NBW_GX的博客

原创 linux 性能分析工具

原创 cuda 编译报错：Unresolved extern function 'cuda_tran_addr'

出现这种问题的原因是在一个.cu文件中调用了另外一个.cu文件中的带有__device__修饰符的函数。在visual studio中需要做如下修改如果是linux环境下需要加-dc编译选项...

原创 cuda-gdb 调试方法：cuda gdb中的可调参数

cuda gdb 中存在一些可调的参数，可以通过 set cuda < tunable-name> <value>命令进行测试，例如：(cuda-gdb) set cuda api_failures ignore其中具体的tunalbe-name 参考下图...

原创 cuda-gdb 调试方法：如何将cuda gdb的调试上下文聚焦在某个线程

CUDA应用程序包含成千上万个CUDA 线程，所有当我们要查看某个指定线程的时候需要将cuda gdb 的上下文环境聚焦在某个线程，可以采用如下命令：(cuda-gdb) cuda thread (128)cuda gdb 同时支持其他类型的上下文环境聚焦，如lane warp block sm grid device kernel等如果需要全面的了解cuda聚焦的相关信息可以通过...

原创 音视频技术（二）音视频采集、编码、推流技术-关翔-专题视频课程

这一季主要是向大家介绍音视频的推流技术（基于rtmp），但是也会简单给大家介绍一下如何在windows平台下通过摄像头和mic采集音视频以及简单的编码压缩...

原创 音视频技术（一）音视频播放器-关翔-专题视频课程

这是一个音视频技术的系列教程，每一季会向大家展示一个方面的音视频技术，着重简单实用。本季是实现一个播放器。在课程组织上并不是一上来就设计好一个软件架构，而是从具体的视频技术入手，一点一点的抽丝剥茧，在所需实现播放器的音视频技术准备充分之后，我们再设计和实现一个音视频播放器。开发环境主要以windows为主，在实现编码器之后，我们会把代码移植到linux环境下。...

原创 H.264/AVC编码器技术-基于开源编码器x264,JM-关翔-专题视频课程

H.264的官方标准只提供了解码方式，编码工具和语法规则, 并没有提及编码器如何实现。然而一款真正的编码器除了具有标准提供的编码工具之外，还涉及大量的算法和程序开发人员的天才发挥。所以这门课程除了向大家讲解这些编码工具之外，还会为大家讲解真实编码器框架，以及编码器中的常见算法，和那些可以称之为黑科技的程序开发人员的天才发挥。...

转载 深度学习入门

作者：马索萌链接：https://www.zhihu.com/question/26006703/answer/199057388来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。深度学习的资料非常多，但这也成为了深度学习坑最大的地方，学习者很容易迷失在各种资料当中，最后只看了个皮毛。所以，我认为学习深度学习一开始就要盯着你挑选的那么一两个资料学

转载 linux session的理解

Linux的进程相互之间有一定的关系。比如说，在Linux进程基础中，我们看到，每个进程都有父进程，而所有的进程以init进程为根，形成一个树状结构。我们在这里讲解进程组和会话，以便以更加丰富的方式了管理进程。 进程组 (process group)每个进程都会属于一个进程组(process group)，每个进程组中可以包含多个进程。进程组会有一个进程组领导进程 (pro

转载 最大似然和最大后验估计

1） 最大似然估计 MLE给定一堆数据，假如我们知道它是从某一种分布中随机取出来的，可是我们并不知道这个分布具体的参，即“模型已定，参数未知”。例如，我们知道这个分布是正态分布，但是不知道均值和方差；或者是二项分布，但是不知道均值。 最大似然估计（MLE，Maximum Likelihood Estimation）就可以用来估计模型的参数。MLE的目标是找出一组参数，使得模型产生出观测数据

转载 频率学派和贝叶斯学派的一些区别

很多人能讲出一大堆哲学理论来阐明这一对区别。但我觉得，从工程师角度来讲，这样理解就够了:频率 vs 贝叶斯 = P(X;w) vs P(X|w) 或 P(X,w)你是把参数当作一个待确认系数 还是一个随机变量。-------------------------------------------------------------------------------------

