- 博客(63)
- 资源 (7)
- 收藏
- 关注
RSS订阅转载 vscode 编写latex配置
vscode 编写latex配置一、安装vscodevscode官网二、安装latex workshop在 vscode中安装 latex workshop 插件。三、配置workshop点击 按键 F1 选择 Preferences:Open Settings (JSON)，写入配置文件。添加命令"workbench.colorTheme": "Visual Studio Dark", //设置颜色主题"latex-workshop.latex.tools": [
2021-07-08 20:45:08
1170
原创 自适应动态规划（五)-初值不为零的值迭代
初值不为零的值迭代稳定性证明定理一问题描述假设初值为任意半正定函数V0(xk)=Ψ(xk)V_0(x_k)=\Psi(x_k)V0(xk)=Ψ(xk)定义变量 γ‾,γ‾,δ‾\underline{\gamma},\overline{\gamma},\underline{\delta}γ,γ,δ 和δ‾\overline{\delta}δ 变量如下：KaTeX parse error: No such environment: equation at position 8: \
2020-11-06 15:02:02
1233
3
原创 自适应动态规划(四)-离散策略迭代证明
策略迭代策略迭代稳定性证明单调不增的证明迭代过程取一个随机容许初始控制律v0(xk)v_0(x_k)v0(xk)V0(xk)=U(xk,v0(xk))+V0(xk+1)V_0(x_k)=U(x_k,v_0(x_k))+V_0(x_{k+1})V0(xk)=U(xk,v0(xk))+V0(xk+1)在更新控制律v1(xk)=argminuk{U(xk,uk)+V0(xk+1)}v_1(x_k)=\arg \min_{u_k}\{{U(x_k,u_k)+V_0(x_{k
2020-11-06 14:57:33
1593
4
原创 自适应动态规划（三）
自适应动态规划（三）值迭代稳定性证明自适应动态规划的核心就是去求解除下面的序列，但是这个序列一定是收敛的吗？论文中给出了证明。V(x(k))=minu(k){U(x(k),u(k))+V(x(k+1))}V(x(k))=\min_{u(k)}\{U(x(k),u(k))+V(x(k+1))\}V(x(k))=u(k)min{U(x(k),u(k))+V(x(k+1))}在这个证明中，首先确定的是 V0(x)=0V_0(x)=0V0(x)=0 的初始条件，HDP的迭代公式如下：u0(x(k
2020-10-12 14:29:49
2183
1
原创 自适应动态规划（二）
自适应动态规划（二）贝尔曼公式和离散LQR一个离散系统x(k+1)=Ax(k)+Bu(k)x(k+1)=Ax(k)+Bu(k)x(k+1)=Ax(k)+Bu(k)性能指标函数J(k)=12∑i=k∞(xT(i)Qx(i)+uT(i)Ru(i))J(k)=\frac{1}{2}\sum_{i=k}^{\infty}(x^T(i)Qx(i)+u^T(i)Ru(i))J(k)=21i=k∑∞(xT(i)Qx(i)+uT(i)Ru(i))由贝尔曼方程可知V(x(k))=12∑i=k∞(xT
2020-10-10 08:31:44
5018
15
原创 自适应动态规划（一）
自适应动态规划（一）先立一个flag，这个算法我一定要研究透彻，连续更新。动态规划参考书籍《最优控制理论与系统》第四章 动态规划递推方程JN(x)=minSN(x){d[x,sN(x)]+JN−1[SN(x)]}J1(x)=d(x,F)J_N(x)=\min_{S_N(x)}\{d[x,s_N(x)]+J_{N-1}[S_N(x)]\} \\J_1(x)=d(x,F)JN(x)=SN(x)min{d[x,sN(x)]+JN−1[SN(x)]}J1(x)=d(x,F)最
2020-10-08 09:42:52
15651
24
原创 deep compression:compressing deep neural networks with pruning,trained quantization and huffman codi
deep compression:compressing deep neural networks with pruning,trained quantization and huffman coding摘要神经网络是计算密集型和内存密集型的，这使得它们很难部署在硬件资源有限的嵌入式系统上。为了解决这个限制，我们引入了“深度压缩”，这是一个三阶段的管道:修剪、训练量化和霍夫曼编码，它们共同工作，在不影响精度的情况下，将神经网络的存储量减少35倍到49倍。我们的方法首先通过只学习重要的连接来精简网络。接
2020-06-26 19:38:50
946
