weixin_45615542的博客

原创 PyTorch深度学习实践（循环神经网络）

循环神经网络

原创 PyTorch深度学习实践（卷积神经网络）

循环神经网络

原创 PyTorch深度学习实践（处理多维特征的输入、加载数据集）

原创 PyTorch深度学习实践（线性回归、逻辑回归）

线性回归（Linear Regression）：逻辑回归（Logistic Regression）

原创 PyTorch深度学习实践（线性模型、梯度下降算法、反向传播）

线性模型：梯度下降算法：SGD:

原创 MIMO技术入门

MIMO实现效果的分类：空间分集、空间复用、波束赋形Massive MIMON：多个通信的通道 B：信道带宽

原创 CSI信道状态信息

1、信道状态信息（channel state information， CSI）信道状态信息是无线通信中一种描述信道的数据。无线通信中，信道状态信息表示通信链路的传播特性，它描述信道中散射，衰落，功率衰减等多种效应的联合影响。获取信道状态信息的方式成为信道估计。信道状态信息根据它应用位置不同，分为两部分：发射机侧的信道状态信息，接收机侧的信道状态信息。通常，发射机侧的信道状态信息比接收机更为重要，因为可以采用功率分配，波束赋形，天线选择等方法提前补偿这些衰减从而完成数据告诉可靠的传输。2、MIMO中

原创 多址技术、调制、基站、切换

多址技术FDMA：频分多址（一个用户一个频率）TDMA：时分多址（一个频率多个用户使用。按照A、B、C…用户依次使用）码分多址：CDMA调制是一种将基带信号搬移到高频载波，实现频谱搬移的过程。频谱搬移数字调制就是用波形来表示0，1.1周期，想要发送2bit的信息需要4种波形1周期，想要发送3bit的信息需要8种波形。3G：16QAM 4bit4G：64QAM 6bit5G：256QAM 8bit基站：BBU核心板件切换：..

原创 移动通信基础

4G网速：100Mbps（单卡双待，Volte、CSFB ）4G中语音解决方案LTE技术在设计的目的是用来上网，并没有考虑打电话的功能。因此在通话时需切换到2g或3g.CSFB(语音回落)：联通：从LET（4g）回落到WCDMA(3G)移动：由于移动取消了TD-SCDMA(3g)技术，因此从LET（4g）回落到EDGE（2g）单卡双待：电信：因为4g用的是3GPP标准中的LET技术，3g用的是高通指定的标准，不同标准之间不能互通，因此采用单卡双待技术。Volte:既想利用4g上网，又想在.

原创 cudnn与cuda

https://blog.csdn.net/qianbin3200896/article/details/104244538?utm_source=app&app_version=4.14.0参考Pytorch的最终目标是进行深度学习训练和推理，深度学习的本质就是训练深度卷积神经网络。cuda可以使得显卡来完成并行计算任务，但是所有的操作还是比较底层的、复杂的。cudnn是在cuda之上的一个专门用于深度神经网络的SDK库用来加速完成相关特定的深度学习操作。简单来说，cuda就是用来定义显

原创 无人驾驶技术（交通标志识别）

国内开源数据集TT100K*无人驾驶技术一般分为自主式和网连化**自主式：**通过搭载多种先进的自主传感器去获取周围车辆状态**网连化：**通过V2X（车用无线通信技术）获取超视距离范围内交通参与者状态和意图。无人驾驶汽车有感知，规划，控制三大核心组件（1）感知系统：感知指的是汽车从周围环境中去获得信息增强自己对周围环境的判断理解力，机器视觉式环境感知中最重要的一个环节，用相机去获取图像的方式感知周围环境。（2）规划系统：规划指的是一种决策过程，为了某个目的去执行的一个过程，无人汽车结合利用相

原创 传统机器学习

SVM（二分类模型）主要思想：找到空间中一个更够将所有数据样本划分开的超平面，并且使得数据集中的所有数据到这个超平面的距离最短。决策树（分类回归）构建过程：1、构建根节点，将所有训练数据都放在根节点2、选择一个最优特征，按照这一特征将训练数据集分割成子集，是的各个子集有一个在当前条件下最好的分类3、如果子集非空，或子集容量未小于最少数量，递归1，2步骤，直到所有训练数据子集都被正确分类或没有合适的特征为止优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据缺点

原创 LSTM、GRU、ConvLSTM

循环神经网络RNN：网络会对先前的信息进行记忆并应用到当前的输出计算中，隐藏层之间的节点不再无连接而是有连接的，且隐藏层的输入不仅包括输入层还包括上一时刻隐层的输出。**长短期记忆网络LSTM：**为克服RNN无法处理远距离依赖提出了LSTMGRUConvLSTM:优点：1、能捕捉时空特征而非单纯的时序特征2、预测的是多步时空预测而非单步时空预测...

