<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/HanTangSongMing</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; HanTangSongMing]]></copyright><item><title><![CDATA[高并发系统设计的六字真言]]></title><link>https://blog.csdn.net/HanTangSongMing/article/details/147457546</link><guid>https://blog.csdn.net/HanTangSongMing/article/details/147457546</guid><author>HanTangSongMing</author><pubDate>Wed, 23 Apr 2025 16:31:27 +0800</pubDate><description><![CDATA[大厂面试中，分库分表（出现频率92%）、缓存穿透/雪崩（88%）、服务降级（86%）、限流算法（79%）、异步消息队列（75%）、混沌工程（63%）是核心考点。高阶回答需结合六字真言框架，如设计千万级并发抽奖系统时，需涵盖分片存储、三级缓存、异步通知、令牌桶限流、功能降级及全链路压测。高并发设计无银弹，需通过“分缓异限降演”六大策略构建系统性解决方案，并结合实战持续优化架构，提升系统韧性与可用性。二、实战价值与典型案例。一、六字真言核心概念。]]></description><category></category></item><item><title><![CDATA[卷积神经网络(CNN)原理与实现]]></title><link>https://blog.csdn.net/HanTangSongMing/article/details/136365152</link><guid>https://blog.csdn.net/HanTangSongMing/article/details/136365152</guid><author>HanTangSongMing</author><pubDate>Thu, 29 Feb 2024 11:04:36 +0800</pubDate><description><![CDATA[卷积操作是卷积神经网络的核心操作，它通过卷积核（也称为滤波器）对输入数据进行卷积运算，提取出输入数据的特征。具体来说，卷积操作对于每个位置，将卷积核中的值与输入数据的对应位置相乘，然后将所有乘积相加得到输出数据的对应位置的值。卷积神经网络（CNN）的核心操作是卷积（convolution），卷积的本质是信号处理中的一种数学运算，将两个函数进行叠加并积分，得到一个新的函数。卷积层反向传播算法是卷积神经网络中最为核心的算法之一，其目的是求解每个卷积核的权重参数和偏置项的梯度，从而进行模型参数的更新。]]></description><category></category></item><item><title><![CDATA[PyTorch知识点总结之一]]></title><link>https://blog.csdn.net/HanTangSongMing/article/details/129264691</link><guid>https://blog.csdn.net/HanTangSongMing/article/details/129264691</guid><author>HanTangSongMing</author><pubDate>Tue, 28 Feb 2023 16:33:46 +0800</pubDate><description><![CDATA[PyTorch的执行流程主要包含以下几个步骤：数据准备：首先需要准备好需要使用的数据，包括训练集、验证集和测试集等。PyTorch提供了各种数据加载器（DataLoader）来方便地加载数据，同时还提供了各种数据变换函数（transforms）来对数据进行预处理和增强。模型构建：接下来需要构建深度学习模型，PyTorch提供了丰富的模型构建接口，包括nn.Module、nn.Sequential和nn.Functional等。]]></description><category></category></item><item><title><![CDATA[PyTorch知识点总结100问]]></title><link>https://blog.csdn.net/HanTangSongMing/article/details/129264631</link><guid>https://blog.csdn.net/HanTangSongMing/article/details/129264631</guid><author>HanTangSongMing</author><pubDate>Tue, 28 Feb 2023 16:31:59 +0800</pubDate><description><![CDATA[PyTorch中的张量（Tensor）是什么？PyTorch中的Batch Normalization是什么？PyTorch中的Transformer是什么？PyTorch中的Inception网络是什么？PyTorch中的Transformer是什么？PyTorch中的Dataloader是什么？PyTorch中的Dropout2d是什么？PyTorch中的Inception是什么？PyTorch中的autograd是什么？PyTorch中的多任务学习是什么？PyTorch中的Adam优化器是什么？]]></description><category></category></item><item><title><![CDATA[PyTorch基本介绍]]></title><link>https://blog.csdn.net/HanTangSongMing/article/details/129263156</link><guid>https://blog.csdn.net/HanTangSongMing/article/details/129263156</guid><author>HanTangSongMing</author><pubDate>Tue, 28 Feb 2023 15:39:51 +0800</pubDate><description><![CDATA[PyTorch是一个基于Python的机器学习框架，由Facebook于2016年发布。它提供了一组灵活且高效的工具，可用于构建和训练各种深度学习模型。]]></description><category></category></item><item><title><![CDATA[HCIA-AI_深度学习_图像分类]]></title><link>https://blog.csdn.net/HanTangSongMing/article/details/124087629</link><guid>https://blog.csdn.net/HanTangSongMing/article/details/124087629</guid><author>HanTangSongMing</author><pubDate>Sun, 10 Apr 2022 22:30:24 +0800</pubDate><description><![CDATA[图像分类4 图像分类4.1 实验介绍4.1.1 关于本实验4.1.2 目标4.2 实验步骤4.2.1 导入依赖包4.2.2 数据预处理4.2.3 模型构建4.2.4 模型训练4.2.5 模型评估4.3 总结
4 图像分类
4.1 实验介绍
4.1.1 关于本实验
4.1.2 目标