原创 Learning both Weights and Connections for Efficient Neural Networks 论文进一步的实验与思考
Learning both Weights and Connections for Efficient Neural Networks 论文进一步的实验与思考上一篇文章我实验了net-300-100网络去识别手写数字体，通过剪枝发现，每一次的激活神经元个数没有明显的变化，而且每次都要激活50%左右，同时浅层的权重可以被大量的剪枝掉，最后只剩下300多个，下面我们就做一个实验，把第一层的个数增加到600个神经元，看看相应的实验结果net-600-100 实验下面就是基于以上的代码，使用手写数字体的数据集
2020-06-23 21:06:38
328
原创 Learning both Weights and Connections for Efficient Neural Networks 论文pytorch复现
Learning both Weights and Connections for Efficient Neural Networks 论文pytorch复现这是论文中主要的步骤，因此我们复现的时候也主要是利用这个思想。代码编写需要两个主要部分，首先原来神经网络的训练，然后就是神经网络的裁剪。我这次实验主要是使用论文中说的Lenet-300-100网络来进行测试。网络的定义以及初次训练##############先导入需要的包###############################impo
2020-06-19 20:39:09
897
2
原创 Learning both Weights and Connections for Efficient Neural Networks
Learning both Weights and Connections for Efficient Neural Networks摘要神经网络是计算密集型和内存密集型的，这使得它们很难部署在嵌入式系统上。此外，传统的网络在训练开始前就确定了架构;因此，训练不能改善网络结构。为了解决这些限制，我们提出了一种方法，通过只学习重要的连接参数，来减少存储和计算所需的神经网络数量级，而不影响其准确性。我们的方法使用三步方法删除冗余连接。首先，我们训练网络了解哪些连接是重要的。接下来，我们修剪不重要连接。最后
2020-06-12 09:39:21
1967
原创 神经网络学习-CNN（五）
神经网络学习-CNN（五）为什么要用CNN检测上图的鸟嘴，不需要看整张图，只需要看鸟嘴的地方就可以了。Subsampling the pixels will not change the object同样的特征会出现在图片的不同区域CNN的过程计算过程卷积做内积同样的特征可以被一个卷积发现只有9个点传递到下一个节点，所以参数少共享了所有的参数，所以参数更少Max PoolingFlatten手写数字识别PyTorch实现import torchimpor
2020-06-05 09:46:42
365
原创 tensorflow学习（二）
tensorflow学习（二）import tensorflow as tffrom tensorflow.examples.tutorials.mnist import input_data#从网上下载数据集，并载入mnist = input_data.read_data_sets("MNIST_data",one_hot=True)#每个批次的大小batch_size = 200#计算一共的批次数n_batch = mnist.train.num_examples // batch_s
2020-05-20 19:39:11
191
原创 本地使用远程jupyter的配置方法
本地使用远程jupyter的配置方法第一步肯定是要在服务上安装好jupyter notebook然后，就是重点了。jupyter notebook --generate-config #生成配置文件jupyter notebook password #设置密码vim ~/.jupyter/jupyter_notebook_config.py #编辑配置文件c.NotebookApp.ip='*' # 就是设置所有ip皆可访问
2020-05-20 19:29:35
576
1
原创 tensorflow学习（一）
tensorflow学习（一）认识基本操作由于是2.0版本的，所以每次需要调用1.0版本的，因为网上大部分程序还是1.0版本写的，还是必须要会1.0版本的import tensorflow as tftf.compat.v1.disable_eager_execution()#创建一个常量m1 = tf.compat.v1.constant([[3,3]])m2 = tf.compat.v1.constant([[2],[3]])#创建一个矩阵乘法product = tf.compat.
