- 博客(113)
- 资源 (1)
- 收藏
- 关注
RSS订阅转载 一些mongodb数据库操作+关于@ApiImplicitParams、ApiImplicitParam的使用说明+POST四种传参+boolean类型get()和set()方法出错的问题
一些mongodb数据库操作+关于@ApiImplicitParams、ApiImplicitParam的使用说明+POST四种传参+boolean类型get()和set()方法出错的问题
2022-06-14 21:28:46
316
原创 idea构建项目时遇到的问题
1、idea的compiler output怎么配置？将File -> Project Structure -> Project -> Project compiler output的地址改成和File -> Project Structure -> Modules ->要设置的模块-> Paths -> Use module compile out path -> Output path的路径一致。(44条消息) idea 设置项目编译输出目录
2022-05-11 14:41:03
3039
转载 java环境配置
Windows终端无法通过cd切换盘符目录 - 唐的糖 - 博客园 (cnblogs.com)cd /d D:Tomcat安装及配置_思想在拧紧的博客-CSDN博客_tomcattomcat9安装地址：Apache Tomcat® - Apache Tomcat 9 Software Downloadsidea配置tomcat以及运行maven项目：Idea中配置Tomcat以及运行maven项目_Yan Yang的博客-CSDN博客_idea配置tomcat启动mav
2022-05-10 17:18:34
128
原创 Windows配置Java环境（jdk环境+maven环境+IDEA环境）
1、jdk环境JDK8 下载 - 编程宝库win10系统下安装JDK1.8及配置环境变量的方法 - 程序员小羊 - 博客园Windows 10 配置Java 环境变量 | 菜鸟教程2、maven环境
2022-04-22 15:34:51
596
原创 Mac下配置java环境以及idea的使用
Mac下配置java环境以及idea的使用:1、jdk的安装配置2、maven的安装配置3、tomcat的安装配置4、idea的安装配置
2022-04-17 22:57:18
4619
原创 今日问题7777
1、SQL 查询登录次数前十的user （每登陆一次都有一条记录） 登录次数最频繁的user2、并发 写交替打印字母a～z3、算法题 数组中未出现的最小正整数4、面经刷一刷https://www.nowcoder.com/discuss/532896?type=2&order=0&pos=37&page=4&ncTraceId=&channel=-1&source_id=discuss_tag_nctrack...
2021-06-22 16:45:03
123
转载 一二三维卷积
二维卷积图中的输入的数据维度为 14 × 14 ，过滤器大小为 5 × 5，二者做卷积，输出的数据维度为 10 × 10（ 14 − 5 + 1 = 10 ）。• 上述内容没有引入channel的概念，也可以说channel的数量为1。如果将二维卷积中输入的channel的数量变为3，即输入的数据维度变为（14 × 14 × 3）。由于卷积操作中过滤器的 channel 数量必须与输入数据的channel数量相同，过滤器大小也变为 5 × 5 × 3 。在卷积的过程中，过滤器与数据在 channel
2021-04-13 10:01:15
407
原创 Java面试-Redis
简单介绍Redis与传统数据库不同的是 Redis 的数据是存在内存中的 ，也就是它是内存数据库，所以读写速度非常快，因此 Redis 被广泛应用于缓存方向。Redis 除了做缓存之外，Redis 也经常用来做分布式锁，甚至是消息队列。Redis 提供了多种数据类型来支持不同的业务场景。Redis 还支持事务 、持久化、Lua 脚本、多种集群方案。分布式缓存常见的技术选型方案有哪些？分布式缓存的话，使用的比较多的主要是 Memcached 和 Redis。不过，现在基本没有看过还有项目使用 Mem
2021-03-27 13:30:47
56
转载 Java面试-数据结构
数组数组（Array） 是一种很常见的数据结构。它由相同类型的元素（element）组成，并且是使用一块连续的内存来存储。我们直接可以利用元素的索引（index）可以计算出该元素对应的存储地址。数组的特点是：提供随机访问 并且容量有限。假如数组的长度为 n。访问：O（1）//访问特定位置的元素插入：O（n ）//最坏的情况发生在插入发生在数组的首部并需要移动所有元素时删除：O（n）//最坏的情况发生在删除数组的开头发生并需要移动第一元素后面所有的元素时链表链表简介链表（LinkedLis
2021-03-21 15:24:23
193
转载 java面试-Linux基础
操作系统的内核操作系统的内核（Kernel）是操作系统的核心部分，它负责系统的内存管理，硬件设备的管理，文件系统的管理以及应用程序的管理。操作系统的内核是连接应用程序和硬件的桥梁，决定着操作系统的性能和稳定性。中央处理器（CPU）关于 CPU 简单概括三点：CPU 是一台计算机的运算核心（Core）+控制核心（ Control Unit），可以称得上是计算机的大脑。CPU 主要包括两个部分：控制器+运算器。CPU 的根本任务就是执行指令，对计算机来说最终都是一串由“0”和“1”组成的序列。C
2021-03-21 14:30:00
119
转载 Java面试-操作系统
什么是操作系统操作系统（Operating System，简称 OS）是管理计算机硬件与软件资源的程序，是计算机的基石。操作系统本质上是一个运行在计算机上的软件程序 ，用于管理计算机硬件和软件资源。 举例：运行在你电脑上的所有应用程序都通过操作系统来调用系统内存以及磁盘等等硬件。操作系统存在屏蔽了硬件层的复杂性。 操作系统就像是硬件使用的负责人，统筹着各种相关事项。操作系统的内核（Kernel）是操作系统的核心部分，它负责系统的内存管理，硬件设备的管理，文件系统的管理以及应用程序的管理。 内核是连接
2021-03-21 12:47:52
179
转载 pytorch简单编程
1：用TensorFlow或PyTorch实现两个tensor的矩阵A和B的乘法，其中A为二维，B为N维（n >= 3）2D张量要和3D张量的后两个维度满足矩阵相乘条件。点乘——torch.mul(a, b)python中的广播机制(broadcasting)broadcasting可以这样理解：如果你有一个(m,n)的矩阵，让它加减乘除一个(1,n)的矩阵，它会被复制m次，成为一个(m,n)的矩阵，然后再逐元素地进行加减乘除操作。同样地对(m,1)的矩阵成立。矩阵乘矩阵相乘有torch.
