WePlayDirty-CSDN博客

原创带权重的最近任务安排算法（最近面试策略）

【代码】带权重的最近任务安排算法（最近面试策略）

2023-08-07 20:59:36 101

原创 win上visual studio 2022（ctrl+左键或者F12）无法跳转到头文件或者函数

visual studio F12跳转，提示 “在当前源文件的目录或生成系统路径中未找到文件xxx”，以及 “未能找到符号xxx的定义”。

2022-10-17 17:44:07 5284 1

转载 RBM&DBN

懒癌晚期GGhttps://blog.csdn.net/hanzihan123/article/details/23707143

2018-10-17 20:16:01 1275 1

转载机器学习中的熵、条件熵、相对熵和交叉熵（为何使用交叉熵作为损失函数）

1、信息熵 (information entropy) 熵 (entropy) 这一词最初来源于热力学。1948年，克劳德·爱尔伍德·香农将热力学中的熵引入信息论，所以也被称为香农熵 (Shannon entropy)，信息熵 (information entropy)。本文只讨论信息熵。首先，我们先来理解一下信息这个概念。信息是一个很抽象的概念，百度百科将它定义为：指音讯、消息、通讯系统...

2018-09-10 21:18:39 3717

原创 Shell特殊变量：$0, $#, $*, $@, $?, $$和命令行参数

Shell特殊变量：Shell $0, $#, $*, $@, $?, $$和命令行参数特殊变量列表变量含义$0 当前脚本的文件名$n 传递给脚本或函数的参数。n 是一个数字，表示第几个参数。例如，第一个参数是$1，第二个参数是$2。$# 传递给脚本或函数的参数个数。$* 传递给脚本或函数的所有参数。$@ 传递给脚本或函数的所有参数。被双引号(" ")包含时，与...

2018-08-18 11:03:48 1361

转载 shell判别表达式

算术比较运算符num1-eq num2 等于，例如 [ 3 -eq $mynum ] num1-ne num2 不等于，例如 [ 3 -ne $mynum ] num1-lt num2 小于，例如 [ 3 -lt $mynum ] num1-le num2 小于或等于，例如 [ 3 -le $mynum ] num1-gt num2 大于，例如 [ 3 -gt $mynum ] nu...

2018-08-16 15:03:47 600

原创语音识别学习记录 [再谈频率混叠（定量分析、离散采样后频谱的周期延拓）]

前几天在语音识别学习记录 [传说中的频率混叠和Nyquist定理（定性理解）]中简单理解了一下频率混叠的原因。但是也发现了很多不明白的问题：1、为什么信号经过傅里叶变换后在频域是关于y轴对称的，这个问题的回答已经写在语音识别学习记录 [信号经傅里叶变换得到的频谱图为什么关于y轴对称（上两篇博客的补充）]中了。2、为什么离散采样后的信号傅里叶变换后，在频域上的图像是周期性的，即离散采样后的信...

2018-08-13 19:08:56 7022 2

原创语音识别学习记录 [信号经傅里叶变换得到的频谱图为什么关于y轴对称（上两篇博客的补充）]

首先明确一点，这种关于y轴对称的频谱图确切的说应该叫复数频谱。接下在说明为什么复数频谱图的负频率上为什么会有值。傅里叶级数有两种形式，第一种是三角函数形式，第二种是指数形式。写成三角函数的傅里叶级数在根据系数绘制频谱图时是不会出现负频率上有值的情况的。而根据第二种形式绘制的复数频谱图就会出现关于y轴对称的情况。这种情况是由于将写成指数形式时，从数学的观点自然分成和两项，因而引入了项，从而求和区...

2018-08-13 15:10:47 14952

原创语音识别学习记录 [kaldi中的openfst]

在Kaldi tutorial: Overview of the distribution中介绍了一个使用openfst的例子。先来介绍一下这个例子，再来说明FST(finite-state transducers,有限状态机)如何应用到语音识别中。首先有三个文件，text.fst、isyms.txt、osyms.txt。text.fst文件的内容为（请无视前面的行号）：0 1 a ...

2018-08-10 11:48:34 5525

原创语音识别学习记录 [传说中的频率混叠和Nyquist定理（定性理解）]

Nyquist定理：为了不失真地恢复模拟信号，采样频率应该不小于模拟信号频谱中最高频率的2倍。Nyquist定理主要就是为了避免频率混叠现象。本文不再给出推导过程，推导可以参考奈奎斯特采样定理之我见。频率混叠是由于采样信号频谱发生变化，而出现高、低频成分发生混淆的一种现象。抽样时频率不够高，抽样出来的点既代表了信号中的低频信号的样本值，也同时代表高频信号样本值，在信号重建的时候，高频信号被低频...

