原创 Verilog 實現卷積代碼分析

代碼閱讀筆記 code source m_conv_1_1 卷積部分 m_conv_1_1~m_conv_1_18內容都是相同的,計算也是一樣的,只是卷積核的值不同。 基本思想是利用移位寄存器實現pipeline模式計算乘加運

原创 xilinx 芯片命名規則(XCVU9P-L2FSGD2104E爲例)

  圖片來自:https://datasheet.datasheetarchive.com/originals/dk/DKDS42/DSANUWW0054054.pdf

原创 ubuntu16.04 安裝 libjpeg-turbo-1.5.2 運行腳本一步完成

把下面的腳本copy到一個空文件,保存爲setup.sh 然後運行: sudo bash setup.sh #!/bin/bash # refer to: https://blog.csdn.net/j_boom/artic

原创 一句話解釋最小二乘法

最小二乘法 最小二乘法就是最小化平方和的方法。 對於樣本集 {x1,x2,...,xN}\{x_1, x_2,...,x_N\}{x1​,x2​,...,xN​}中的每個樣本,它與預測值 y~\tilde yy~​之間會有一個

原创 一句話解釋ID3\C4.5算法

ID3\C4.5算法 ID3算法 ID3算法,ID的意思是 Iteritive Dichotomiser(迭代二分類器)。 它的基本原理是對所有特徵求信息增益,選出信息增益最大的特徵,按照該特徵對數據進行分組 D1,D2D_1,

原创 最大似然估計法與貝葉斯估計最容易理解的解釋

最大似然估計法與貝葉斯估計最容易理解的解釋 最大似然 概率:已知參數估計事件發生的可能性,例如已知硬幣“花”朝上的概率爲 p=0.6,則求我拋一次硬幣出現“花”的可能性。 似然:根據樣本分佈求參數,例如根據100次拋硬幣結果估計“

原创 c++ 中malloc()使用詳解以及與new()的區別

一、原型:extern void *malloc(unsigned int num_bytes); 頭文件:#include <malloc.h> 或 #include <alloc.h> (注意:alloc.h 與 malloc

原创 seekg()與tellg()用法詳解

對輸入流操作:seekg()與tellg() 對輸出流操作:seekp()與tellp() 下面以輸入流函數爲例介紹用法: seekg()是對輸入文件定位,它有兩個參數:第一個參數是偏移量,第二個參數是基地址。 對於第一個參數,可

原创 【熵系列-1】香農信息量

【熵系列-1】香農信息量 如果是連續型隨機變量的情況,設ppp爲隨機變量X的概率分佈,即p(x)爲隨機變量X在X=x處的概率密度函數值,則隨機變量X在X=x處的香農信息量定義爲: −log2p(x)=log21p(x) -log_

原创 【熵系列-3】相對熵(或者 KL散度)

【熵系列-3】相對熵(或者 KL散度) 上一篇文章我們簡單介紹了信息熵的概念,知道了信息熵可以表達數據的信息量大小,是信息處理一個非常重要的概念。對於離散型隨機變量,信息熵公式如下: H(p)=H(x)=Ex∼p(x)[−logp

原创 【熵系列-2】信息熵

【熵系列-2】信息熵 熵的定義: 根據維基的定義,熵的定義如下:熵是接收的每條消息中包含的信息的平均量,又被稱爲信息熵、信源熵、平均自信息量。直白地解釋就是信息中含的信息量的大小,其定義如下: H(X)=E[I(X)]=E(−l

原创 【論文翻譯】High-Performance Long-Term Tracking with Meta-Updater

High-Performance Long-Term Tracking with Meta-Updater 使用元跟新器進行高性能長期跟蹤 該篇論文爲CVPR2020(Oral) ,這個作品是VOT2019-LT獲勝者的改進版

原创 【筆記】Transformer模型(NLP)

Transformer 模型 谷歌團隊近期提出的用於生成詞向量的BERT[3]算法在NLP的11項任務中取得了效果的大幅提升,堪稱2018年深度學習領域最振奮人心的消息。而BERT算法的最重要的部分便是本文中提出的Transf

原创 LeetCode1326.灌溉花園最少水龍頭數目 (hard)總結

1326.灌溉花園最少水龍頭數目 link 問題描述: 在 x 軸上有一個一維的花園。花園長度爲 n,從點 0 開始,到點 n 結束。 花園裏總共有 n + 1 個水龍頭,分別位於 [0, 1, …, n] 。 給你一個整數 n

原创 交叉熵與似然函數聯繫思考

交叉熵與似然函數聯繫 1. 交叉熵 −∑x∈χp(x)logq(x) -\sum_{x\in \chi}p(x)logq(x) −x∈χ∑​p(x)logq(x) p: 真實樣本分佈,服從參數爲p的0-1分佈,即 X~B(1, p