标准化（或称为规范化）和区间缩放</p>

https://zjykzj.cn/posts/ec419bd2.html 2019-04-09T11:36:36.000Z 2026-03-02T14:17:13.944Z

<p>主要内容如下：</p> <ol> <li>回归和分类的区别</li> <li>线性回归</li> <li>最小二乘法</li> <li>梯度下降法</li> </ol>

https://zjykzj.cn/posts/4da024d0.html 2019-04-07T06:50:07.000Z 2026-03-02T14:17:13.918Z

<p>进行图像处理经常需要使用图像数据集，常用的包括cifar-10/mnist等等</p> <p>很多时候也需要自己进行图像的采集，如何有效的保存和管理这些图像，以及训练完成后得到的数据？参考<a href="https://pytorch.org/tutorials/beginner/data_loading_tutorial.html">DATA LOADING AND PROCESSING TUTORIAL</a>进行图像数据集的制作</p>

https://zjykzj.cn/posts/adb6e880.html 2019-04-02T12:44:57.000Z 2026-03-02T14:17:13.922Z

<p><a href="https://www.cs.toronto.edu/~kriz/cifar.html">cifar-100数据集</a>解析和<a href="https://www.zhuajin.tech/posts/43d7ec86.html">cifar-10数据集解析</a>类似，区别在于<code>cifar-100</code>共<code>20</code>个超类（<code>superclass</code>），<code>100</code>个子类，所以每张图像有两个标签：超类标签（<code>coarse label</code>）和子类标签（<code>fine label</code>）</p> <p><img src="/imgs/dataset/cifar-100%E6%95%B0%E6%8D%AE%E9%9B%86%E8%A7%A3%E6%9E%90/100-classes.png"></p>

https://zjykzj.cn/posts/43d7ec86.html 2019-04-02T11:44:57.000Z 2026-03-02T14:17:13.922Z

<p><code>cifar-10</code>数据集保存<code>10</code>类，每类<code>6000</code>张图像。其中<code>50000</code>张训练图像和<code>10000</code>张测试图像</p> <p>训练图像保存在<code>5</code>个文件中，每个文件有<code>10000</code>张图像，测试图像保存在一个文件，训练和测试图像都以随机顺序保存</p> <p>官网：<a href="http://www.cs.toronto.edu/~kriz/cifar.html">The CIFAR-10 dataset</a></p> <p><code>cifar-10</code>提供了使用不同语言生成的压缩包，包括<code>python/matlab/c</code></p>

https://zjykzj.cn/posts/a6c06fb8.html 2019-03-30T05:44:49.000Z 2026-03-02T14:17:13.952Z

<h1> <i> 更详细的配置参考：<a href="https://blog.zhujian.life/posts/66900c1a.html">[PyCharm]Remote配置</a> </i> </h1> <p>当前使用笔记本进行开发，想要利用服务器加快编译和运行速度</p>

https://zjykzj.cn/posts/5e96fc4f.html 2019-03-30T02:48:06.000Z 2026-03-02T14:17:13.952Z

<p><code>jupyter notebook</code>是一个基于客户端-服务器架构的<code>web</code>应用，但是默认仅能运行在本地，可以通过配置开放远程服务器端口</p> <p>本文实现单用户远程访问功能，如果要实现多用户访问，参考<a href="https://jupyterhub.readthedocs.io/en/latest/">JupyterHub</a></p>

https://zjykzj.cn/posts/adc5ce0c.html 2019-03-26T01:53:52.000Z 2026-03-02T14:17:13.939Z

<h2 id="问题描述"><a href="#问题描述" class="headerlink" title="问题描述"></a>问题描述</h2><p>将<code>Jenkins</code>架设在局域网服务器上，使用内网穿透技术映射<code>Jenkins</code>端口，打开页面，提示错误</p> <blockquote> <p>It appears that your reverse proxy set up is broken</p> </blockquote>

https://zjykzj.cn/posts/341b6b1e.html 2019-03-25T07:01:14.000Z 2026-03-02T14:17:13.939Z

<p>默认<code>Jenkins</code>已安装好<code>github</code>插件<a href="http://wiki.jenkins-ci.org/display/JENKINS/Github+Plugin">Github plugin</a></p> <p><img src="/imgs/jenkins/Jenkins-github-webhook%E8%BF%9E%E6%8E%A5/github-plugin.png"></p> <p>使用<code>WebHook</code>方式进行<code>github</code>的配置，过程如下：</p> <ol> <li>获取<code>Jenkins WebHook URL</code></li> <li>配置<code>github</code>仓库<code>WebHook</code></li> <li>新建<code>jenkins</code>工程并配置<code>github</code>仓库</li> <li>推送修改到<code>github</code>，触发<code>jenkins</code>工程</li> </ol>

https://zjykzj.cn/posts/6185d82f.html 2019-03-25T02:12:53.000Z 2026-03-02T14:17:13.939Z

<p>使用步骤如下：</p> <ol> <li>在<code>Jenkins</code>安装<code>coding</code>插件</li> <li>在<code>Jenkins</code>配置<code>Credentials</code>，设置<code>ssh</code>私钥</li> <li>新建工程，配置<code>coding</code>仓库地址以及<code>coding</code>触发器</li> <li>在<code>coding</code>仓库设置<code>webhook</code></li> <li>推送修改到<code>coding</code>仓库，触发<code>jenkins</code>构建</li> </ol>

https://zjykzj.cn/posts/fddee3e1.html 2019-03-23T02:14:45.000Z 2026-03-02T14:17:13.939Z