加强对keras神经网络模型构建过程的理解
掌握加载预训练模型的方法
学习使用checkpoint功能
掌握如何使用训练好的模型进行预测

4.2 实验步骤
4.2.1 导入依赖包
import tensorflow as tf]]></description><category></category></item><item><title><![CDATA[HCIA-AI_深度学习_利用TensorFlow进行手写数字识别]]></title><link>https://blog.csdn.net/HanTangSongMing/article/details/124029051</link><guid>https://blog.csdn.net/HanTangSongMing/article/details/124029051</guid><author>HanTangSongMing</author><pubDate>Thu, 07 Apr 2022 22:57:29 +0800</pubDate><description><![CDATA[利用TensorFlow进行手写数字识别3 利用TensorFlow进行手写数字识别3.1 实验介绍3.2 实验目的3.3 实验步骤3.3.1 项目描述和数据集获取3.3.1.1 项目描述3.3.1.2 数据获取以及数据处理3.3.2 数据集预处理及可视化3.3.3 DNN模型3.3.3.1 DNN模型构建3.3.3.2 DNN模型编译3.3.3.3 DNN模型训练3.3.3.4 DNN模型评估3.3.3.5 保存模型3.3.4 CNN模型3.3.4.1 CNN模型构建3.3.4.2 CNN模型编译和训练3]]></description><category></category></item><item><title><![CDATA[HCIA-AI_深度学习_TensorFlow2模块tf.keras基本用法]]></title><link>https://blog.csdn.net/HanTangSongMing/article/details/124003429</link><guid>https://blog.csdn.net/HanTangSongMing/article/details/124003429</guid><author>HanTangSongMing</author><pubDate>Wed, 06 Apr 2022 23:43:43 +0800</pubDate><description><![CDATA[TensorFlow2模块tf.keras基本用法2 TensorFlow 2 模块tf.keras基本用法2.1 实验介绍2.2 实验目的2.3 实验步骤2.3.1 模型构建2.3.1.1 模型堆叠(tf.keras.Sequential)2.3.1.2 函数式模型(tf.keras.Model, tf.keras.Input)2.3.1.3 网络层(tf.keras.layers)2.3.2.3.1 tf.keras.layers.Dense 全连接层2.3.2.3.2 tf.keras.layers.]]></description><category></category></item><item><title><![CDATA[HCIA-AI_机器学习_波士顿房价预测]]></title><link>https://blog.csdn.net/HanTangSongMing/article/details/123930911</link><guid>https://blog.csdn.net/HanTangSongMing/article/details/123930911</guid><author>HanTangSongMing</author><pubDate>Sat, 02 Apr 2022 23:20:56 +0800</pubDate><description><![CDATA[机器学习实验-波士顿房价预测1 波士顿房价预测1.2 实验代码1.2.1 引入依赖包1.2.2 加载数据集，查看数据属性，可视化1.2.3 分割数据集，并对数据集进行预处理1.2.4 利用各类回归模型，对数据集进行建模1.2.5 利用网格搜索对超参数进行调节1.3 笔记
1 波士顿房价预测
1.2 实验代码
1.2.1 引入依赖包
# 忽略不必要的警告
import warnings
warnings.filterwarnings('ignore')