2020-05-20 13:55:10
159
原创 隐马尔可夫模型学习
隐马尔可夫模型学习基本概念HMM五元组观测序列-O状态序列-I初始状态概率向量-π状态转移概率矩阵-A观测概率矩阵-BHMM三要素初始状态概率向量-π状态转移概率矩阵-A观测概率矩阵-B两个基本假设齐次马尔科夫性假设P(it∣it−1,ot−1,…,i1,o1)=P(it∣it−1), t=1,2,…,T\begin{aligned}P(i_t|i_{t-1},o_{t-1},\ldots ,i_1,o_1)=P(i_t
2020-05-19 09:15:50
245
原创 神经网络学习（四）
神经网络学习（四）上一篇我们推导和实验了使用交叉熵作为损失函数能够明显提高神经网络训练的精度和速度，但是为什么呢？这一篇就结合我再在网上看到的资料进行一个探索。假设样本维度是2维分类结果有三类一种两个样本(x11,x12,y1),(x21,x22,y2)(x_{11},x_{12},y_1),(x_{21},x_{22},y_2)(x11,x12,y1),(x21,x22,y2)公式推导前向传播和之前的推导类似，前向传播公式：输出层使用softmax的公式：z1=ω11x
2020-05-18 10:11:43
371
原创 神经网络学习（三）
神经网络学习（三）损失函数介绍前面我们讨论的实例和公式推导都是基于平方损失函数，但是上述案例中进行的是一个分类问题，平方损失函数一般不适用与分类问题，因此我们需要使用交叉熵损失函数(Cross-Entropy Loss Function)平方损失函数：E(i)=12∑k=1nL(yk(i)−ok(i))\begin{aligned}E_{(i)} = \frac{1}{2} \sum\limits_{k=1}^{n_L} \left(y_k^{(i)} - o_k^{(i)}\right)\e
2020-05-17 15:13:13
440
原创 分布式优化算法学习（一）
分布式优化算法学习（一）分布式优化简介分布式协同优化与传统集中式优化相比较具有如下特点:与优化问题相关的信息分布存储在每个智能体中, 因此更隐私;每个智能体不需要将数据传输到中心节点, 只需要与邻居智能体进行信息交互, 因此更加节约通信成本;不存在单点故障问题, 极大地提高了系统的鲁棒性;不依赖于中心节点, 增强了网络的可扩展性.分布式协同优化的基本结构，如上图所示，每个智能体（节点）都有一个局部目标函数，全局目标函数是这些局部目标函数的和，每个节点通过与邻居节点进行信息交互，最终协同实现
2020-05-16 15:07:10
12048
原创 神经网络学习(二)
神经网络学习(二)手写数字识别认识数据集from sklearn.datasets import load_digits #导入手写数字数据集digits = load_digits()print(digits.keys())dict_keys(['data', 'target', 'frame', 'feature_names', 'target_names', 'images', 'DESCR'])print(digits.data)print(digits.data.shape
2020-05-14 21:30:58
434
原创 神经网络学习（一）
神经网络学习（一）sigmoid函数sigmoid表达式：S(x)=11+e−xS(x)=\frac{1}{1+e^{-x}}S(x)=1+e−x1sigmoid函数求导：f(x)′=(11+e−x)′=e−x(1+e−x)2=1+e−x−1(1+e−x)2=11+e−x⋅(1−11+e−x)=f(x)(1−f(x))\begin{aligned}f(x)' &= \left( \frac{1}{1+e^{-x}} \right) ' \\&= \frac{e^{-x}}
2020-05-13 19:10:41
362
原创 命令行登陆校园网
curl ‘http://10.3.8.211’ --data “DDDDD=student_id&upass=password&0MKKey=”
2020-05-08 18:18:19
3846
原创 CTex学习
CTex学习版面设计\documentclass[12pt, a4paper, openany, twoside]{book}12pt：指定普通文本的字体大小，章节标题、页眉、页脚等其他文本字体相应自动改变a4paper：指定智障的大小为A4纸twoside：指定当页码为奇数时出现在右边，为偶数时出现在左边openany：总是在下一页开始新的一章命令学习\newcommand...