2021-03-16 13:06:08
369
转载 Encoder-Decoder模型和Attention模型
1.Encoder-Decoder模型及RNN的实现encoder-decoder模型虽然非常经典，但是局限性也非常大。最大的局限性就在于编码和解码之间的唯一联系就是一个固定长度的语义向量C。也就是说，编码器要将整个序列的信息压缩进一个固定长度的向量中去。但是这样做有两个弊端，一是语义向量无法完全表示整个序列的信息，还有就是先输入的内容携带的信息会被后输入的信息稀释掉，或者说，被覆盖了。输入序列越长，这个现象就越严重。这就使得在解码的时候一开始就没有获得输入序列足够的信息， 那么解码的准确度自然也就要打个
2021-03-16 11:15:40
649
转载 如何防止过拟合和欠拟合
过拟合1.1 定义是指模型对于训练数据拟合呈现过当的情况，反映到评估指标上就是模型在训练集上的表现很好，但是在测试集上的表现较差。结果就是训练出的模型泛化能力差。1.2 如何防止过拟合防止过拟合的方法有4种：1）增加训练集数据；该方式是从数据入手，将更多的数据参与到模型的训练中，这是最有效的方法，这样可以让模型学习到更多更有效的特征，降低噪声对模型的影响。但是往往直接增加数据是困难的，因此可以通过一定的规则来扩充训练数据。列举两种方式：①如图像分类问题中可以通过对图像的平移，缩放，旋转等方式
2021-03-16 10:35:26
3496
转载 RNN&LSTM网络结构以及LSTM的变体和拓展
RNNCNN等传统神经网络的局限在于：将固定大小的向量作为输入（比如一张图片），然后输出一个固定大小的向量（比如不同分类的概率）。不仅如此，CNN还按照固定的计算步骤（比如模型中层的数量）来实现这样的输入输出。这样的神经网络没有持久性：假设你希望对电影中每一帧的事件类型进行分类，传统的神经网络就没有办法使用电影中先前的事件推断后续的事件。RNN 是包含循环的网络，可以把信息从上一步传递到下一步。LSTMLSTM是一种RNN。RNN都有一种重复神经网络模块的链式形式。在标准的 RNN 中，这个重复的模
2021-03-16 10:26:27
528
转载 梯度消失、梯度爆炸产生的原因
一、梯度消失、梯度爆炸产生的原因 对于1.1 1.2，其实就是矩阵的高次幂导致的。在多层神经网络中，影响因素主要是权值和激活函数的偏导数。1.1 前馈网络若要对于w1求梯度，根据链式求导法则，得到的解为： 通常，若使用的激活函数为sigmoid函数，其导数最大为1/4：这样可以看到，如果我们使用标准化初始w，那么各个层次的相乘都是0-1之间的小数，而激活函数f的导数也是0-1之间的数，其连乘后，结果会变的很小，导致梯度消失。若我们初始化的w是很大的数，w大到乘以激活函数的导数都大于1，那么
2021-03-16 09:48:37
7141
转载 pytorch中优化器和学习率衰减方法总结
torch.optimtorch.optim是一个实现了各种优化算法的库。大部分常用的方法得到支持，并且接口具备足够的通用性，使得未来能够集成更加复杂的方法。如何使用optimizer为了使用torch.optim，你需要构建一个optimizer对象。这个对象能够保持当前参数状态并基于计算得到的梯度进行参数更新。构建为了构建一个Optimizer，你需要给它一个包含了需要优化的参数（必须都是Variable对象）的iterable。然后，你可以设置optimizer的参数选项，比如学习率，权重衰
2021-03-16 09:07:33
3257
原创 两种优化器SGD&Adam以及损失函数交叉熵损失&MSE&SISDR
优化器Adam梯度下降法参数更新公式：θt+1=θt−η⋅∇J(θt)其中，η是学习率，θt 是第 t 轮的参数，J(θt) 是损失函数，∇J(θt)是梯度。在最简单的梯度下降法中，学习率 η是常数，是一个需要实现设定好的超参数，在每轮参数更新中都不变，在一轮更新中各个参数的学习率也都一样。为了表示简便，令 gt=∇J(θt)，所以梯度下降法可以表示为：θt+1=θt−η⋅gtAdam，是梯度下降法的变种，用来更新神经网络的权重。Adam 更新公式：默认值为 η=0.001，β1=0
2021-03-16 08:30:17
5841
原创 conv-tasnet网络结构+mobilenet网络结构+VQ-VAE-2模型
