9 nineheaded_bird

尚未进行身份认证

我要认证

暂无相关简介

等级
TA的排名 4k+

【CUDA编程】随机数生成

随机数在一般编程中都会涉及,特别是在仿真过程中。我之前有几篇文章介绍了如何通过CPU函数调用产生随机数,这里我介绍如何在CUDA中产生随机数。在CUDA中,主要使用cuRAND库中的函数来产生随机数,其链接文档为https://docs.nvidia.com/cuda/curand/index.html 。通过文档可知,cuRAND库提供两种方式的随机数生成:host与device。关于具体如何生成随机数,我们可参考文档中的Host API Example 和Device API Examples。其

2020-10-24 22:05:55

【CUDA编程】CPU计时与GPU计时

使用CUDA进行编程,主要目的就是时间上加速。为此,如何计时必不可少。在CUDA中,我们可以使用CPU计时函数和GPU计时函数。对于CPU计时,我们在之前的文章(精确系统计时:秒、毫秒、微秒)中已经介绍在一般的C/C++编程中的计时方法。下面我们介绍在CUDA中如何计时:CPU计时CUDA中的核函数是异步执行的,即调用核函数后(而非等待其运行结束)就继续执行后面的语句。因此,使用CPU计时的时候,我们需要加上同步函数,这样才能得到核函数的运行时间,否则就是调用时间。下面给出一个简单的实例,由于代码简单

2020-10-18 21:28:37

【妄言之言】MacOS上的效率工具

title: 【妄言之言】MacOS上的效率工具mathjax: truedate: 2020-09-30 10:22:39tags: Algorithm Design下午实验室要举办运动会了,明天就是国庆中秋了,就先写这么多吧,等放假回来再写。SoftwareAlfred我们将通过通用(General)、特征(Features)、工作流(Workflows)、外观(Appearance)四个方面来介绍其中常用的功能:General我一般都是开机自启动,唤出的快捷键为Ctrl+Sp.

2020-09-30 11:28:28

【Vim】Vim常用配置<二>

在前面的文章中,我们介绍了一些较为实用的vim插件的安装和使用。这篇文章介绍一下,最基础普适的设置,主要分为:一般性设置,键位设置。一般性设置设置显示行号" set line numberset numberset numberwidth=4set relativenumber设置光标"Keep the cursor above the bottom by 7 linesset scrolloff=7set cursorcolumnset cursorline光标

2020-08-05 22:08:22

【Vim】Vim常用配置<一>

疫情在家期间,也在新电脑上准备用vim写科研论文。但是之前配置好的.vimrc文件中的配置在实验室的电脑上,我自己又懒得再配置一遍,于是作罢,选择了sublime来进行科研写作,顺便写了一篇《使用Sublime Text3撰写科研论文》。现在已经在实验室了,于是乎我将我的vim配置文件介绍介绍,放在网上,以防万一。同时,也给有需要的人借鉴参考。虽然去年在文章《使用Vim撰写科研论文》介绍了如何利用vim编写论文,只是介绍了与LaTex相关的插件。这里,我们将介绍一般性的编辑工作所需要的配置。状态栏设置

2020-08-01 22:29:04

【妄言之言】写博客的一些规范

最近开始将CSDN的博客转到个人博客上,主要是采用Markdown将以前的文章保存下来,然后将其用hexo部署到github。在这里,我介绍一下使用Markdown写博客时一些技巧,格式,以及如何用部署到网站上。用新电脑继续写博客去年我在旧电脑使用hexo搭建了博客,其配置文件的没有上传到github。今年疫情在家,用新的电脑想写博客的时候发现无法发布到网站上。于是乎,到了学校之后,我就把配置文件也上传到了github上面,这样以后也可以在其他电脑上愉快的写博客了。具体的操作步骤如下:在旧电脑

2020-07-30 23:37:19

【CUDA编程】初始配置及一个简单实例

在去年写的一篇文章《Win10 + VS2017 + CUDA10.1 + CPLEX12.9 配置》中,我们已经介绍了如何安装CUDA和使用VS作为编程环境。一晃半年过去了,现在准备用GPU做点东西,投个会议。由于新换了电脑,我又重新安装了运行环境,结果遇到了如下语法问题:C语言常用的一些头文件都无法打开,如图1:在调用核函数时, 也会显示语法有错(但是可以编译运行),如图2:解决办法:对于问题1,主要原因是VS在安装时,有些文件没有进行勾选安装。此时,我们需要使用Visual Stu

2020-07-28 23:07:53

【图解例说机器学习】集成学习之AdaBoost算法

三个臭皮匠,顶个诸葛亮。集成学习 (Ensemble learning) 通过构建并结合多个学习器来完成学习任务,即先产生一组个体学习器,再通过某种策略将它们结合起来完成学习任务。个体学习器通常为一个现有的学习算法从训练数据产生,例如决策树,神经网络等。结合策略:在回归问题中,一般采用 (加权) 平均法,在分类问题中,一般采用 (加权) 投票法。当训练数据很多时,一种更为强大的结合策略为学习法,即通过另一个学习器来进行结合,典型代表为Stacking.根据个体学习器的生成方式不同,目前的集成学习方.