2020-05-04 22:21:47
1120
原创 强化学习QLearning
强化学习QLearning我是看 B站莫烦的是视频学习的.主要公式Q(s,a)⇐Q(s,a)+α[r+γmaxa′Q(s′,a′)−Q(s,a)]Q(s,a) \Leftarrow Q(s,a) + \alpha \left[ r + \gamma \text{max}_{a'}Q(s',a') - Q(s,a) \right]Q(s,a)⇐Q(s,a)+α[r+γmaxa′Q(s′,a...
2020-05-02 17:15:45
596
原创 动态规划算法学习
动态规划算法学习数字三角形问题： 7 3 8 8 1 0 2 7 4 4 4 5 2 6 5在上面的数字三角形中寻找一条从顶部到底边的路径,使得路径_上所经过的数字之和最大。路径上的每一步都只能往左下或右下走。只需要求出这个最大和即可,不必给出具体路径。解决思路是采用递归算法...
2020-05-02 10:28:58
279
原创 Deepin下安装nginx
Deepin下安装nginx安装nginxsudo apt-get install build-essentialsudo apt-get install libtoolsudo apt-get install libpcre3 libpcre3-devsudo apt-get install zlib1g-devsudo apt-get install openssl#######...
2020-04-28 19:58:47
1219
原创 c++多进程编程
c++多进程编程介绍进程：进程是一个正在执行的程序，是向CPU申请资源的，进程之间数据相互独立，一个进程至少有一个线程。线程：线程是进程中的单一的顺序控制流程也可以叫做最小控制单元，线程是进程中执行单元，开启一个线程比开启一个进程更加节省资源。多线程：多线程是多任务处理的一种特殊形式，多任务处理允许让电脑同时运行两个或两个以上的程序。一般情况下，两种类型的多任务处理：基于进程和基于线程。...
2020-04-16 10:12:52
25818
3
原创 c/c++文件操作学习
c/c++文件操作学习open函数函数int open(const char * pathname, int flags);int open(const char * pathname, int flags, mode_t mode);pathname:指路径flag功能O_RDONLY以只读方式打开文件O_WRONLY以只写方式打开文件O_RDW...
2020-04-12 16:43:56
292
原创 linux常用语法学习
linux常用语法学习diffdiff [-abBcdefHilnNpPqrstTuvwy][-<行数>][-C <行数>][-D <巨集名称>][-I <字符或字符串>][-S <文件>][-W <宽度>][-x <文件或目录>][-X <文件>][--help][--left-column][-...
2020-04-07 23:56:38
469
转载 gcc优化选项-o
gcc优化选项-ogcc编译优化gcc 提供了为了满足用户不同程度的的优化需要，提供了近百种优化选项，用来对{编译时间，目标文件长度，执行效率}这个三维模型进行不同的取舍和平衡。优化的方法不一而足，总体上将有以下几类：精简操作指令；尽量满足cpu的流水操作；通过对程序行为地猜测，重新调整代码的执行顺序；充分使用寄存器；对简单的调用进行展开gcc提供了-o0到-o3的优化等级，可以...
2020-04-05 19:50:36
777
原创 vim使用操作
vim使用操作设置默认设置vi ~/.vimrc #在Home路径下操作#写入下面内容set nu #打开默认行set ts=4set expandtab #设置table默认为4个空格
2020-04-03 21:23:43
122
原创 深度优先搜索算法
深度优先搜索算法介绍深度优先搜索(DFS, Depth First Search)是一个针对图和树的遍历算法。沿着树的深度遍历树的节点，尽可能深的搜索树的分支。当节点v的所在边都己被探寻过或者在搜寻时结点不满足条件，搜索将回溯到发现节点v的那条边的起始节点。整个进程反复进行直到所有节点都被访问为止。属于盲目搜索,最糟糕的情况算法时间复杂度为O(!n)。程序示例graph = { "...