# 引入数据科学基础包
import numpy
im]]></description><category></category></item><item><title><![CDATA[CDH6大数据集群离线安装]]></title><link>https://blog.csdn.net/HanTangSongMing/article/details/115732700</link><guid>https://blog.csdn.net/HanTangSongMing/article/details/115732700</guid><author>HanTangSongMing</author><pubDate>Thu, 15 Apr 2021 17:51:33 +0800</pubDate><description><![CDATA[CDH6大数据集群离线安装前言、为什么要用离线的方式安装CDH6大数据集群一、下载安装包二、开通CentOS7云服务器三、编辑映射文件四、配置SSH免密登录五、编写集群分发脚本六、上传CDH6安装包到云服务器七、安装MySQL(主节点)1.下载并安装mysql2. 登录后修改密码（尽量复杂一点，太简单了验证不通过，也可以查看如何关闭mysql校验规则）3.重启服务并设置开机启动4.下载并安装JDBC 驱动5.创建CDH所需要的数据库八、配置Cloudera Manager yum库（主节点）九、安装JDK（]]></description><category></category></item><item><title><![CDATA[动态规划之最优化原理与动态规划方程]]></title><link>https://blog.csdn.net/HanTangSongMing/article/details/111664574</link><guid>https://blog.csdn.net/HanTangSongMing/article/details/111664574</guid><author>HanTangSongMing</author><pubDate>Fri, 25 Dec 2020 10:52:15 +0800</pubDate><description><![CDATA[目录动态规划引言1 动态规划原理1.1 最短路问题及其解法1.2 动态规划的基本概念和术语1.3 最优化原理与动态规划方程1.3.1 最优化原理1.3.2 逆序动态规划方程1.3.3 顺序动态规划方程1.4 动态规划基本定理
动态规划
引言
  1951年，美国数学家贝尔曼（R.Bellman）等根据一类所谓多阶段决策问题的特性，提出了解决这类问题的“最优化原理”，并研究了许多实际问题，从而创立了最优化的一个新分支----动态规划。
  动态规划没有统一的数学模型，对不同的问题要采用不同的方法去建立它们的模]]></description><category></category></item><item><title><![CDATA[Hadoop环境搭建之完全分布式运行模式]]></title><link>https://blog.csdn.net/HanTangSongMing/article/details/111632945</link><guid>https://blog.csdn.net/HanTangSongMing/article/details/111632945</guid><author>HanTangSongMing</author><pubDate>Thu, 24 Dec 2020 15:30:13 +0800</pubDate><description><![CDATA[目录一、开通阿里云ECS服务器二、连接服务器三、配置映射文件四、编写集群分发脚本五、安装JDK六、安装Hadoop七、集群配置八、配置SSH免密登录九、分发运行环境十、群起集群十一、集群启动/停止方式总结
一、开通阿里云ECS服务器
1.创建实例

2.实例创建完成后，列表如下

二、连接服务器
1.打开系统自带或第三方终端工具。
Windows: PowerShell或Putty
Ubuntu: Terminal
2.设置连接参数，连接类型是SSH，端口号是22，服务器IP地址见第1步中创建的ECS服务器]]></description><category></category></item><item><title><![CDATA[Hadoop环境搭建之伪分布式运行模式]]></title><link>https://blog.csdn.net/HanTangSongMing/article/details/111581401</link><guid>https://blog.csdn.net/HanTangSongMing/article/details/111581401</guid><author>HanTangSongMing</author><pubDate>Wed, 23 Dec 2020 11:35:17 +0800</pubDate><description><![CDATA[搭建Hadoop环境搭建Hadoop环境一、开通阿里云ECS服务器二、连接服务器三、安装JDK四、安装Hadoop五、配置Hadoop（伪分布式运行模式）六、配置SSH免密登录七、启动Hadoop
搭建Hadoop环境
一、开通阿里云ECS服务器
1.创建实例

2.实例创建完成后，列表如下

二、连接服务器
1.打开系统自带的终端工具。
Windows: PowerShell
Ubuntu: Terminal
2.在终端中输入连接命令ssh [username]@[ipaddress]。需要将其中的use]]></description><category></category></item><item><title><![CDATA[动态规划之基本概念和术语]]></title><link>https://blog.csdn.net/HanTangSongMing/article/details/111526507</link><guid>https://blog.csdn.net/HanTangSongMing/article/details/111526507</guid><author>HanTangSongMing</author><pubDate>Tue, 22 Dec 2020 12:12:02 +0800</pubDate><description><![CDATA[动态规划之基本概念和术语动态规划引言1 动态规划原理1.1 最短路问题及其解法1.2 动态规划的基本概念和术语1.2.1 多阶段决策问题1.2.2 阶段变量1.2.3 状态变量1.2.4 决策变量1.2.5 整体策略1.2.6 状态转移方程1.2.7 指标函数
动态规划
引言
  1951年，美国数学家贝尔曼（R.Bellman）等根据一类所谓多阶段决策问题的特性，提出了解决这类问题的“最优化原理”，并研究了许多实际问题，从而创立了最优化的一个新分支----动态规划。
  动态规划没有统一的数学模型，对不同]]></description><category></category></item><item><title><![CDATA[动态规划之最短路问题及其解法]]></title><link>https://blog.csdn.net/HanTangSongMing/article/details/111359820</link><guid>https://blog.csdn.net/HanTangSongMing/article/details/111359820</guid><author>HanTangSongMing</author><pubDate>Fri, 18 Dec 2020 14:19:04 +0800</pubDate><description><![CDATA[动态规划之最短路问题及其解法动态规划引言1 动态规划原理1.1 最短路问题及其解法1.1.1 最短路问题及其特点1.1.2 逆序解法1.1.3 顺序解法
动态规划
引言
  1951年，美国数学家贝尔曼（R.Bellman）等根据一类所谓多阶段决策问题的特性，提出了解决这类问题的“最优化原理”，并研究了许多实际问题，从而创立了最优化的一个新分支----动态规划。
  动态规划没有统一的数学模型，对不同的问题要采用不同的方法去建立它们的模型。有了模型之后，要想得到数值解，仍然没有统一的处理方法。这时应当注意的]]></description><category></category></item><item><title><![CDATA[WebRTC噪声抑制算法：使用多特征建模分析语音/噪声似然性的噪声抑制方法]]></title><link>https://blog.csdn.net/HanTangSongMing/article/details/103699583</link><guid>https://blog.csdn.net/HanTangSongMing/article/details/103699583</guid><author>HanTangSongMing</author><pubDate>Wed, 25 Dec 2019 15:16:35 +0800</pubDate><description><![CDATA[背景
在语音通信中，周边和/或背景噪声过多会干扰通信单方或双方对通信内容的理解，有时甚至导致对话没有意义。周边噪声包括各种外界来源的声音，其中较为常见的噪声源包括计算机、风扇、麦克风和办公设备。