<p><code>Jenkins</code>提供了多种模型来进行自动化操作，最基础的就是<code>freestyle</code>工程</p> <p>操作步骤如下：</p> <ol> <li>在本地新建<code>git</code>仓库</li> <li>创建<code>Jenkins Freestyle</code>工程，绑定<code>git</code>仓库，执行构建脚本</li> <li><code>git</code>仓库添加文件</li> <li>手动触发<code>Jenkins</code>工程进行构建</li> </ol>

https://zjykzj.cn/posts/5d15ec84.html 2019-03-22T05:35:53.000Z 2026-03-02T14:17:13.939Z

<h2 id="什么是Jenkins？"><a href="#什么是Jenkins？" class="headerlink" title="什么是Jenkins？"></a>什么是Jenkins？</h2><p><a href="https://jenkins.io/zh/">Jenkins</a>是一个独立开源的自动化服务器，支持几乎所有语言，支持所有自动化任务，包括构建、测试、交付和部署</p>

https://zjykzj.cn/posts/591ccb13.html 2019-03-21T01:42:57.000Z 2026-03-02T14:17:13.948Z

<p>前几天和同学聊天关于未来工作的场景，聊到具体的研发岗位后发现对于后端开发和服务器开发没有太多概念（我以为后端开发和服务器开发是一回事），打算写一篇文章好好理清其中的关系</p>

https://zjykzj.cn/posts/ed2e9abb.html 2019-03-17T06:46:59.000Z 2026-03-02T14:17:13.948Z

<h2 id="核心思想"><a href="#核心思想" class="headerlink" title="核心思想"></a>核心思想</h2><p>将软件项目划分为可独立运行、可相互集成的小项目，分别完成的同时保持软件的可运行</p> <p>小项目迭代开发，以用户需求为核心，根据反馈及时修改开发方向</p> <p>尽早实现开发原型的交付，在此基础上进一步添加用户需求，强调可持续开发</p>

https://zjykzj.cn/posts/8e9d3485.html 2019-03-16T10:54:23.000Z 2026-03-02T14:17:13.948Z

<h2 id="核心思想"><a href="#核心思想" class="headerlink" title="核心思想"></a>核心思想</h2><p>结合迭代模型和瀑布模型的特点，同时增加风险分析</p> <p>开发过程中，首先实现关键功能，然后周期性的进行其他功能的开发。每个开发周期划分为需求定义、风险分析、工程实现和评审共4个阶段</p> <p><img src="/imgs/software/%E8%9E%BA%E6%97%8B%E6%A8%A1%E5%9E%8B/%E8%9E%BA%E6%97%8B%E6%A8%A1%E5%9E%8B.PNG"></p> <p>在需求定义阶段，分解项目需求，确定需求等级</p> <p>通过风险分析，将软件项目分解成一个个小项目，确定每个项目的主要风险，以及采取哪种策略来规避风险</p> <p>通过客户评审来进一步修正计划，进行下一个周期的开发</p>

https://zjykzj.cn/posts/5cbfbe67.html 2019-03-16T07:42:47.000Z 2026-03-02T14:17:13.952Z

<p>记录一些论文写作相关的工具和使用方法</p>

https://zjykzj.cn/posts/7080d667.html 2019-03-09T13:24:03.000Z 2026-03-02T14:17:13.948Z

<h2 id="核心思想"><a href="#核心思想" class="headerlink" title="核心思想"></a>核心思想</h2><p>迭代模型不要求一次迭代就完成目标结果，其目的是通过不断迭代来逐渐实现目标</p> <p>每次迭代都可以看成一个小的瀑布模型，经历过需求分析、设计、实现和测试阶段</p> <p>上一次迭代的成果是下一次迭代的起始；当前迭代的目的是解决上一次迭代遗留的问题以及实现最终目标</p> <p><img src="/imgs/software/%E8%BF%AD%E4%BB%A3%E6%A8%A1%E5%9E%8B/%E8%BF%AD%E4%BB%A3%E6%A8%A1%E5%9E%8B.PNG"></p>

https://zjykzj.cn/posts/9d00be46.html 2019-03-09T12:50:44.000Z 2026-03-02T14:17:13.948Z

<h2 id="核心思想"><a href="#核心思想" class="headerlink" title="核心思想"></a>核心思想</h2><p>规划程序开发流程，划分为制定计划、需求分析、软件设计、程序编写、软件测试和运行维护六个阶段</p> <p><img src="/imgs/software/%E7%80%91%E5%B8%83%E6%A8%A1%E5%9E%8B/%E7%80%91%E5%B8%83%E6%A8%A1%E5%9E%8B.PNG"></p> <p>发现问题，需要回到上一个阶段进行解决，解决后再进入下一个阶段</p>

https://zjykzj.cn/posts/7baadea7.html 2019-03-05T10:55:19.000Z 2026-03-02T14:17:13.948Z

<p>在网上看到一个说法,开发软件就像开发建筑,感觉真的很像.后来又转念一想,工程类学科(比如建筑工程/汽车工程)都有相似的部分</p> <ul> <li>参与人数众多</li> <li>高度分工(比如有专门负责视觉UI/有专门负责产品测试/有专门负责产品开发)</li> <li>追求模块化/结构化</li> <li>在不同领域有专精(比如开发浏览器/邮箱/搜索引擎/电子商务)</li> </ul>

https://zjykzj.cn/posts/a6cd9115.html 2019-02-15T09:02:27.000Z 2026-03-02T14:17:13.948Z