2020-04-02 19:45:21
893
原创 Python中mmap文件映射
mmap文件映射使用内存映射的原因为了随机访问文件的内容，使用mmap将文件映射到内存中是一个高效和优雅的方法。例如，无需打开一个文件并执行大量的seek(),read(),write()调用，只需要简单的映射文件并使用切片操作访问数据即可。内存映射一个文件并不会导致这个文件被读取到内存中。也就是说，文件并没有被复制到内存缓存或数组中。相反，操作系统仅仅为文件内容保留了一段虚拟内存。当访问文...
2020-04-01 00:16:01
2791
3
原创 python多进程编程学习
多进程按书面语来解释进程是计算机中的程序关于某数据集合上的一次运行活动，是系统进行资源分配和调度的基本单位，是操作系统结构的基础。多线程无法利用多核的优势，python提供了mutiprocessing.multiprocessing模块用来开启子进程，并在子进程中执行我们定制的任务（比如函数），multiprocessing模块的功能众多：支持子进程、通信和共享数据、执行不同形式的同步，提...
2020-03-31 19:25:17
152
原创 安卓平板电脑使用Termux编程环境配置
安卓平板电脑使用Termux编程环境配置Wandering简介本人使用的是华为M5平板电脑，平常进行文献的阅读、资料查询以及笔记写作比较方便。平板电脑携带起来更加轻便，续航也持久，所以想让它发挥更多的作用。华为平板还支持电脑模式，因此在这个模式下配合键盘使用起来，颇有PC的感觉。经过一段时间的折腾，可以在平板上进行Python程序的编写，编写一些机器学习的算法。由于随时随地可以进行学习，整体...
2020-03-22 16:27:52
4277
1
原创 Termux安装matplotlib失败解决办法
安卓手机有一个终端神器Termux,里面几乎计时Linux系统，最近想做Python开发，发现这个的功能最全面，就开始了配置之路。一般的按网上的顺序安装就好，但是就matplotlib总是失败。经过我查无数的资料发现，首先需要在root模式下进行，这时如果安卓手机没有root可以安装模拟root解决，其次是ft2build.h文件提示找不到，经过我的查看是存在的但是是在/incude/freety...
2019-04-30 03:48:29
4588
1
原创 Jupyter修改默认路径
现在我下载的版本里用网上修改文件的里的路径的方法无效，因此我找到了新的方法。修改快捷图标属性里的起始位置和目标就可以了。
2019-04-30 00:55:31
495
原创 EndNote导入文献
EndNote导入文献一、知网文献二、文档导入EndNote三、导入PDF一、知网文献1、勾选需要的文献2、点击导出3、选择EndNote4、点击导出，生成txt文件二、文档导入EndNote1、点击file-&gt;new 创建新的library2、点击导入3、选择刚刚生成的txt4、Import option 选择成EndNote Import5、Import三...
2019-03-10 23:03:15
9890
原创 智能车速度控制器设计
需要相对科学的设计智能测的速度控制器，就要先测量车模的传递函数。 车模传递函数的测量方法 给电机25%的占空比让车在直道上行走，直致速度基本稳定。测量并这一过程中的数据，导入MATLAB。 下图黑色就是是我测量的车模开环响应去线。 然后这里默认车模为二阶模型，进行传递函数的试凑，这里我只会试凑，还没有更好的办法，有的话可以告知我。 通过试凑得到的车模传递函数。 clear...
2018-05-04 08:30:21
4869
4
原创 IAR无法跟踪变量
变量（或函数或数组）右击->Go To Definition of“”，无法定位到变量定义函数处。 解决办法：步骤一：菜单栏：Tools->options->不勾选 Generate browse information 然后工程Rebuild All ；步骤二：菜单栏：Tools->options->勾选 Generate browse informati...
2018-05-03 18:28:10
3058
Untitled.ipynb
2020-06-19
从 PID 技术到“自抗扰控制”技术
2018-03-26
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人