Welcome to WillTeng's blog
通过自己努力即使只知道一半真理，也比人云亦云知道全部真理要好得多-
WIN10+VS2019+CUDA10.2+MATCONVNET编译
步骤1
在vl_compilenn中修改VS2019 链接器的位置
步骤2
在vl_compilenn nvcc_compile函数中将flags.base的-O改为-O3
步骤3
将flags.mex flags.mexcuda flags.mexlink全部改为-lmwblas
-
深度学习相关概念
L1范数
计算方法：向量绝对值之和
L2范数
计算方法：向量值之和的平方根
损失函数
回归
均方误差（MSE/L2）：
平均绝对误差（MAE/L1）：
huber损失：
log-cosh：
分位数损失：
分类
0-1损失：
逻辑损失：
合页损失：
指数损失：
modified huber损失：
-
Pytorch实现线性回归
定义网络模型
def line_reg(x, w, b):
return t.mm(x, w) + b
pass定义损失函数
def loss(true_y, y):
return (true_y - y.view(true_y.size())) ** 2 / 2
pass定义优化函数
def optimize(params, lr, batch):
for param in params:
param.data -= lr * param.grad / batch
pass初始化模型
w = t.tensor(np.random.normal(0, 0.1, (2, 1)), dtype=t.float32, requires_grad=True)
b = t.zeros(1, dtype=t.float32, requires_grad=True)训练和测试
epochs = 4
lr = 0.03
batch = 10
for epoch in range(epochs):
for x, y in get_random_sample(batch, features, labels):
l = loss(line_reg(x, w, b), y).sum()
l.backward()
optimize([w, b], lr, batch)
w.grad.data.zero_()
b.grad.data.zero_()
train_1 = loss(line_reg(features, w, b), labels)
print(‘epoch %d,loss %f’ % (epoch, train_1.mean().item()))结果
-
linux ftp服务器
Ubuntu搭建FTP服务器
安装vsftpd
- sudo apt update -y
- sudo apt install vsftpd
配置服务
- 备份配置cp /etc/vsftpd.conf /etc/vsftpd.conf.bak
- 创建用户sudo adduser -d /home/ftpserver -s/bin/bash -m ftpserver
- 授权目录权限sudo chown ftpserver:ftpserver /home/ftpserver
- 配置密码 passwd ftpserver
- 创建/etc/vsftpd.chroot_list文件（限制用户文件）
- 创建/etc/vsftpd.user_list文件,加入用户
- 修改vsftpd.conf文件,write_enable=YES,userlist_file=/etc/vsftpd.user_list,userlist_enable=YES, userlist_deny=NO,chroot_list_file=/etc/vsftpd.chroot_list,pam_service_name=ftp
启动服务
- systemctl start vsftpd 或 service vsftpd start
- systemctl restart vsftpd 或 service vsftpd restart
-
python网络爬虫
-
python数据分析
Python数据分析包
- numpy：数值计算包，矩阵数据类型、矢量处理
- pandas：数据操作包，数据分析和探索工具
- scipy：数据分析包，统计、优化、整合、线性代数模块、傅里叶变换、信号和图像处理、常微分方程求解器
- statsmodels：统计模型包，统计模型、统计测试、统计数据挖掘
- beautifulSoup4：抓取网络数据
- nexworkx：复杂网络包，创建随机网络或经典网络、分析网络结构、建立网络模型、设计网络算法、绘制网络
- matplotlib：基本绘图包，图表数据可视化工具
- sci-kit learn：机器学习包，通过多种机器学习算法