<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Liam的个人博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/out_of_memory_error</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; out_of_memory_error]]></copyright><item><title><![CDATA[考研数据结构代码整理]]></title><link>https://blog.csdn.net/out_of_memory_error/article/details/102332332</link><guid>https://blog.csdn.net/out_of_memory_error/article/details/102332332</guid><author>out_of_memory_error</author><pubDate>Mon, 07 Oct 2019 22:11:33 +0800</pubDate><description><![CDATA[文章目录1. 线性表的结构体定义1.1）顺序表的结构体定义1.2）考试中顺序表定义简写法1.3）单链表的结构体定义1.4）双链表结构体定义2. 顺序表的基本操作2.1）初始化顺序表2.2）求指定位置元素2.3）插入数据元素2.4）按元素值查找2.5）删除数据元素2.6）顺序表的元素逆置2.7）删除下标为i~j的数据元素2.8）Partition操作3. 单链表的基本操作3.1）初始化单链表3.2）...]]></description><category></category></item><item><title><![CDATA[python爱心——程序员的浪漫]]></title><link>https://blog.csdn.net/out_of_memory_error/article/details/89819808</link><guid>https://blog.csdn.net/out_of_memory_error/article/details/89819808</guid><author>out_of_memory_error</author><pubDate>Sat, 04 May 2019 23:36:38 +0800</pubDate><description><![CDATA[代码简洁，只要用到了一个love函数：



其中，love是一个可以自己调节的参数，用于控制爱心的形状。

其他的就没啥好介绍的了，直接贴代码：


import numpy as np
import time
import matplotlib.pyplot as plt


def plot_love(numbers):
    for k in range(numbers):
      ...]]></description><category></category></item><item><title><![CDATA[摄影入门]]></title><link>https://blog.csdn.net/out_of_memory_error/article/details/89721864</link><guid>https://blog.csdn.net/out_of_memory_error/article/details/89721864</guid><author>out_of_memory_error</author><pubDate>Wed, 01 May 2019 00:40:35 +0800</pubDate><description><![CDATA[摄影入门
文章目录摄影入门一、 认识曝光二、 认识光圈三、 相机的快门四、 认识ISO五、 认识拍摄模式第六讲 相机镜头概论七、 镜头的焦距八、 认识对焦模式九、 对焦点的作用十、 相机白平衡十一、 怎样运用白平衡十二、 光的认识光质光位光比十三、景别十四、认识视角十五、空间构图与平面构图1、认识透视2、前景和背景的作用3、认识平面构图十六、常见的摄影题材和摄影技法1、日出日落的拍摄方法2、瀑布的...]]></description><category></category></item><item><title><![CDATA[gcc编译C代码以及Makefile文件的书写]]></title><link>https://blog.csdn.net/out_of_memory_error/article/details/89041470</link><guid>https://blog.csdn.net/out_of_memory_error/article/details/89041470</guid><author>out_of_memory_error</author><pubDate>Fri, 05 Apr 2019 11:29:25 +0800</pubDate><description><![CDATA[文章目录一、如何用gcc编译C代码二、如果编写Makefile文件三、在Makefile中使用变量四、Makefile的自动推导特性
一、如何用gcc编译C代码
如果只有单个文件，一般直接执行下面这条命令就可以进行编译了。

执行命令：gcc 文件名.c -o 目标文件名.