<p>经历过几个软件开发，有模块的开发也有产品的开发。这其中并不是每一次都是细分开发过程，但是随着学习的深入，越来越多的自动化操作应用在开发过程中，如果能够更好的细分当前的开发流程，我觉得这会对开发软件有更好的帮助。</p> <p>小结软件开发过程中需要经历的阶段和专用术语</p>

https://zjykzj.cn/posts/d22ab967.html 2019-01-26T16:52:12.000Z 2026-03-02T14:17:13.926Z

<p><em><strong>停止更新，使用<a href="https://blog.zhujian.life/posts/bd2847bc.html">知识金字塔</a></strong></em></p> <p>列出整理成册的文档，以备参考</p>

https://zjykzj.cn/posts/3d82a363.html 2019-01-25T07:26:51.000Z 2026-03-02T14:17:13.939Z

<p>方差、标准差都是在概率论(<code>probability</code>)和统计学(<code>statistic</code>)中常用的内容，它们之间彼此联系又互相有差别</p>

https://zjykzj.cn/posts/507c1b79.html 2019-01-25T07:22:44.000Z 2026-03-02T14:17:13.939Z

<p>充分条件(<code>sufficient condition</code>)和必要条件(<code>necessary condition</code>)是逻辑上用于描述表达式(<code>statement</code>)之间或日常生活中用于描述事务(<code>affair</code>)之间的条件关系或隐含关系的术语</p> <p>假设<mjx-container class="MathJax" jax="SVG"><svg style="vertical-align: 0;" xmlns="http://www.w3.org/2000/svg" width="1.697ex" height="1.62ex" role="img" focusable="false" viewBox="0 -716 750 716"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mi"><path data-c="1D434" d="M208 74Q208 50 254 46Q272 46 272 35Q272 34 270 22Q267 8 264 4T251 0Q249 0 239 0T205 1T141 2Q70 2 50 0H42Q35 7 35 11Q37 38 48 46H62Q132 49 164 96Q170 102 345 401T523 704Q530 716 547 716H555H572Q578 707 578 706L606 383Q634 60 636 57Q641 46 701 46Q726 46 726 36Q726 34 723 22Q720 7 718 4T704 0Q701 0 690 0T651 1T578 2Q484 2 455 0H443Q437 6 437 9T439 27Q443 40 445 43L449 46H469Q523 49 533 63L521 213H283L249 155Q208 86 208 74ZM516 260Q516 271 504 416T490 562L463 519Q447 492 400 412L310 260L413 259Q516 259 516 260Z"></path></g></g></g></svg></mjx-container>为条件，<mjx-container class="MathJax" jax="SVG"><svg style="vertical-align: 0;" xmlns="http://www.w3.org/2000/svg" width="1.717ex" height="1.545ex" role="img" focusable="false" viewBox="0 -683 759 683"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mi"><path data-c="1D435" d="M231 637Q204 637 199 638T194 649Q194 676 205 682Q206 683 335 683Q594 683 608 681Q671 671 713 636T756 544Q756 480 698 429T565 360L555 357Q619 348 660 311T702 219Q702 146 630 78T453 1Q446 0 242 0Q42 0 39 2Q35 5 35 10Q35 17 37 24Q42 43 47 45Q51 46 62 46H68Q95 46 128 49Q142 52 147 61Q150 65 219 339T288 628Q288 635 231 637ZM649 544Q649 574 634 600T585 634Q578 636 493 637Q473 637 451 637T416 636H403Q388 635 384 626Q382 622 352 506Q352 503 351 500L320 374H401Q482 374 494 376Q554 386 601 434T649 544ZM595 229Q595 273 572 302T512 336Q506 337 429 337Q311 337 310 336Q310 334 293 263T258 122L240 52Q240 48 252 48T333 46Q422 46 429 47Q491 54 543 105T595 229Z"></path></g></g></g></svg></mjx-container>为结论</p>

https://zjykzj.cn/posts/359e7c3c.html 2019-01-21T05:58:07.000Z 2026-03-02T14:17:13.922Z

<p>从文档写作开始,经历了多个平台的实践。最开始在<code>CSDN</code>上进行博客写作，到现在利用<code>Hexo</code>自建博客网站，中间还通过<code>sphinx+github+readthedocs</code>进行文档管理。不同的写作平台和写作方式有长处也有短处，小结一下</p>

https://zjykzj.cn/posts/Infinity.html 2019-01-20T16:16:20.000Z 2026-03-02T14:17:13.952Z