2020-06-18 12:06:10

【漫漫科研路\Python】画支持向量机相关图

在之前的一篇文章【图解例说机器学习】支持向量机 (SVM)中,由于篇幅有限,我们只介绍了其理论部分。作为补充,本文介绍文中所有图像的绘制。我们全都是采用Python绘制,具体如下:图1-2: 图1 图2 图1对应的Python源代码为:# -*- coding: utf-8 -*-# @Time : 2020/5/8 21:03# @Author : tengweitwimport numpy as npimport matplotli

2020-06-11 08:45:21

【漫漫科研路\Python&Tikz】画神经网络相关图

【漫漫科研路\Python&Tikz】画神经网络相关图前一篇文章【图解例说机器学习】神经网络中,由于篇幅有限,我们只介绍了其理论部分。作为补充,本文主要介绍文中所有图像的绘制(使用Tikz或者Python)。对于神经网络中的框架图 (例如神经元,神经网络结构),我们采用Tikz绘制;对于坐标系的函数图像,我们采用Python绘制。注意:Tikz源代码需要在LaTeX中运行,其配置环境可以参考我之前的文章【漫漫科研路\LaTeX】使用Sublime Text3撰写科研论文(Windows系统下)或者

2020-06-10 09:07:17

【图解例说机器学习】神经网络 (Neural Networks)

神经网络是由具有适应性的简单单元组成的广泛并行互连的网络,它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。 --Kohonen, 1988一层神经网络:感知机与逻辑回归M-P神经元模型1943年,McCulloch和Pitts提出了沿用至今的M-P神经元。在这个模型中,神经元接收来自其他MMM个神经元传递过来的输入信号x(j),j=1,2,⋯ ,Mx^{(j)},j=1,2,\cdots,Mx(j),j=1,2,⋯,M, 这些输入信号通过带权重ωj\omega_jωj​的连接进.

2020-06-09 17:17:04

【图解例说机器学习】参数估计 (MLE and MAP)

参数估计:给定一个数据集,我们希望用一个给定的分布去拟合该数据集的分布,确定该分布的参数的过程就是参数估计。例如,我们用二项分布去拟合多次投掷硬币的情况,计算该二项分布的最优参数(出现正面的概率 θ\thetaθ)就是参数估计。下面,我们介绍在机器学习中常用的参数估计:极大似然估计 (Maximum Likelihood Estimation, MLE),最大后验概率估计 (Maximum A Posteriori, MAP)。在此之前,我们介绍一下参数估计中常用的一些概念.频率学派 VS. 贝叶

2020-05-31 19:00:21

【图解例说机器学习】朴素贝叶斯 (Naive Bayes)

朴素贝叶斯分类法是基于贝叶斯定理与特征条件独立假设的分类方法。其主要思想为:对于给定的训练数据集 D\mathcal DD ,首先基于特征条件独立假设学习输入 x\mathrm xx 与输出 yyy 的联合概率分布 P(x,y)P(\mathrm x, y)P(x,y) ; 然后通过先验概率 P(y)P(y)P(y) ,利用贝叶斯定理求出后验概率 P(y∣x)P(y\mid\mathrm x)P(y∣x) 最大对应的输出 yyy 。一个例子由于朴素贝叶斯分类比较简单,这里直接先给出一个例子来演示如何进

2020-05-28 20:32:19

【图解例说机器学习】支持向量机 (SVM)

支持向量机(Support Vector Machine, SVM),是一种常见的有监督的学习模型,通常用来进行模式识别、分类以及回归分析。本文主要介绍SVM在二分类问题的应用。线性可分支持向量机我们还是以【图解例说机器学习】感知机的二分类例子说起。如图1,假设有一个线性可分的训练集,其中有三个样例 (x1,x2,x3\mathrm x_1,\mathrm x_2, \mathrm x_3x1​,x2​,x3​),分别标记为正例(红色方块),反例(蓝色圆圈)。这里的 x(1),x(2)x^{(1)},