原创 最大似然估计

两种随机变量的极大似然估计1.若总体X为离散型，其概率分布列为其中  为为未知参数。设  是取自总体的样本容量为n的样本，则  的联合分布律为  。又设  的一组观测值为  ，易知样本  取到观测值  的概率为这一概率随  的取值而变化，它是  的函数，称

转载 最大熵模型

转载 似然函数

统计学中，似然函数是一种关于统计模型参数的函数。给定输出x时，关于参数θ的似然函数L(θ|x)（在数值上）等于给定参数θ后变量X的概率：L(θ|x)=P(X=x|θ).似然函数在推断统计学（Statistical inference）中扮演重要角色，尤其是在参数估计方法中。在教科书中，似然常常被用作“概率”的同义词。但是在统计学中，二者有截然不同的用法。概率描述了已知参数时的随机变

转载 熵、信息增益

1.什么是熵（Entropy）在 信息论 里面，熵是对不确定性的测量，熵越高，则能传输越多的信息，熵越低，则意味着传输的信息越少。熵度衡量了系统的不确定性，当我们缺乏对某个系统的知识，其不确定性也随着增加。例如 抛硬币，在理想情况下他们无法预测出现的是正面还是反面，此时熵达到最大。但是对于“明天太阳从东方升起”，我们完全可以依靠目前的知识，预测该事件肯定会发生，信息熵最小。熵的定义

原创 k近邻算法中k值得选择

k值得选择会对k近邻的结果产生重大的影响 如果选择较小的K值，就相当于用较小的邻域中的训练实例进行预测，“学习”的近似误差会减小，只有输入实例较近的训练实例才会对预测结果起作用。但缺点是“学习”的估计误差会增大，预测结果会对近邻实例点非常敏感。如果邻近的实例点恰巧是噪声，预测就会出错。换句话说，k值得减小就意味着整体模型非常复杂，容易发生过拟合 如果选择较大的k值，就相当于用较大邻域中的训

转载 十大机器学习公开课

在当下的机器学习热潮，人才匮乏十分显著。截至目前，国内开设人工智能（AI）专业的高校不多，相当多的开发者是跨界入门，需要自学大量知识并摸索。因而优质的学习资源至关重要。因此，雷锋网搜集了全世界范围内最受欢迎的机器学习课程，整理成这份“机器学习十大入门公开课”盘点，集中呈现给各位。这份推荐榜颇费心血，综合考虑了难易、侧重点、时效性等诸多因素，希望能帮助大家找到最适合自己的学习资源。这些课程全

原创 感知机学习总结

感知机是根绝输入变量的特征值进行二类分类的线性分类模型  感知机对应于输入空间的中的分离超平面w*x+b=0感知机的策略是极小化损失函数  损失函数就是误分配函数到超平面的总距离感知机学习算法是基于梯度下降法的对损失函数的最优化算法，有原始形式和对偶形式两种当训练数据可分的时候，感知机学习算法是收敛的。错误分类错误是有限的，经过有限次搜索可以找到将训练数据完全分开的超平面。当训练数

转载 感知机中的对偶形式理解

作者：陶轻松链接：https://www.zhihu.com/question/26526858/answer/131591887来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。遇到对偶问题呢，一定要先回归基础，不要急着去看结论：首先，咱们了解一下【对偶】的定义是什么，简单的说，就是从一个不同的角度去解答相似问题，但是问题的解是相通的，甚至

转载 Logistic回归

Logistic回归为概率型非线性回归模型，是研究二分类观察结果与一些影响因素之间关系的一种多变量分析方法。通常的问题是，研究某些因素条件下某个结果是否发生，比如医学中根据病人的一些症状来判断它是否患有某种病。 在讲解Logistic回归理论之前，我们先从LR分类器说起。LR分类器，即Logistic Regression Classifier。在分类情形下

原创 机器学习基础

机器学习的主要任务 机器学习主要任务分为监督学习和无监督学习监督学习 监督学习又包括回归和分类 回归：主要就是用来预测数据，根据现有数据来的数据，常见的就是曲线拟合 分类：就是将实例数据划分到具体的分类中 之所以叫做监督学习，就是这类算法必须要知道预测什么无监督学习 无监督学习任务主要有聚类和密度估计，同时也可以减少特征值的个数 聚类：将数据集合分为由类似的对象