<p>Simple inline <mjx-container class="MathJax" jax="SVG"><svg style="vertical-align: -0.186ex;" xmlns="http://www.w3.org/2000/svg" width="8.93ex" height="1.756ex" role="img" focusable="false" viewBox="0 -694 3947 776"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mi"><path data-c="1D44E" d="M33 157Q33 258 109 349T280 441Q331 441 370 392Q386 422 416 422Q429 422 439 414T449 394Q449 381 412 234T374 68Q374 43 381 35T402 26Q411 27 422 35Q443 55 463 131Q469 151 473 152Q475 153 483 153H487Q506 153 506 144Q506 138 501 117T481 63T449 13Q436 0 417 -8Q409 -10 393 -10Q359 -10 336 5T306 36L300 51Q299 52 296 50Q294 48 292 46Q233 -10 172 -10Q117 -10 75 30T33 157ZM351 328Q351 334 346 350T323 385T277 405Q242 405 210 374T160 293Q131 214 119 129Q119 126 119 118T118 106Q118 61 136 44T179 26Q217 26 254 59T298 110Q300 114 325 217T351 328Z"></path></g><g data-mml-node="mo" transform="translate(806.8,0)"><path data-c="3D" d="M56 347Q56 360 70 367H707Q722 359 722 347Q722 336 708 328L390 327H72Q56 332 56 347ZM56 153Q56 168 72 173H708Q722 163 722 153Q722 140 707 133H70Q56 140 56 153Z"></path></g><g data-mml-node="mi" transform="translate(1862.6,0)"><path data-c="1D44F" d="M73 647Q73 657 77 670T89 683Q90 683 161 688T234 694Q246 694 246 685T212 542Q204 508 195 472T180 418L176 399Q176 396 182 402Q231 442 283 442Q345 442 383 396T422 280Q422 169 343 79T173 -11Q123 -11 82 27T40 150V159Q40 180 48 217T97 414Q147 611 147 623T109 637Q104 637 101 637H96Q86 637 83 637T76 640T73 647ZM336 325V331Q336 405 275 405Q258 405 240 397T207 376T181 352T163 330L157 322L136 236Q114 150 114 114Q114 66 138 42Q154 26 178 26Q211 26 245 58Q270 81 285 114T318 219Q336 291 336 325Z"></path></g><g data-mml-node="mo" transform="translate(2513.8,0)"><path data-c="2B" d="M56 237T56 250T70 270H369V420L370 570Q380 583 389 583Q402 583 409 568V270H707Q722 262 722 250T707 230H409V-68Q401 -82 391 -82H389H387Q375 -82 369 -68V230H70Q56 237 56 250Z"></path></g><g data-mml-node="mi" transform="translate(3514,0)"><path data-c="1D450" d="M34 159Q34 268 120 355T306 442Q362 442 394 418T427 355Q427 326 408 306T360 285Q341 285 330 295T319 325T330 359T352 380T366 386H367Q367 388 361 392T340 400T306 404Q276 404 249 390Q228 381 206 359Q162 315 142 235T121 119Q121 73 147 50Q169 26 205 26H209Q321 26 394 111Q403 121 406 121Q410 121 419 112T429 98T420 83T391 55T346 25T282 0T202 -11Q127 -11 81 37T34 159Z"></path></g></g></g></svg></mjx-container>.</p> <p><mjx-container class="MathJax" jax="SVG" display="true"><svg style="vertical-align: -2.148ex;" xmlns="http://www.w3.org/2000/svg" width="32.142ex" height="5.564ex" role="img" focusable="false" viewBox="0 -1509.9 14206.6 2459.4"><g stroke="currentColor" fill="currentColor" stroke-width="0" transform="scale(1,-1)"><g data-mml-node="math"><g data-mml-node="mfrac"><g data-mml-node="mrow" transform="translate(220,676)"><g data-mml-node="mi"><path data-c="1D715" d="M202 508Q179 508 169 520T158 547Q158 557 164 577T185 624T230 675T301 710L333 715H345Q378 715 384 714Q447 703 489 661T549 568T566 457Q566 362 519 240T402 53Q321 -22 223 -22Q123 -22 73 56Q42 102 42 148V159Q42 276 129 370T322 465Q383 465 414 434T455 367L458 378Q478 461 478 515Q478 603 437 639T344 676Q266 676 223 612Q264 606 264 572Q264 547 246 528T202 508ZM430 306Q430 372 401 400T333 428Q270 428 222 382Q197 354 183 323T150 221Q132 149 132 116Q132 21 232 21Q244 21 250 22Q327 35 374 112Q389 137 409 196T430 306Z"></path></g><g data-mml-node="mi" transform="translate(566,0)"><path data-c="1D462" d="M21 287Q21 295 30 318T55 370T99 420T158 442Q204 442 227 417T250 358Q250 340 216 246T182 105Q182 62 196 45T238 27T291 44T328 78L339 95Q341 99 377 247Q407 367 413 387T427 416Q444 431 463 431Q480 431 488 421T496 402L420 84Q419 79 419 68Q419 43 426 35T447 26Q469 29 482 57T512 145Q514 153 532 153Q551 153 551 144Q550 139 549 130T540 98T523 55T498 17T462 -8Q454 -10 438 -10Q372 -10 347 46Q345 45 336 36T318 21T296 6T267 -6T233 -11Q189 -11 155 7Q103 38 103 113Q103 170 138 262T173 379Q173 380 173 381Q173 390 173 393T169 400T158 404H154Q131 404 112 385T82 344T65 302T57 280Q55 278 41 278H27Q21 284 21 287Z"></path></g></g><g data-mml-node="mrow" transform="translate(325.5,-686)"><g