2018-08-07 20:02:10 2579

原创频域-时域

我就贴个图不说话。。

2018-07-31 21:55:01 3683

原创语音识别学习记录 [GMM-HMM、DNN-HMM、MMI/BMMI/MPE/sMBR]

在看kaldi文档中对chain model的介绍时，其中反复提到了MMI、lattice free MMI、DNN-HMM这些关键词，之前一直都没搞懂MMI到底是什么东西，看了很多博客只能大概了解到应该是训练声学模型时的一个准则。而且前几天分别看了GMM和HMM，各自原理大概明白了，但是还不太清楚它们是怎么和语音识别联系起来的，今天特地看了几篇博客去了解了一下GMM、HMM具体是如何和语音识别联...

2018-07-31 21:32:21 5554

翻译语音识别学习记录 [kaldi的chain model]

kaldi 中的'chain' models 简介chain model是DNN-HMM模型的一种，使用nnet3结构，与传统模型有很多不同点。可以将它看作声学模型的一个创新点。使神经网络的输出的帧率缩小三倍，明显的缩小了测试时的计算量，使实时解码更加容易模型从一开始就用序列级目标函数（正确序列概率的对数）进行训练。MMI在GPU上的实现没有使用Lattices（词图），而是通过在解码...

2018-07-30 20:46:06 6227

原创语音识别学习记录 [kaldi的nnet1 nnet2 nnet3了解一下]

根据我的理解，nnet应该是kaldi中已经实现的神经网络，根据不同的参数可以定义不同的神经网络，而nnet1、nnet2、nnet3是实现的三个版本。对kaldi了解还不是很多，先看一下别人介绍的kaldi中的nnet. 下文中的概念有一部分还不太明白，等实践后再发文说明一下。下文是对nnet各个版本的介绍。概览type author CPU/GPU feature ...

2018-07-30 17:49:37 5567

转载语音识别学习记录 [TDNN时延神经网络]

最近了解了卷积神经网络（CNN），CNN是受语音信号处理中时延神经网络（TDNN）影响而发明的。本篇的大部分内容都来自关于TDNN原始文献Waibel A, Hanazawa T, Hinton G, et al. Phoneme recognition using time-delay neural networks[J] （TDNN的原始论文）的理解和整理。该文写与1989年，在识别"B", ...

2018-07-29 15:48:42 3602

原创语音识别学习记录 [关于tensorflow.nn.conv2d方法的padding参数]

先看一下tensorflow.nn.conv2d 的说明：tf.nn.conv2d 卷积函数参数 input 输入图像四维，shape如[batch, in_height, in_width, in_channels] 参数 filter 卷积核四维，shape如[filter_height, filter_width, in_channels, out_channels] 参数 ...

2018-07-28 17:21:56 2757

原创语音识别学习记录 [循环神经网络RNN、LSTM介绍及实现]

RNN简介RNN结构Back Propagation Through Time(BPTT)训练Long Short-Term Memory(LSTM，长短时记忆网络)上文的介绍转自RNN-循环神经网络和LSTM-01基础。下面是我用tensorflow实现的一个简单RNN的样例。from __future__ import ...

2018-07-28 16:31:14 13199 2

原创语音识别学习日志 2018-7-26 [tensorflow实现CNN]

CNN看的差不多了，直接上代码吧，CNN的介绍什么的就不发了，参考这篇博客，讲的很清楚。有一点需要明确的是卷积核应该是[宽，高，通道数量，filter数量]四维。可以看着下面这张非常有名的图理解一下：下面是代码，还是用MNIST数据集，数据集的下载和说明可以翻我以前的博客，不再一直说了，两个卷积层，一个全连接层。其他的练习都在https://github.com/IMLHF/tensorf...

2018-07-26 17:30:25 3556 4

原创语音识别学习日志 2018-7-25 [softmax溢出的解决（softmax结果张量中的元素大部分是0或1）]

昨天做的MLP，网络中每一层都没用任何激活函数，所以输出层的结果_logits中的部分数值比较大(绝对值在3000左右)。最后使用softmax函数对输出层进行处理得到各个结果的概率，发现训练的结果很不理想，准确率在50%以下。最后发现softmax的结果大部分是[0,0,0,0,0,1,0,0,0,0]这种单位向量。最后又看了看softmax，softmax函数的定义如下： ...