如果目标文件名不写，则默认编译出a.out的目标文件(Linux环境下)。
但是并不是想要一次性得到最终的.out文件，而...]]></description><category></category></item><item><title><![CDATA[内核链表——一种可以存放不同数据类型的通用链表]]></title><link>https://blog.csdn.net/out_of_memory_error/article/details/89034297</link><guid>https://blog.csdn.net/out_of_memory_error/article/details/89034297</guid><author>out_of_memory_error</author><pubDate>Thu, 04 Apr 2019 19:45:51 +0800</pubDate><description><![CDATA[传统的链表在很多应用程序开发中广泛使用，但不适用于操作系统内核的编写。传统链表有一个很大的局限性，就是很难将不同类型的数据串联起来，而接下来将要介绍的“内核链表”就解决了这一问题，使之可以用来串联不同的数据类型，有点类似于python中的list。
传统的链表结点一般会有两个成员：一个为数据域，用于存放自己这种数据类型的数据；另一个为指针域，用于指向下一个结点。其结构体定义一般类似于下面的代码：
...]]></description><category></category></item><item><title><![CDATA[Freivalds算法]]></title><link>https://blog.csdn.net/out_of_memory_error/article/details/83692642</link><guid>https://blog.csdn.net/out_of_memory_error/article/details/83692642</guid><author>out_of_memory_error</author><pubDate>Sun, 04 Nov 2018 00:00:07 +0800</pubDate><description><![CDATA[Freivalds算法
一、问题引出：给定三个n  x  n 的矩阵A, B, C，如何判断A x B = C？
按照我们很自然的思维，首先需要计算出A x B的值，再与C进行比较。而这需要O(n3)O(n^3)O(n3)的复杂度，显然，这种方法是效率很低的。
但是我们考虑到一个问题，这里并不是需要计算出A x B，而是只需要判断A x B与C是否相等，换句话说，判断他们是否相等并不是一定要计算出...]]></description><category></category></item><item><title><![CDATA[vim —— 终端中的编辑器]]></title><link>https://blog.csdn.net/out_of_memory_error/article/details/83686356</link><guid>https://blog.csdn.net/out_of_memory_error/article/details/83686356</guid><author>out_of_memory_error</author><pubDate>Sat, 03 Nov 2018 13:18:29 +0800</pubDate><description><![CDATA[vim —— 终端中的编辑器
目标

vim 简介
打开和新建文件
三种工作模式
常用命令
分屏命令
常用命令速查图

01. vim 简介
1.1 学习 vim 的目的

在工作中，要对 服务器 上的文件进行 简单 的修改，可以使用 ssh 远程登录到服务器上，并且使用 vi 进行快速的编辑即可
常见需要修改的文件包括：

源程序
配置文件，例如 ssh 的配置文件 ~/.ssh/config
...]]></description><category></category></item><item><title><![CDATA[PyTorch基础入门七：PyTorch搭建循环神经网络(RNN)]]></title><link>https://blog.csdn.net/out_of_memory_error/article/details/81456501</link><guid>https://blog.csdn.net/out_of_memory_error/article/details/81456501</guid><author>out_of_memory_error</author><pubDate>Mon, 06 Aug 2018 18:58:56 +0800</pubDate><description><![CDATA[1）任务介绍

今天，我们通过PyTorch搭建一个用于处理序列的RNN。



当我们以sin值作为输入，其对应的cos作为输出的时候，你会发现，即使输入值sin相同，其输出结果也可以是不同的，这样的话，以前学过的FC, CNN就难以处理，因为你的输出结果不仅仅依赖于输出，而且还依赖于之前的程序结果。所以说，RNN在这里就派上了用场。

2）代码实现

上代码之前，还是先了解一下RNN的参数吧：...]]></description><category></category></item><item><title><![CDATA[PyTorch基础入门六：PyTorch搭建卷积神经网络实现MNIST手写数字识别]]></title><link>https://blog.csdn.net/out_of_memory_error/article/details/81434907</link><guid>https://blog.csdn.net/out_of_memory_error/article/details/81434907</guid><author>out_of_memory_error</author><pubDate>Sun, 05 Aug 2018 20:59:02 +0800</pubDate><description><![CDATA[1）卷积神经网络(CNN)简介

关于什么是卷积神经网络(CNN)，请自行查阅资料进行学习。如果是初学者，这里推荐一下台湾的李宏毅的深度学习课程。链接就不给了，这些资料网站上随处可见。

值得一提的是，CNN虽然在图像处理的领域具有不可阻挡的势头，但是它绝对不仅仅只能用来图像处理领域，大家熟知的alphaGo下围棋也可以通过CNN的结构进行处理，因为下围棋与图像有着相似之处，所以说，CNN提供给我...]]></description><category></category></item><item><title><![CDATA[PyTorch基础入门五：PyTorch搭建多层全连接神经网络实现MNIST手写数字识别分类]]></title><link>https://blog.csdn.net/out_of_memory_error/article/details/81414986</link><guid>https://blog.csdn.net/out_of_memory_error/article/details/81414986</guid><author>out_of_memory_error</author><pubDate>Sat, 04 Aug 2018 21:08:44 +0800</pubDate><description><![CDATA[1）全连接神经网络（FC）