data-mml-node="mi"><path data-c="1D715" d="M202 508Q179 508 169 520T158 547Q158 557 164 577T185 624T230 675T301 710L333 715H345Q378 715 384 714Q447 703 489 661T549 568T566 457Q566 362 519 240T402 53Q321 -22 223 -22Q123 -22 73 56Q42 102 42 148V159Q42 276 129 370T322 465Q383 465 414 434T455 367L458 378Q478 461 478 515Q478 603 437 639T344 676Q266 676 223 612Q264 606 264 572Q264 547 246 528T202 508ZM430 306Q430 372 401 400T333 428Q270 428 222 382Q197 354 183 323T150 221Q132 149 132 116Q132 21 232 21Q244 21 250 22Q327 35 374 112Q389 137 409 196T430 306Z"></path></g><g data-mml-node="mi" transform="translate(566,0)"><path data-c="1D461" d="M26 385Q19 392 19 395Q19 399 22 411T27 425Q29 430 36 430T87 431H140L159 511Q162 522 166 540T173 566T179 586T187 603T197 615T211 624T229 626Q247 625 254 615T261 596Q261 589 252 549T232 470L222 433Q222 431 272 431H323Q330 424 330 420Q330 398 317 385H210L174 240Q135 80 135 68Q135 26 162 26Q197 26 230 60T283 144Q285 150 288 151T303 153H307Q322 153 322 145Q322 142 319 133Q314 117 301 95T267 48T216 6T155 -11Q125 -11 98 4T59 56Q57 64 57 83V101L92 241Q127 382 128 383Q128 385 77 385H26Z"></path></g></g><rect width="1338" height="60" x="120" y="220"></rect></g><g data-mml-node="mo" transform="translate(1855.8,0)"><path data-c="3D" d="M56 347Q56 360 70 367H707Q722 359 722 347Q722 336 708 328L390 327H72Q56 332 56 347ZM56 153Q56 168 72 173H708Q722 163 722 153Q722 140 707 133H70Q56 140 56 153Z"></path></g><g data-mml-node="msup" transform="translate(2911.6,0)"><g data-mml-node="mi"><path data-c="210E" d="M137 683Q138 683 209 688T282 694Q294 694 294 685Q294 674 258 534Q220 386 220 383Q220 381 227 388Q288 442 357 442Q411 442 444 415T478 336Q478 285 440 178T402 50Q403 36 407 31T422 26Q450 26 474 56T513 138Q516 149 519 151T535 153Q555 153 555 145Q555 144 551 130Q535 71 500 33Q466 -10 419 -10H414Q367 -10 346 17T325 74Q325 90 361 192T398 345Q398 404 354 404H349Q266 404 205 306L198 293L164 158Q132 28 127 16Q114 -11 83 -11Q69 -11 59 -2T48 16Q48 30 121 320L195 616Q195 629 188 632T149 637H128Q122 643 122 645T124 664Q129 683 137 683Z"></path></g><g data-mml-node="mn" transform="translate(609,413) scale(0.707)"><path data-c="32" d="M109 429Q82 429 66 447T50 491Q50 562 103 614T235 666Q326 666 387 610T449 465Q449 422 429 383T381 315T301 241Q265 210 201 149L142 93L218 92Q375 92 385 97Q392 99 409 186V189H449V186Q448 183 436 95T421 3V0H50V19V31Q50 38 56 46T86 81Q115 113 136 137Q145 147 170 174T204 211T233 244T261 278T284 308T305 340T320 369T333 401T340 431T343 464Q343 527 309 573T212 619Q179 619 154 602T119 569T109 550Q109 549 114 549Q132 549 151 535T170 489Q170 464 154 447T109 429Z"></path></g></g><g data-mml-node="mrow" transform="translate(4090.8,0)"><g data-mml-node="mo" transform="translate(0 -0.5)"><path data-c="28" d="M701 -940Q701 -943 695 -949H664Q662 -947 636 -922T591 -879T537 -818T475 -737T412 -636T350 -511T295 -362T250 -186T221 17T209 251Q209 962 573 1361Q596 1386 616 1405T649 1437T664 1450H695Q701 1444 701 1441Q701 1436 681 1415T629 1356T557 1261T476 1118T400 927T340 675T308 359Q306 321 306 250Q306 -139 400 -430T690 -924Q701 -936 701 -940Z"></path></g><g data-mml-node="mfrac" transform="translate(736,0)"><g data-mml-node="mrow" transform="translate(220,676)"><g data-mml-node="msup"><g data-mml-node="mi"><path data-c="1D715" d="M202 508Q179 508 169 520T158 547Q158 557 164 577T185 624T230 675T301 710L333 715H345Q378 715 384 714Q447 703 489 661T549 568T566 457Q566 362 519 240T402 53Q321 -22 223 -22Q123 -22 73 56Q42 102 42 148V159Q42 276 129 370T322 465Q383 465 414 434T455 367L458 378Q478 461 478 515Q478 603 437 639T344 676Q266 676 223 612Q264 606 264 572Q264 547 246 528T202 508ZM430 306Q430 372 401 400T333 428Q270 428 222 382Q197 354 183 323T150 221Q132 149 132 116Q132 21 232 21Q244 21 250 22Q327 35 374 112Q389 137 409 196T430 306Z"></path></g><g data-mml-node="mn" transform="translate(650.8,363) scale(0.707)"><path data-c="32" d="M109 429Q82 429 66 447T50 491Q50 562 103 614T235 666Q326 666 387 610T449 465Q449 422 429 383T381 315T301 241Q265 210 201 149L142 93L218 92Q375 92 385 97Q392 99 409 186V189H449V186Q448 183 436 95T421 3V0H50V19V31Q50 