噪声抑制旨在消除或减少周边背景噪声，提高目标音频的清晰度，从而为听者提
供更为舒适的听力环境。

概述
1.针对噪声抑制组件接收到的连续多帧输入信号的每一帧，以对该帧的初始噪声估计为基础，定义语音概率函...]]></description><category></category></item><item><title><![CDATA[Tensorflow训练循环]]></title><link>https://blog.csdn.net/HanTangSongMing/article/details/88873643</link><guid>https://blog.csdn.net/HanTangSongMing/article/details/88873643</guid><author>HanTangSongMing</author><pubDate>Thu, 28 Mar 2019 17:24:18 +0800</pubDate><description><![CDATA[训练循环

https://github.com/tensorflow/tensorflow/blob/r1.12/tensorflow/python/keras/engine/training_eager.py



def fit_loop(model,
             inputs,
             targets,
             sample_weig...]]></description><category></category></item><item><title><![CDATA[排序算法总结]]></title><link>https://blog.csdn.net/HanTangSongMing/article/details/78456347</link><guid>https://blog.csdn.net/HanTangSongMing/article/details/78456347</guid><author>HanTangSongMing</author><pubDate>Mon, 06 Nov 2017 12:17:52 +0800</pubDate><description><![CDATA[排序算法大体可分为两种：

　　　　一种是比较排序，时间复杂度O(nlogn) ~ O(n^2)，主要有：冒泡排序，选择排序，插入排序，归并排序，堆排序，快速排序等。

　　　　另一种是非比较排序，时间复杂度可以达到O(n)，主要有：计数排序，基数排序等。]]></description><category></category></item><item><title><![CDATA[Android仿小米商城底部导航栏之二（BottomNavigationBar、ViewPager和Fragment的联动使用）]]></title><link>https://blog.csdn.net/HanTangSongMing/article/details/54141344</link><guid>https://blog.csdn.net/HanTangSongMing/article/details/54141344</guid><author>HanTangSongMing</author><pubDate>Sat, 07 Jan 2017 10:59:28 +0800</pubDate><description><![CDATA[简介

在前文《仿小米商城底部导航栏（基于BottomNavigationBar）》我们使用BottomNavigationBar控件模仿实现了小米商城底部导航栏效果。接下来更进一步的，我们将通过BottomNavigationBar控件和ViewPager空间的联动使用来实现主界面的滑动导航。

导航是移动应用最重要的方面之一，对用户体验是良好还是糟糕起着至关重要的作用。好的导航可以让一款应用更]]></description><category></category></item><item><title><![CDATA[Android仿小米商城底部导航栏（基于BottomNavigationBar）]]></title><link>https://blog.csdn.net/HanTangSongMing/article/details/54097938</link><guid>https://blog.csdn.net/HanTangSongMing/article/details/54097938</guid><author>HanTangSongMing</author><pubDate>Fri, 06 Jan 2017 11:23:22 +0800</pubDate><description><![CDATA[简介

现在大多数App都会用到底部导航栏，比如QQ、微信和购物App等等。有了底部导航栏，用户可以随时切换界面，查看不同的内容。Android底部导航栏的实现方式特别多，例如TabHost，TabLayout，或者TextView等，都可以实现底部导航栏的效果，但是却没有Google官方统一的导航栏样式，今天讲的就是Google最近添加到Material Design中的底部导航栏BottomN]]></description><category></category></item></channel></rss>