Fred's Note

原创 【VALL-E-02】核心原理

VALL-E 网络原理分析

原创 【VALL-E-01】环境搭建

VALL-E 网络原理分析

原创 【GPT-SOVITS-06】特征工程-HuBert原理

GPT-SOVITS 源码解析

原创 【GPT-SOVITS-05】SOVITS 模块-残差量化解析

GPT-SOVITS 源码解析

原创 【GPT-SOVITS-04】SOVITS 模块-鉴别模型解析

GPT-SOVITS 源码解析

原创 【GPT-SOVITS-03】SOVITS 模块-生成模型解析

GPT-SOVITS 源码解析

原创 【GPT-SOVITS-02】GPT模块解析

GPT-SOVITS 源码解析

原创 【GPT-SOVITS-01】源码梳理

GPT-SOVTIS源码解析

原创 【目标检测07】yolo v4 笔记

yolo v4原理相关知识点整理和摘录

原创 【目标检测06】yolo v3 笔记

yolo v3 相关知识点笔记及摘录

原创 【目标检测05】yolo v2 笔记

yolo v2 笔记摘要

原创 【目标检测04】yolo v1 笔记

yolo v1 算法原理备注

原创 【目标检测03】卷积操作知识备注

yolo 目标检测中卷积相关基础知识的梳理摘录

原创 【目标检测02】tensorflow2 杂记 202102

备注：走读 https://github.com/akkaze/tf2-yolo3 涉及tf2的备注

原创 【目标检测01】tensorflow2 杂记 202101

走读 https://github.com/akkaze/tf2-yolo3 涉及tf2的备注

原创 kafka清理日志崩溃备注

1. 问题阿里云测试环境每隔一段时间kafka崩溃，查找原因日志如下。网上部分文档建议删除日志重新或增加supervisor监控，不解决本质问题2. 原因根本原因在于kafka默认的日志路径在 /tmp 下，linux会定期清除tmp日志3. 解决方案在centos7下修改路径 /usr/lib/tmpfiles.d 的tmp.conf 增加生产环境还是建议将kafka的日志目录切换到挂载大硬盘的目录下。...

原创 RabbitMQ笔记二

【参考资料】【1】《RabbitMQ实战指南》【2】https://www.rabbitmq.com/access-control.html【3】https://blog.csdn.net/u010013573/article/details/90991997【4】https://blog.51cto.com/11134648/2155934【5】https://www.cnblogs.com/yanwei-wang/p/4715429.html1. MQTT插件MqttClient mqtt

原创 RabbitMQ笔记一

【参考资料】【1】《RabbitMQ实战指南》1 rabbitmq简介MQ般有两种传递模式：点对点（P2P，Point-to-Point）模式和发布/订阅（Pub/Sub）模式点对点模式是基于队列的，消息生产者发送消息到队列，消息消费者从队列中接收消息发布订阅模式定义了如何向一个内容节点发布和订阅消息，这个内容节点称为主题（topic）RabbitMQ是采用Erlang语言实现AMQP（Advanced Message Queuing Protocol，高级消息队列协议）的消息中间件2 r

原创 reactor 3 编程笔记二

【参考资料】【1】 https://blog.csdn.net/weixin_34248118/article/details/879948221 reactor 核心类1.1 Publisherpublic interface Publisher<T> { void subscribe(Subscriber<? super T> var1);}Publisher 代表消息的发送方subscribe 传入一个Subscriber，建立一个生产和消费的连接,

原创 reactor 3 编程笔记一

【参考资料】【1】https://developer.ibm.com/zh/articles/j-cn-with-reactor-response-encode/【2】https://blog.csdn.net/tonydz0523/article/details/107858943【3】https://www.jianshu.com/p/611f3667c4d2【4】https://www.cnblogs.com/todev/p/13182162.html【5】https://projectre

原创 java8特性 - stream笔记

【参考资料】【1】https://www.runoob.com/java/java8-streams.html1 forEachList<User> userList = new ArrayList<>();userList.add(new User("ferd",12));userList.add(new User("ferd1",13));userList.add(new User("ferd2",14));userList.forEach(item ->

原创 java8特性 - 函数式接口笔记

【参考资料】【1】https://www.cnblogs.com/netoxi/p/10346537.html1. 函数式接口1.1 总体定义1.2 Function函数型接口: 抽象一个功能行为，接收参数并返回结果参数T和R分别表示输入参数和返回值的泛型类型@FunctionalInterfacepublic interface Function<T, R> { public static String doTestFunction(String input, Fu