38 56 46T86 81Q115 113 136 137Q145 147 170 174T204 211T233 244T261 278T284 308T305 340T320 369T333 401T340 431T343 464Q343 527 309 573T212 619Q179 619 154 602T119 569T109 550Q109 549 114 549Q132 549 151 535T170 489Q170 464 154 447T109 429Z"></path></g></g><g data-mml-node="mi" transform="translate(1054.3,0)"><path data-c="1D462" d="M21 287Q21 295 30 318T55 370T99 420T158 442Q204 442 227 417T250 358Q250 340 216 246T182 105Q182 62 196 45T238 27T291 44T328 78L339 95Q341 99 377 247Q407 367 413 387T427 416Q444 431 463 431Q480 431 488 421T496 402L420 84Q419 79 419 68Q419 43 426 35T447 26Q469 29 482 57T512 145Q514 153 532 153Q551 153 551 144Q550 139 549 130T540 98T523 55T498 17T462 -8Q454 -10 438 -10Q372 -10 347 46Q345 45 336 36T318 21T296 6T267 -6T233 -11Q189 -11 155 7Q103 38 103 113Q103 170 138 262T173 379Q173 380 173 381Q173 390 173 393T169 400T158 404H154Q131 404 112 385T82 344T65 302T57 280Q55 278 41 278H27Q21 284 21 287Z"></path></g></g><g data-mml-node="mrow" transform="translate(245.9,-719.9)"><g data-mml-node="mi"><path data-c="1D715" d="M202 508Q179 508 169 520T158 547Q158 557 164 577T185 624T230 675T301 710L333 715H345Q378 715 384 714Q447 703 489 661T549 568T566 457Q566 362 519 240T402 53Q321 -22 223 -22Q123 -22 73 56Q42 102 42 148V159Q42 276 129 370T322 465Q383 465 414 434T455 367L458 378Q478 461 478 515Q478 603 437 639T344 676Q266 676 223 612Q264 606 264 572Q264 547 246 528T202 508ZM430 306Q430 372 401 400T333 428Q270 428 222 382Q197 354 183 323T150 221Q132 149 132 116Q132 21 232 21Q244 21 250 22Q327 35 374 112Q389 137 409 196T430 306Z"></path></g><g data-mml-node="msup" transform="translate(566,0)"><g data-mml-node="mi"><path data-c="1D465" d="M52 289Q59 331 106 386T222 442Q257 442 286 424T329 379Q371 442 430 442Q467 442 494 420T522 361Q522 332 508 314T481 292T458 288Q439 288 427 299T415 328Q415 374 465 391Q454 404 425 404Q412 404 406 402Q368 386 350 336Q290 115 290 78Q290 50 306 38T341 26Q378 26 414 59T463 140Q466 150 469 151T485 153H489Q504 153 504 145Q504 144 502 134Q486 77 440 33T333 -11Q263 -11 227 52Q186 -10 133 -10H127Q78 -10 57 16T35 71Q35 103 54 123T99 143Q142 143 142 101Q142 81 130 66T107 46T94 41L91 40Q91 39 97 36T113 29T132 26Q168 26 194 71Q203 87 217 139T245 247T261 313Q266 340 266 352Q266 380 251 392T217 404Q177 404 142 372T93 290Q91 281 88 280T72 278H58Q52 284 52 289Z"></path></g><g data-mml-node="mn" transform="translate(605,289) scale(0.707)"><path data-c="32" d="M109 429Q82 429 66 447T50 491Q50 562 103 614T235 666Q326 666 387 610T449 465Q449 422 429 383T381 315T301 241Q265 210 201 149L142 93L218 92Q375 92 385 97Q392 99 409 186V189H449V186Q448 183 436 95T421 3V0H50V19V31Q50 38 56 46T86 81Q115 113 136 137Q145 147 170 174T204 211T233 244T261 278T284 308T305 340T320 369T333 401T340 431T343 464Q343 527 309 573T212 619Q179 619 154 602T119 569T109 550Q109 549 114 549Q132 549 151 535T170 489Q170 464 154 447T109 429Z"></path></g></g></g><rect width="1826.3" height="60" x="120" y="220"></rect></g><g data-mml-node="mo" transform="translate(3024.5,0)"><path data-c="2B" d="M56 237T56 250T70 270H369V420L370 570Q380 583 389 583Q402 583 409 568V270H707Q722 262 722 250T707 230H409V-68Q401 -82 391 -82H389H387Q375 -82 369 -68V230H70Q56 237 56 250Z"></path></g><g data-mml-node="mfrac" transform="translate(4024.7,0)"><g data-mml-node="mrow" transform="translate(220,676)"><g data-mml-node="msup"><g data-mml-node="mi"><path data-c="1D715" d="M202 508Q179 508 169 520T158 547Q158 557 164 577T185 624T230 675T301 710L333 715H345Q378 715 384 714Q447 703 489 661T549 568T566 457Q566 362 519 240T402 53Q321 -22 223 -22Q123 -22 73 56Q42 102 42 148V159Q42 276 129 370T322 465Q383 465 414 434T455 367L458 378Q478 461 478 515Q478 603 437 639T344 676Q266 676 223 612Q264 606 264 572Q264 547 246 528T202 508ZM430 306Q430 372 401 400T333 428Q270 428 222 382Q197 354 183 323T150 221Q132 149 132 116Q132 21 232 21Q244 21 250 22Q327 35 374 112Q389 137 409 196T430 306Z"></path></g><g data-mml-node="mn" transform="translate(650.8,363) scale(0.707)"><path data-c="32" d="M109 429Q82 429 66 447T50 491Q50 562 103 614T235 666Q326 666 387 610T449 465Q449 422 429 383T381 315T301 241Q265 210 201 