conv-tasnet网络结构encoder:输入波形，通过一个一维卷积，提取特征，得到一个特征矩阵。 # input encoder self.encoder = nn.Conv1d(1, 512, 256, bias=False, stride=16) #输入信号通道为1，帧长256，帧移16 #1*3200->1*512*185[(3200-256)/16+1=185]separation：由卷积的一维扩张卷积块组成的时间卷积网络（TCN）估计每个spk的mask，使网络可以
2021-03-13 14:45:16
2341
1
原创 Java面试--数据库知识点
存储引擎MyISAM和InnoDB的区别1.是否支持行级锁：MyISAM只有表级锁，InnoDB支持行级锁和表级锁，默认为行级锁。2.是否支持事务和奔溃后的安全恢复：MyISAM每次查询具有原子性，不支持事务。InnoDB支持事务，外部键等...
2021-03-08 13:40:29
307
2
原创 计算机网络面试知识点
OSI与TCP/IP各层的结构和功能，都有哪些协议应用层应用层的任务是通过应用进程之间的交互来完成特定网络任务的应用。应用层协议定义的是应用进程之间的通信和交互的规则。应用层协议有域名系统DNS，HTTP协议，支持电子邮件的SMTP协议等、FTP、POP3。应用层交互的数据单元称为报文。表示层信息的语法语义，比如加密解密、转换翻译、压缩解压缩等。回话层不同机器上的用户之间建立和管理对话。运输层运输层的任务就是向两个进程之间的通信提供通用的数据传输服务。主要有TCP（面向连接，可靠的传输服务
2021-03-05 17:24:03
100
原创 Java面试--Java并发知识点
synchronized关键字说说你对synchronized关键字的了解synchronized关键字解决的是多线程之间访问资源的同步性，synchronized关键字可以保证被它修饰的方法或者代码块在任意时刻只能有一个线程执行。Java6之后Java官方从JVM层面对synchronized引入大量优化，如自旋锁、适应性自旋锁、锁消除、偏向锁、轻量级锁等技术来减少锁操作的开销。说说你是怎么使用synchronized关键字的synchronized关键字最主要的三种使用方式：1.修饰实例方
2021-03-04 08:45:10
94
转载 python numpy操作以及用pytorch在服务器训练模型中遇到的一些问题以及一些论文解释（conv-tasnet）
列表中取出不重复的数服务器离线训练模型离线训练screen的一些参数conv-tasnet查看GPU状态的命令pytoch中squeeze()和unsqueeze()函数各种镜像地址win10结束进程快捷键
2020-12-09 14:42:26
499
转载 Python生成随机数、Python数组求n次方、求和、求均值、Python log函数、Python归一化方法
随机数1随机数2正态分布随机正态随机求n次方求和求均值log函数归一化
2020-11-04 15:35:07
538
翻译 PHASEN: A Phase-and-Harmonics-Aware Speech Enhancement Network
时频域掩蔽是单通道语音增强的主流方法。近年来，除了振幅预测外，相位预测也成为人们关注的焦点。本文提出了一种相位和谐波感知的深度神经网络PHASEN，为了这个任务。与以往直接使用复数理想比率掩模来监督DNN学习的方法不同，我们设计了一个双流网络，其中振幅流和相位流用于振幅和相位预测。我们发现两个流之间应该相互通信，这对相位预测至关重要。此外，我们提出频率变换块来捕捉沿频率轴的长程相关。可视化结果表明，学习后的变换矩阵可以自发地捕捉到谐波相关，这对T-F谱图重建是有帮助的。通过这两项创新，PHASEN获得了处
2020-11-04 14:46:58
522
翻译 Deep learning for minimum mean-square error approaches to speech enhancement
介绍目标是缩小MMSE和深度学习语音增强方法之间的差距，生成比最近基于masking和mapping的深度学习方法更高质量和可理解性分数的增强语音。研究了深度学习方法可以为上述MMSE方法提供的性能改进。每种MMSE方法都需要对带噪语音频谱成分进行先验信噪比（SNR）估计。这里采用了深度学习的方法准确估计先验信噪比。 在这项工作中，使用语音质量和可懂度的主客观测量来评估使用深度学习的MMSE方法。测试条件包括真实世界的非平稳噪声源和多个信噪比水平的有色噪声源。将使用深度学习的MMSE方法与最近基于掩蔽
2020-11-04 14:38:44
386
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人