2018-07-25 15:17:13 6387 1

原创语音识别学习日志 2018-7-24 [MLP实践（MNIST数据集）]

今天实现了一下MLP。先说几个函数的用法。1、在最小化损失的时候，经常使用的一个函数就是tf.nn.softmax_cross_entropy_with_logits(logits=,labels=,name=None).除去name参数用以指定该操作的name，与方法有关的一共两个参数：第一个参数logits：就是神经网络最后一层的输出，如果有batch的话，它的大小就是[batchsi...

2018-07-24 18:57:08 2558 2

原创语音识别学习日志 2018-7-23 [ Hello TensorFlow ]

今天CNN的理解写了一半，感觉理解的不够深刻，就打算先实现几个例子再接着看理论。之后就了解了一下TensorFlow。python版的tensorflow就是一个工具包，使用pip安装就行了。有CPU和GPU两个版本，刚开始用，安装CPU版本的试一试。谷歌给了几个tensorflow的安装方式，无非就是使用虚拟环境或者装在Docker中，也可以使用Anaconda安装，安装过程不再赘述，具体可...

2018-07-23 21:44:04 2158

原创语音识别学习日志 2018-7-22 BP算法推导

编辑公式太闹心了，直接贴手稿吧.（更正一下，下文中的阀值都应该是阈(yu)值，是我才疏学浅了，今天打字自动给我更正成了阈值，搜了一下才知道这么多年一直都是错的，尴尬）...

2018-07-22 21:46:32 2333

原创语音识别学习日志 2018-7-21 梯度下降法

在说BP算法前先说一下梯度下降法。当神经网络的层数和神经元数量较多时，为了找到神经网络中最优的一组参数，需要一个可靠的、时间上可行的方法去调整神经网络中的参数。本文中使用的图片来自李宏毅的“一天搞懂深度学习”。首先引入神经网络中的Loss函数，Loss函数用来表征神经网络输出和预计输出之间的误差。一条训练数据的误差可如下图表示：总误差即所有误差的和：对于误差L，计算误差L对...

2018-07-21 21:12:11 1959

原创语音识别学习日志 2018-7-20 感知机PLA、多层感知机MLP

2018-7-20感知机，PLA多层感知机是由感知机推广而来，感知机的神经网络表示如下：表达式：从上述内容更可以看出，PLA是一个线性的二分类器，但不能对非线性的数据并不能进行有效的分类。因此便有了对网络层次的加深，理论上，多层网络可以模...

2018-07-21 00:16:34 2299

原创语音识别学习日志 2018-7-19 语音识别基础知识准备（5）[Viterbi算法]

Viterbi算法是一个通用的求序列最短距离的动态规划算法。HMM模型的解码可以用Viterbi算法完成，解码过程可以描述为给定HMM的模型和观测序列，求给定观测模型下最可能出现的状态序列。HMM最可能隐藏状态序列求解概述在HMM模型的解码问题中，给定模型和观测序列，求给定观测序列O条件下，最可能出现的对应的状态序列，即要最大化。一个可能的近似解法是求出观测序列O在每个时刻t最可能的隐...

2018-07-19 19:53:27 2838

原创语音识别学习日志 2018-7-18 语音识别基础知识准备（4）[Baun-Welch算法]

2018-7-18HMM模型参数求解是HMM模型使用中的最复杂的一个问题。HMM模型参数求解概述HMM模型参数求解根据已知的条件可以分为两种情况。第一种情况较为简单，就是我们已知D个长度为T的观测序列和对应的隐藏状态序列，即是已知的，此时我们可以很容易的用最大似然来求解模型参数。　假设样本从隐藏状态转移到的频率计数是,那么状态转移矩阵求得为： ...

2018-07-18 23:47:16 2475

转载语音识别学习日志 2018-7-17 语音识别基础知识准备（3）

2018-7-17Kmeans算法的缺陷k均值算法主要的两个缺陷： 1. K值需要预先给定，很多情况下K值的估计是非常困难的，对于像计算全部微信用户的交往圈这样的场景就完全的没办法用K-Means进行。对于可以确定K值不会太大但不明确精确的K值的场景，可以进行迭代运算。2. K-Means算法对初始选取的聚类中心点是敏感的，不同的起始K点所得到的聚类结果完全不同。3. K均值算法并不...