原创 java 8特性 - CompletableFuture 笔记

【参考资料】【1】https://blog.csdn.net/qq_39172525/article/details/86655590【2】https://blog.csdn.net/u014209205/article/details/805982091. future1.1 future 类图1.2 future 定义public interface Future<V> { boolean cancel(boolean mayInterruptIfRunning); /

原创 【语音信号处理五】希尔伯特黄变换

【参考资料】【1】https://www.cnblogs.com/qiweiwang/archive/2010/12/20/1911736.html【2】https://zhuanlan.zhihu.com/p/74413218【3】https://www.pianshen.com/article/9161269068/【4】《希尔伯特变换与信号的包络_瞬时相位和瞬时频率》 https://wenku.baidu.com/view/9aa65710580216fc700afd57.html1. 概

原创 【语音信号处理四】DTW算法

【参考资料】【1】《基于DTW距离的时序相似性方法提取水稻遥感信息》【2】《动态时间规整—DTW算法》 https://blog.csdn.net/qq_39516859/article/details/81705010【3】《DTW算法Python实现》 https://www.cnblogs.com/ningjing213/p/10502519.html【4】《动态规划讲解+例子》https://wenku.baidu.com/view/29ffed3e974bcf84b9d528ea81c7

原创 【pytorch基础笔记六】基于CYCLEGAN的马转斑马尝试

【参考资料】【1】https://github.com/aitorzip/PyTorch-CycleGAN【2】《深入浅出GAN生成对抗网络》 8.2 CycleGan尝试了下cyclegan，训练大约2小时500次迭代，效果不甚理想。估计是学习率未优化，炼丹时间太短吧；）"""采用数据集：http://people.eecs.berkeley.edu/~taesung_park/CycleGAN/datasets/horse2zebra.zip CycleGan训练的几个特点：1、归一化

原创 【pytorch基础笔记五】基于条件GAN的色彩填充

【参考文献】【1】《深入浅出GAN生成对抗网络》7.3 ColorGAN实现训练过程如下图所示，然后自己本身对CGAN的任务主要两点：1、生成器网络模型实际上是一个编解码器2、条件因素相当于是对某一类特征进行了强调PS：从实验结果看不理想，也可能是训练数据比较少的原因：（也或许是模型理解还有偏差。。。。from random import randintimport numpy as np import torchimport torch.nn as nnimport torch.

原创 【pytorch基础笔记四】基于DCGAN人脸图片生成

【参考资料】【1】https://pytorch.org/tutorials/beginner/dcgan_faces_tutorial.html【2】https://pytorch-cn.readthedocs.io/zh/latest/DCGAN与基础GAN框架完全一致，只是将生成器和判别器换成了卷积网络。采用文献1数据集，结果如下：上图为原始真实图片，下图为生成图片 - 训练环境为带GPU的笔记本，训练时间约4小时 Epoch[18/999]import numpy as npimpor

原创 【pytorch基础笔记三】基础GAN基于MINST生成手写数字

基于pyrotch的GAN手写数字生成方案很简单，但真实参考网上资料编写到调试通还是花费一定时间。GAN网络基本思路如下：生成器： 多层神经网络，最后一层为全连接，从某一个随机序列生成一组噪声图片判别器： 多层神经网络，最后一层为sigmoid, 判断是否为真实图片*启动对抗过程为往复下面步骤1和2步骤1：训练判别器1.1 用当前的生成器生成一批伪造图片1.2 从数据集中取一批真实图片1.3 利用上述两批数据训练判别器1.4 此步骤的目的用于使得判别器区分生成图片和真实图片，前者.

原创 【pytorch基础笔记二】bptt以及LSTM

【参考资料】【1】《python深度学习：基于PyTorch》1. BPTT2. BPTT

原创 【pytorch基础笔记一】张量、梯度和简单NN

【参考资料】【1 】《python深度学习：基于PyTorch》1. 张量2. 梯度3. 基本NN的MNIST

原创 【语音信号处理三】梅尔倒谱系数

原创 【语音信号处理二】共振峰

原创 【语音信号处理一】PCM及WAV文件读取

原创 JAVA多线程梳理一

近期项目突然发现多线程很多概念还是混乱的，抽一个稍作梳理

原创 【概率及数理统计】假设检验

原创 【概率及数理统计】参数估计

原创 【概率及数理统计】抽样分布

原创 【概率及数理统计】随机变量

原创 【机器学习笔记51】deepfake

``【参考资料】【1】https://github.com/joshua-wu/deepfakes_faceswap备注: 本文主要是对【参考文献1】代码的走读理解1. deepfake的autoencoderdeepfake本质上是一个autoencoder程序将原始图像做处理后分别作为编解码的源和目标编解码模型的定义在model文件中，核心代码如下：autoencoder...