原创 soft-attention (SENet、BAM、CBAM)

soft-Attention 是参数化的（Parameterization），因此可导，可以被嵌入到模型中去，直接训练。梯度可以经过Attention Mechanism 模块，反向传播到模型其他部分。与分类、回归训练原理完全一致。Squeeze - and - Excitation Network (SENet)SENet旨在通过使网络能够动态调制各通道的权重（通道注意力），从而重新校准特征来提高网络的表达能力。采用全局平均汇集特征来计算通道方向的注意。BAM（Bottleneck Att

原创 轻量化模型

轻量化模型是一种能在移动端使用的网络模型。MobileNet 特点：1、Depthwise Convolution（大大减少运算量和参数数量）2、增加超参数 α,β\alpha ,\beta α,β传统卷积神经网络，内存需求大、运算量大导致无法在移动设备以及嵌入式设备上运行。MobileNet采用了depth-wise separable convolution 的卷积方式代替传统卷积方法将标准卷积分成两步：step1: depth-wise convolution, 一个卷积核负责一个通道

原创 ResNet结构以及BN原理

ResNet优点：有超深的网络结构提出了residual模块使用Batch Normalization 加速训练（丢弃dropout）随着网络层数的增加会出现梯度消失或梯度爆炸以及退化问题（ degradation problem）梯度消失和梯度爆炸出现的原因：在反向传播中需要对激活函数求导。如果导数<1，那随着网络层数的增加，梯度更新会朝着指数衰减的方式减少。如果导数>1，那随着网络层数的增加，梯度更新会朝着指数爆炸的方式增加。解决方法：BN、ReLu函数（导数为1，每层

原创 深度学习框架 Pytorch（LeNet）

Pytorch Tensor 的通道排序：[batch, channel, height, width]eg. 输入100张32*32的彩色图片通道为[100，3，32，32]搭建流程：定义一个classclass LeNet(nn.Module):定义初始化函数 def __init__(self): super(LeNet, self).__init__()定义正向传播的过程 def forward(self, x):LeNet网络：下载训练集：第一次使用时要将

原创 Attention机制

核心逻辑:从关注全部到关注重点优点:参数少;速度快;效果好Attention函数的本质可以被描述为一个query到一系列 key-value 对的映射，如下图。Attention原理的3步分解:Attention的思路: 带权求和step1: query 和 key 进行相似度计算,得到权值step2: 将权值进行归一化,得到直接可用的权重step3: 将权重value进行加权求和数学式表达首先利用RNN结构得到encoder中的hidden state 假设当前decoder的

原创 Linux基础

1、卸载，挂起驱动：2、进入media目录cd /media3、解压缩包、安装虚拟机工具：4、重启reboot

原创 渗透测试流程

渗透测试流程

原创 共生无线电系统

原文：Symbiotic Radio: A New Communication Paradigm for Passive Internet-of-Things共生无线电（symbiotic radio，SR）基础的共生无线电系统模型由三个节点组成，即配备M（M>1）个天线的主发射机、单天线主接收机和单天线反向散射装置。PT通过发射波束成形向PR发送其主要信息，同时使BD能够向PR发送其自己的信息。具体来说，BD通过改变其反射系数来调制来自PT的主信号上的自身信息。因此，BD不仅与主系统共享相同

原创 反向散射通信

原文：Ambient Backscatter Communications: A Contemporary Survey反向散射通信反向散射通信系统根据其体系结构可分为三大类：a、单基地反向散射通信系统（monostatic backscatter communications systems,MBCSs）b、双基地反向散射通信系统（bistatic backscatter communications systems,BBCSs ）c、环境反向散射通信系统（ambient backscatte

原创 MySQL数据库的基本操作

1、MYSQL登录与退出 D：\phpstudy\MySQL\bin输入 mysql - uroot -p -P3306 -h127.0.0.1 mysql -uroot -proot -h127.0.0.1查看当前数据库 里面的表user 用户为root的密码 select password from user where user ='root'；退出的三种方法 mysql>exit mysql>quit mysql>q2、MySQ