2020-05-12 23:39:57

【算法导论】哈夫曼树及编译码

哈夫曼树及编译码哈夫曼树,又称二叉树,是一类带权路径长度最短的树。所谓路径长度,就是节点到树根之间的路径长度与节点权值的乘积。哈夫曼本人曾在MIT的信息论研究生班学习。Robert Fano教授让学生们自己决定是参加期未考试还是做一个大作业。而哈夫曼选择了后者,原因很简单,因为解决一个大作业可能比期未考试更容易通过。Robert Fano教授也是信息论的先驱,学过信息论的都知道有Fano不

2013-08-08 17:05:03

【图解例说机器学习】感知机 (Perceptron)

感知机是二分类的线性分类模型,是神经网络和支持向量机的基础。引例一个常见的线性二分类问题如下: 图1 如图1,假设有一个线性可分的训练集,其中有三个样例 (x1,x2,x3\mathrm x_1,\mathrm x_2, \mathrm x_3x1​,x2​,x3​),分别标记为正例(红色方块),反例(蓝色圆圈)。这里的 x(1),x(2)x^{...

2020-05-05 17:57:11

【图解例说机器学习】决策树 (Decision Tree)

决策树是一种非参数的有监督的学习方法,可以用来分类和回归,即分类决策树,回归决策树。分类决策树,可以看成是if–then规则的集合,树的每一个中间节点就是一个特征,用来if–then规则的判断,树的每一个叶子节点就是最终的分类结果。基本思想:决策树就是一个,递归地选择最优特征,并根据该特征对训练数据集进行划分,使得对各个子数据集有一个最好的分类,的过程。训练数据集的划分过程就是决策树的构建过程。...

2020-04-30 23:56:13

【图解例说机器学习】模型选择:偏差与方差 (Bias vs. Variance)

机器学习的过程大致分为三步:1)模型假设,比如我们假设模型是线性回归,还是多项式回归,以及其阶数的选择;2)误差函数定义,比如我们假设误差函数是均方误差,还是交叉熵;3)参数求解,比如使用正规方程,还是梯度下降等。这篇文章主要讨论模型的选择问题,下面以多项式回归为例进行说明一个例子:多项式回归中的阶数选择在前面的文章【图解例说机器学习】线性回归中,我们定义了广义的线性回归模型,其表达式为:...

2020-04-17 23:49:58

【图解例说机器学习】逻辑回归 (Logistic Regression)

在我们日常生活中,我们经常会遇到使用到预测的事例,而预测的值一般可以是连续的,或离散的。比如,在天气预报中,预测明天的最高温,最低温(连续),亦或是明天是否下雨(离散)。在机器学习中,预测连续性变量的模型称为回归(Regression)模型,比如标准的线性回归,多项式回归;预测离散型变量的模型称为分类(Classification)模型,比如这里要介绍的逻辑回归和以后要提到的支持向量机(SVM)等...

2020-04-14 12:54:52

【图解例说机器学习】线性回归 (Linear Regression)

线性回归之于机器学习,正如Hello World之于编程语言,也如MINST之于深度学习。首先,我们先定义一些即将用到的数学符号:NotationsMeaningNotationsMeaningMMMNumber of parameters w\mathrm wwNNNNumber of instancesX={x1,x2,⋯ ,xN}T\mathrm ...

2020-04-06 20:46:01

查看更多

CSDN身份
  • 博客专家
勋章 我的勋章
  • GitHub
    GitHub
    绑定GitHub第三方账户获取
  • 阅读者勋章Lv2
    阅读者勋章Lv2
    授予在CSDN APP累计阅读博文达到7天的你,是你的坚持与努力,使你超越了昨天的自己。
  • 专栏达人
    专栏达人
    授予成功创建个人博客专栏的用户。专栏中添加五篇以上博文即可点亮!撰写博客专栏浓缩技术精华,专栏达人就是你!
  • 持之以恒
    持之以恒
    授予每个自然月内发布4篇或4篇以上原创或翻译IT博文的用户。不积跬步无以至千里,不积小流无以成江海,程序人生的精彩需要坚持不懈地积累!
  • 1024勋章
    1024勋章
    #1024程序员节#活动勋章,当日发布原创博客即可获得
  • 勤写标兵Lv1
    勤写标兵Lv1
    授予每个自然周发布1篇到3篇原创IT博文的用户。本勋章将于次周周三上午根据用户上周的博文发布情况由系统自动颁发。
  • 学习力
    学习力
    《原力计划【第二季】》第一期主题勋章 ,第一期活动已经结束啦,小伙伴们可以去参加第二期打卡挑战活动获取更多勋章哦。
  • 原力新人
    原力新人
    在《原力计划【第二季】》打卡挑战活动中,成功参与本活动并发布一篇原创文章的博主,即可获得此勋章。