149L142 93L218 92Q375 92 385 97Q392 99 409 186V189H449V186Q448 183 436 95T421 3V0H50V19V31Q50 38 56 46T86 81Q115 113 136 137Q145 147 170 174T204 211T233 244T261 278T284 308T305 340T320 369T333 401T340 431T343 464Q343 527 309 573T212 619Q179 619 154 602T119 569T109 550Q109 549 114 549Q132 549 151 535T170 489Q170 464 154 447T109 429Z"></path></g></g><g data-mml-node="mi" transform="translate(1054.3,0)"><path data-c="1D462" d="M21 287Q21 295 30 318T55 370T99 420T158 442Q204 442 227 417T250 358Q250 340 216 246T182 105Q182 62 196 45T238 27T291 44T328 78L339 95Q341 99 377 247Q407 367 413 387T427 416Q444 431 463 431Q480 431 488 421T496 402L420 84Q419 79 419 68Q419 43 426 35T447 26Q469 29 482 57T512 145Q514 153 532 153Q551 153 551 144Q550 139 549 130T540 98T523 55T498 17T462 -8Q454 -10 438 -10Q372 -10 347 46Q345 45 336 36T318 21T296 6T267 -6T233 -11Q189 -11 155 7Q103 38 103 113Q103 170 138 262T173 379Q173 380 173 381Q173 390 173 393T169 400T158 404H154Q131 404 112 385T82 344T65 302T57 280Q55 278 41 278H27Q21 284 21 287Z"></path></g></g><g data-mml-node="mrow" transform="translate(286.9,-719.9)"><g data-mml-node="mi"><path data-c="1D715" d="M202 508Q179 508 169 520T158 547Q158 557 164 577T185 624T230 675T301 710L333 715H345Q378 715 384 714Q447 703 489 661T549 568T566 457Q566 362 519 240T402 53Q321 -22 223 -22Q123 -22 73 56Q42 102 42 148V159Q42 276 129 370T322 465Q383 465 414 434T455 367L458 378Q478 461 478 515Q478 603 437 639T344 676Q266 676 223 612Q264 606 264 572Q264 547 246 528T202 508ZM430 306Q430 372 401 400T333 428Q270 428 222 382Q197 354 183 323T150 221Q132 149 132 116Q132 21 232 21Q244 21 250 22Q327 35 374 112Q389 137 409 196T430 306Z"></path></g><g data-mml-node="msup" transform="translate(566,0)"><g data-mml-node="mi"><path data-c="1D466" d="M21 287Q21 301 36 335T84 406T158 442Q199 442 224 419T250 355Q248 336 247 334Q247 331 231 288T198 191T182 105Q182 62 196 45T238 27Q261 27 281 38T312 61T339 94Q339 95 344 114T358 173T377 247Q415 397 419 404Q432 431 462 431Q475 431 483 424T494 412T496 403Q496 390 447 193T391 -23Q363 -106 294 -155T156 -205Q111 -205 77 -183T43 -117Q43 -95 50 -80T69 -58T89 -48T106 -45Q150 -45 150 -87Q150 -107 138 -122T115 -142T102 -147L99 -148Q101 -153 118 -160T152 -167H160Q177 -167 186 -165Q219 -156 247 -127T290 -65T313 -9T321 21L315 17Q309 13 296 6T270 -6Q250 -11 231 -11Q185 -11 150 11T104 82Q103 89 103 113Q103 170 138 262T173 379Q173 380 173 381Q173 390 173 393T169 400T158 404H154Q131 404 112 385T82 344T65 302T57 280Q55 278 41 278H27Q21 284 21 287Z"></path></g><g data-mml-node="mn" transform="translate(523,289) scale(0.707)"><path data-c="32" d="M109 429Q82 429 66 447T50 491Q50 562 103 614T235 666Q326 666 387 610T449 465Q449 422 429 383T381 315T301 241Q265 210 201 149L142 93L218 92Q375 92 385 97Q392 99 409 186V189H449V186Q448 183 436 95T421 3V0H50V19V31Q50 38 56 46T86 81Q115 113 136 137Q145 147 170 174T204 211T233 244T261 278T284 308T305 340T320 369T333 401T340 431T343 464Q343 527 309 573T212 619Q179 619 154 602T119 569T109 550Q109 549 114 549Q132 549 151 535T170 489Q170 464 154 447T109 429Z"></path></g></g></g><rect width="1826.3" height="60" x="120" y="220"></rect></g><g data-mml-node="mo" transform="translate(6313.3,0)"><path data-c="2B" d="M56 237T56 250T70 270H369V420L370 570Q380 583 389 583Q402 583 409 568V270H707Q722 262 722 250T707 230H409V-68Q401 -82 391 -82H389H387Q375 -82 369 -68V230H70Q56 237 56 250Z"></path></g><g data-mml-node="mfrac" transform="translate(7313.5,0)"><g data-mml-node="mrow" transform="translate(220,676)"><g data-mml-node="msup"><g data-mml-node="mi"><path data-c="1D715" d="M202 508Q179 508 169 520T158 547Q158 557 164 577T185 624T230 675T301 710L333 715H345Q378 715 384 714Q447 703 489 661T549 568T566 457Q566 362 519 240T402 53Q321 -22 223 -22Q123 -22 73 56Q42 102 42 148V159Q42 276 129 370T322 465Q383 465 414 434T455 367L458 378Q478 461 478 515Q478 603 437 639T344 676Q266 676 223 612Q264 606 264 572Q264 547 246 528T202 508ZM430 306Q430 372 401 400T333 428Q270 428 222 382Q197 354 183 323T150 221Q132 149 132 116Q132 21 232 21Q244 21 250 22Q327 35 374 112Q389 137 409 196T430 306Z"></path></g><g