2018-07-17 16:38:10 2548

原创语音识别学习日志 2018-7-16 语音识别基础知识准备（2）

2018-7-16音强表征声波强度,一般用DB值衡量。声音强度由振动幅度的大小决定，以能量来计算称声强，以压力计算表示时称声压。声强（I）与声压（P）的关系为：I=（P^2）/(ρv) （此时P为有效值，若P为幅值，则 I=(P^2)/(2ρv) ），其中ρ-介质密度，v-声速。基音一般的声音都是由发音体发出的一系列频率、振幅各不相同的振动复合而成的。这些振动中有一个频率最低...

2018-07-16 22:15:41 2217

原创语音识别学习日志 2018-7-15 语音识别基础知识准备（1）

2018-7-15频谱频谱是频率谱密度的简称，是频率的分布曲线。声音的构成声音频率决定音调；声音振幅决定大小；声音谐波决定音色。之所以能分辨出不同乐器和不同人，只因为声音中谐波成份不同。听感音高（声音音高）音高指各种不同高低的声音，即音的高度，音的基本特征的一种。音的高低是由振动频率决定的，两者成正相关关系：频率（即单位时间内振动次数的多少）高则音"高"，反之则"低"。听觉响度（声音响度）又称音量...

2018-07-15 23:21:41 2869

原创关于mongodb的使用（java

1、如何关闭mongo-java-driver的log输出2、mongoDB的更新等操作（使用mongo-java-driver），（存在时更新，否则插入&&向mongo的列表中添加元素&&更新嵌套在文档中的字段）package cdc.personalTool;import com.mongodb.BasicDBObject;import co...

2018-05-08 16:39:21 2046

转载 MongoDB使用

转自：http://www.cnblogs.com/cswuyg/p/4595799.html MongoDB使用小结：一些常用操作分享本文整理了一年多以来我常用的MongoDB操作，涉及mongo-shell、pymongo，既有运维层面也有应用层面，内容有浅有深，这也就是我从零到熟练的历程。MongoDB的使用之前也分享过一篇，稍微高阶点：见这里：《MongoDB使用小结》1、shell登陆和...

2018-05-08 16:04:21 2418

原创毕设之初试Django

安装：$ pip install Django==1.11查看是否安装成功：$ python -c "import django; print(django.get_version())"建立site和application：$ django-admin startproject web_site_start$ cd web_site_start$ django-admin startapp st...

2018-04-01 17:58:46 2832 2

转载面向对象的几种关系

如果你确定两件对象之间是is-a的关系，那么此时你应该使用继承；比如菱形、圆形和方形都是形状的一种，那么他们都应该从形状类继承而不是聚合。如果你确定两件对象之间是has-a的关系，那么此时你应该使用聚合；比如电脑是由显示器、CPU、硬盘等组成的，那么你应该把显示器、CPU、硬盘这些类聚合成电脑类，而不是从电脑类继承。类间的关系网上关于此类的讨论非常多，发现对于该问题的理解各有各的说法，

2017-03-06 10:27:28 2715

原创 VS2013开发QT时提示很多未定义标识符（不影响编译）

类似这种红色po浪线。有人说完全编译就行了，但我试了不行。好了

2017-03-03 10:44:20 15478 5

转载 C#解决WebBrowser DocumentComplete一个网页多次触发

关于DocumentCompleted事件，MSDN给出的解释是在文档加载完毕后执行，但是在我的程序中DocumentCompleted却被多次调用，查了一下资料，大概出现了以下几种情况。1、WebBrowser载入一个页面后DocumentCompleted事件会执行两次，但这两次的ReadyState状态不一样，分别是Intercative和Complete。而MSDN对这两种状态

2017-02-15 17:21:00 3911

原创 C.Mahmoud and a Message Codeforces Round #396 (Div. 2)(DP)

题意就不说了，我们设一个dp数组，dp[i]表示长度为i的前缀有多少种符合条件的分割方法，dp[0]设置为1。那么dp[i]=dp[i-1]+dp[i-2]+...+dp[i-j]，j是当前第i个字符和第i-j+1个字符之间所包含字符对应的限制数组（题目中的ai）的最小值。所以在计算的时候，要不断更新j 的值保证符合条件。O(n^2)的时间复杂度算出dp[n]就是最多方案数。最长子串在

2017-02-13 11:23:20 2231