全连接神经网络是一种最基本的神经网络结构，英文为Full Connection，所以一般简称FC。

FC的准则很简单：神经网络中除输入层之外的每个节点都和上一层的所有节点有连接。例如下面这个网络结构就是典型的全连接：



神经网络的第一层为输入层，最后一层为输出层，中间所有的层都为隐藏层。在计算神经网络层数的时候，一般不把输入层算做在内，所以上面这个神经网络为2层...]]></description><category></category></item><item><title><![CDATA[PyTorch基础入门四：PyTorch搭建逻辑回归模型进行分类]]></title><link>https://blog.csdn.net/out_of_memory_error/article/details/81275651</link><guid>https://blog.csdn.net/out_of_memory_error/article/details/81275651</guid><author>out_of_memory_error</author><pubDate>Sun, 29 Jul 2018 22:09:59 +0800</pubDate><description><![CDATA[ PyTorch基础入门四：PyTorch搭建逻辑回归模型进行分类

1）理论基础

Logistic起源于对人口数量增长情况的研究，后来又被应用到了对于微生物生长情况的研究，以及解决经济学相关的问题，现在作为一种回归分析的分支来处理分类问题。所以，虽然名字上听着是“回归”，但实际上处理的问题是“分类”问题。

 

先来看一下什么是Logistic分布吧。设是连续的随机变量，服从Logistic...]]></description><category></category></item><item><title><![CDATA[PyTorch基础入门三：PyTorch搭建多项式回归模型]]></title><link>https://blog.csdn.net/out_of_memory_error/article/details/81266231</link><guid>https://blog.csdn.net/out_of_memory_error/article/details/81266231</guid><author>out_of_memory_error</author><pubDate>Sat, 28 Jul 2018 23:08:26 +0800</pubDate><description><![CDATA[PyTorch基础入门三：PyTorch搭建多项式回归模型 

1）理论简介

对于一般的线性回归模型，由于该函数拟合出来的是一条直线，所以精度欠佳，我们可以考虑多项式回归来拟合更多的模型。所谓多项式回归，其本质也是线性回归。也就是说，我们采取的方法是，提高每个属性的次数来增加维度数。比如，请看下面这样的例子：

如果我们想要拟合方程：



对于输入变量和输出值，我们只需要增加其平方项、三次方项...]]></description><category></category></item><item><title><![CDATA[PyTorch基础入门二：PyTorch搭建一维线性回归模型]]></title><link>https://blog.csdn.net/out_of_memory_error/article/details/81262309</link><guid>https://blog.csdn.net/out_of_memory_error/article/details/81262309</guid><author>out_of_memory_error</author><pubDate>Sat, 28 Jul 2018 18:48:18 +0800</pubDate><description><![CDATA[PyTorch基础入门二：PyTorch搭建一维线性回归模型

1）一维线性回归模型的理论基础

给定数据集，线性回归希望能够优化出一个好的函数，使得能够和尽可能接近。

如何才能学习到参数和呢？很简单，只需要确定如何衡量与之间的差别，我们一般通过损失函数（Loss Funciton)来衡量：。取平方是因为距离有正有负，我们于是将它们变为全是正的。这就是著名的均方误差。我们要做的事情就是希望能够找...]]></description><category></category></item><item><title><![CDATA[PyTorch基础入门一：PyTorch基本数据类型]]></title><link>https://blog.csdn.net/out_of_memory_error/article/details/81258809</link><guid>https://blog.csdn.net/out_of_memory_error/article/details/81258809</guid><author>out_of_memory_error</author><pubDate>Sat, 28 Jul 2018 11:14:05 +0800</pubDate><description><![CDATA[PyTorch基础入门一：PyTorch基本数据类型

1）Tensor(张量)

Pytorch里面处理的最基本的操作对象就是Tensor（张量），它表示的其实就是一个多维矩阵，并有矩阵相关的运算操作。在使用上和numpy是对应的，它和numpy唯一的不同就是，pytorch可以在GPU上运行，而numpy不可以。所以，我们也可以使用Tensor来代替numpy的使用。当然，二者也可以相互转换。...]]></description><category></category></item></channel></rss>