data-mml-node="mn" transform="translate(650.8,363) scale(0.707)"><path data-c="32" d="M109 429Q82 429 66 447T50 491Q50 562 103 614T235 666Q326 666 387 610T449 465Q449 422 429 383T381 315T301 241Q265 210 201 149L142 93L218 92Q375 92 385 97Q392 99 409 186V189H449V186Q448 183 436 95T421 3V0H50V19V31Q50 38 56 46T86 81Q115 113 136 137Q145 147 170 174T204 211T233 244T261 278T284 308T305 340T320 369T333 401T340 431T343 464Q343 527 309 573T212 619Q179 619 154 602T119 569T109 550Q109 549 114 549Q132 549 151 535T170 489Q170 464 154 447T109 429Z"></path></g></g><g data-mml-node="mi" transform="translate(1054.3,0)"><path data-c="1D462" d="M21 287Q21 295 30 318T55 370T99 420T158 442Q204 442 227 417T250 358Q250 340 216 246T182 105Q182 62 196 45T238 27T291 44T328 78L339 95Q341 99 377 247Q407 367 413 387T427 416Q444 431 463 431Q480 431 488 421T496 402L420 84Q419 79 419 68Q419 43 426 35T447 26Q469 29 482 57T512 145Q514 153 532 153Q551 153 551 144Q550 139 549 130T540 98T523 55T498 17T462 -8Q454 -10 438 -10Q372 -10 347 46Q345 45 336 36T318 21T296 6T267 -6T233 -11Q189 -11 155 7Q103 38 103 113Q103 170 138 262T173 379Q173 380 173 381Q173 390 173 393T169 400T158 404H154Q131 404 112 385T82 344T65 302T57 280Q55 278 41 278H27Q21 284 21 287Z"></path></g></g><g data-mml-node="mrow" transform="translate(299.4,-719.9)"><g data-mml-node="mi"><path data-c="1D715" d="M202 508Q179 508 169 520T158 547Q158 557 164 577T185 624T230 675T301 710L333 715H345Q378 715 384 714Q447 703 489 661T549 568T566 457Q566 362 519 240T402 53Q321 -22 223 -22Q123 -22 73 56Q42 102 42 148V159Q42 276 129 370T322 465Q383 465 414 434T455 367L458 378Q478 461 478 515Q478 603 437 639T344 676Q266 676 223 612Q264 606 264 572Q264 547 246 528T202 508ZM430 306Q430 372 401 400T333 428Q270 428 222 382Q197 354 183 323T150 221Q132 149 132 116Q132 21 232 21Q244 21 250 22Q327 35 374 112Q389 137 409 196T430 306Z"></path></g><g data-mml-node="msup" transform="translate(566,0)"><g data-mml-node="mi"><path data-c="1D467" d="M347 338Q337 338 294 349T231 360Q211 360 197 356T174 346T162 335T155 324L153 320Q150 317 138 317Q117 317 117 325Q117 330 120 339Q133 378 163 406T229 440Q241 442 246 442Q271 442 291 425T329 392T367 375Q389 375 411 408T434 441Q435 442 449 442H462Q468 436 468 434Q468 430 463 420T449 399T432 377T418 358L411 349Q368 298 275 214T160 106L148 94L163 93Q185 93 227 82T290 71Q328 71 360 90T402 140Q406 149 409 151T424 153Q443 153 443 143Q443 138 442 134Q425 72 376 31T278 -11Q252 -11 232 6T193 40T155 57Q111 57 76 -3Q70 -11 59 -11H54H41Q35 -5 35 -2Q35 13 93 84Q132 129 225 214T340 322Q352 338 347 338Z"></path></g><g data-mml-node="mn" transform="translate(498,289) scale(0.707)"><path data-c="32" d="M109 429Q82 429 66 447T50 491Q50 562 103 614T235 666Q326 666 387 610T449 465Q449 422 429 383T381 315T301 241Q265 210 201 149L142 93L218 92Q375 92 385 97Q392 99 409 186V189H449V186Q448 183 436 95T421 3V0H50V19V31Q50 38 56 46T86 81Q115 113 136 137Q145 147 170 174T204 211T233 244T261 278T284 308T305 340T320 369T333 401T340 431T343 464Q343 527 309 573T212 619Q179 619 154 602T119 569T109 550Q109 549 114 549Q132 549 151 535T170 489Q170 464 154 447T109 429Z"></path></g></g></g><rect width="1826.3" height="60" x="120" y="220"></rect></g><g data-mml-node="mo" transform="translate(9379.8,0) translate(0 -0.5)"><path data-c="29" d="M34 1438Q34 1446 37 1448T50 1450H56H71Q73 1448 99 1423T144 1380T198 1319T260 1238T323 1137T385 1013T440 864T485 688T514 485T526 251Q526 134 519 53Q472 -519 162 -860Q139 -885 119 -904T86 -936T71 -949H56Q43 -949 39 -947T34 -937Q88 -883 140 -813Q428 -430 428 251Q428 453 402 628T338 922T245 1146T145 1309T46 1425Q44 1427 42 1429T39 1433T36 1436L34 1438Z"></path></g></g></g></g></svg></mjx-container></p>

https://zjykzj.cn/posts/4a17b156.html 2019-01-20T05:36:38.000Z 2026-03-02T14:17:13.952Z

<p>Welcome to <a href="https://hexo.io/">Hexo</a>! This is your very first post. Check <a href="https://hexo.io/docs/">documentation</a> for more info. If you get any problems when using Hexo, you can find the answer in <a href="https://hexo.io/docs/troubleshooting.html">troubleshooting</a> or you can ask me on <a href="https://github.com/hexojs/hexo/issues">GitHub</a>.</p>