ubuntu20安装配置clash for windows 参考：https://zhuanlan.zhihu.com/p/658776207 step1：在github上下载安装包 （下载地址：https://link.zhihu.com/?target=https%3A//github.com/Fndroid/clash_for_windows_pkg/releases） 下载上图对应的安装包 step2：解压压缩包并安装 1234567# 把解压后的文件夹命名为Clash，之后移动到/opt目录下# opt为常用软件安装的目录tar -zxvf Clash.for.Windows-0.20.30-x64-linux.tar.gzsudo mv Clash /opt/# 进入到/opt/Clash 后输入./cfw # 程序顺利运行 step3:配置clash 1）配置节点 下载订阅连接 选择一个延迟小的节点 全局配置 2）设置代理 配置完成后就可以打开谷歌测试啦，如果还无法打开谷歌，可以重启试试看

ubuntu20安装配置clash for windows 参考：https://zhuanlan.zhihu.com/p/658776207 step1：在github上下载安装包 （下载地址：https://link.zhihu.com/?target=https%3A//github.com/Fndroid/clash_for_windows_pkg/releases） 下载上图对应的安装包 step2：解压压缩包并安装 1234567# 把解压后的文件夹命名为Clash，之后移动到/opt目录下# opt为常用软件安装的目录tar -zxvf Clash.for.Windows-0.20.30-x64-linux.tar.gzsudo mv Clash /opt/# 进入到/opt/Clash 后输入./cfw # 程序顺利运行 step3:配置clash 1）配置节点 下载订阅连接 选择一个延迟小的节点 全局配置 2）设置代理 配置完成后就可以打开谷歌测试啦，如果还无法打开谷歌，可以重启试试看

ubuntu20安装配置clash for windows 参考：https://zhuanlan.zhihu.com/p/658776207 step1：在github上下载安装包 （下载地址：https://link.zhihu.com/?target=https%3A//github.com/Fndroid/clash_for_windows_pkg/releases） 下载上图对应的安装包 step2：解压压缩包并安装 1234567# 把解压后的文件夹命名为Clash，之后移动到/opt目录下# opt为常用软件安装的目录tar -zxvf Clash.for.Windows-0.20.30-x64-linux.tar.gzsudo mv Clash /opt/# 进入到/opt/Clash 后输入./cfw # 程序顺利运行 step3:配置clash 1）配置节点 下载订阅连接 选择一个延迟小的节点 全局配置 2）设置代理 配置完成后就可以打开谷歌测试啦，如果还无法打开谷歌，可以重启试试看

机器学习笔记（七）-自注意力机制 解决问题： network input输入为多个向量，且输入向量数目会改变的情况 例：句子识别 this is a cat 1.首先对句子进行编码 1）独热编码 根据码本对单词进行独热编码 问题：不包含单词的语义信息 2）woord embedding 考虑单词语义，给每个单词一个包含语义咨询的向量，即相似的单词（如dog，cat）的距离小 输入为图 考虑节点和边，每个节点的信息为一个向量，一个图为一堆向量 输出：①每个输入向量对应一个输出(标签或向量) 输入图-》输出每个节点的特性 ②一串输入对应一个输出 ③机器自己决定几个输出（seqtoseq） 实现：自注意力 输入为ai，输出bi为考虑所有输入的输出 输入j对输入i的权重α\alphaα （attention score）计算: ai乘查询矩阵Q，aj乘键值矩阵K，得到q和k进行dot得到 q1到q4同时计算：输入a1~a4拼接起来，同时乘Wq attention score计算： self attention模块的输出b计算： 整体计算过程： 只有Wq，Wk，Wv位 ...

Differentiable Spike: Rethinking Gradient-Descent for Training Spiking Neural Networks（可微脉冲神经元-重新思考训练脉冲神经网络的梯度下降法） 一、研究背景 ​ 脉冲神经网络（SNN）是一种新型的神经网络模型，具有低功耗、高效率和生物可解释性等优点。然而，由于SNN的离散性质，传统的梯度下降方法无法直接应用于SNN的训练中，这限制了SNN的应用范围和性能。因此，如何有效地直接训练SNN成为了一个重要的研究方向。为了解决这个问题，作者提出了一种新的方法——使用可捕捉有限梯度差分方向的Differentiable Spike（Dspike）函数来代替梯度，以便在训练过程中进行自适应梯度估计，这种方法可以有效地训练大规模的SNN模型，并提高其性能。 二、研究内容和主要创新点 研究内容： ​ 作者首先介绍了SNN基本原理和点火函数不可微导致传统梯度下降法不可用的原因，引出FDG有限差分梯度法。紧接着作者介绍了FDG的局限性，在此基础上，作者提出了一种可以自适应改变其形状并捕捉有限差分梯度方向的可微尖峰函数(D ...

参考：https://blog.csdn.net/Tester_muller/article/details/129066788 12plt.rcParams['font.sans-serif'] = ['SimHei'] # 步骤一（替换sans-serif字体）plt.rcParams['axes.unicode_minus'] = False # 步骤二（解决坐标轴负数的负号显示问题）

参考：https://blog.csdn.net/fuhanghang/article/details/130803605 操作系统：win11 使用vscode运行代码时输出乱码，可能是因为VS code内部用的是utf-8编码，而系统的cmd/powershell是gbk编码，直接编译会出现问题 首先进入cmd查看cmd的编码格式： 1CHCP 系统输出：Active code page: 936，也就是GBK，我们需要将编码格式改成UTF-8模式 控制面板搜索区域，点击-管理-更改系统区域设置 勾选“Beta版：使用UTF-8提供全球语言支持”，点击确定 重启计算机，运行代码时vscode可以正常输出中文

参考：https://blog.csdn.net/weixin_46584887/article/details/125973263 使用nvidia命令报错：NVIDIA-SMI has failed because it could’s communicate with the nvidia driver. 使用uname -r命令查看系统版本，发现版本被悄咪咪升级了，导致系统版本与nvidia版本不匹配，解决方法是将启动内核回退到上一版本 1.首先修改/etc/default/grub文件 1sudo gedit /etc/default/grub 2.注释掉GRUB_DEFAULT代码，并在文件中添加如下两个命令 123# GRUB_DEFAULT=0GRUB_SAVEDEFAULT=trueGRUB_DEFAULT=saved 3.注释掉GRUB_TIMEOUT_STYLE代码，并修改GRUB_TIMEOUT值为30（修改的时候注意不要修改错了，不然可能导致系统无法开机，如果真的修改错了无法开机，进去tty界面把文件改回来再重新开机） 12# GRUB_TIMEOUT_STY ...

之前在电脑上配置了hexo博客，重装系统后是没办法直接使用的，这篇小博客记录我重新配置过程以及中途遇到的问题 添加nodejs、hexo、git环境变量：如果之前的nodejs、hexo、git没有安装在C盘，重装系统后软件是没有被删除的，但是需要重新添加环境变量不然会报错：“xxx不是内部或外部命令，也不是可运行的程序或批处理文件。” 参考：https://amekaki.github.io/2021/11/05/github搭建个人博客/，跳过安装nodejs，hexo，git的步骤，重新配置ssh 测试push命令 123hexo chexo ghexo d 报错"push博客显示fatal: unable to access ‘https://github.com/Ki-i/Ki-i.github.io/’: OpenSSL SSL_read: Connection was reset, errno 10054",解除ssl验证后，再次git即可(参考：https://blog.csdn.net/suxiaorui/article/detail ...

参考： 1.https://blog.csdn.net/qq_37395293/article/details/103112721 2.https://www.bilibili.com/video/BV1Wv411h7kN?p=56 DCGAN： weight initialization 权重初始化 生成器 ConvTranspose+BatchNorm+ReLu 鉴别器 Conv+BatchNorm+LeakyRelu WGAN-GP 改进流程： 1、判别器最后一层去掉sigmoid。sigmoid函数容易出现梯度消失的情况。 2、生成器和判别器的loss不取log 3、每次更新判别器的参数之后把它们的绝对值截断到不超过一个固定常数c 4、不要用基于动量的优化算法（包括momentum和Adam），推荐RMSProp，SGD也行