furyton / furyton.github.io Goto Github PK
View Code? Open in Web Editor NEWpersonal blog
Home Page: https://furyton.github.io/
personal blog
Home Page: https://furyton.github.io/
https://furyton.github.io/2021/06/18/BasicTopology(I)-Intuition/
build a basic intuition on some classic topology spaces
Euler's theorem
for a polyhedron P ,we have v - e + f = 2
two conditions on P need to be satisfied:
any two vertices can be connected by e
Transformer 模型学习笔记
论文地址Attention Is All You Need
Nice Blog for illustrating Transformer Model
seq2seq with attention
提出的特点
RNN无法并行地去处理一个序列, 因为每个hidden state (h_i)都是依赖于上一个hidden state (h_{i-1
https://furyton.github.io/2021/03/04/VHDL%E8%AF%AD%E8%A8%80%E5%85%A5%E9%97%A8%E7%AC%94%E8%AE%B0/
at the beginning
the differences between VHDL and software programming languages
Serial vs. Parallel
concurrency:
VHDL: all the codes are execute at the same time. => parallel language
notes
https://furyton.github.io/posts/research/MSR-AI-Seminar-Feb-8.html
多边形的扫描转换与区域填充算法
为了完成这次算法作业, 需要C++ 图形编程. 我选择了OpenGL. 配置起来有点麻烦, 又遇到了一些Bug, 最后索性用了GL里面的一个库, glut.h 进行尝试.
Cheating Code
GLUT的学习
用的Clion, 配置了库, 但是可能有问题, 至少Glut是能正常使用的
随便找的一篇博客配置OpenGL
随便找到的一篇GLUT Tut
https://furyton.github.io/2021/02/15/Logistic-regression/
Logistic Regression
简介:一种简单的统计分类方法,因为使用了Logistic函数得名。称作回归(Regression)的原因是,这个模型实质是在做函数的拟合问题。
Logistic Function
[
f(x)=\frac{1}{1+e^{-x}}
]
介于(0) ~ (1)之间
二分类的Logistic模型
[
P(Y=1|x)=\frac{
这一篇博客是很无聊的东西,随便想的,毫无意义,胡说八道。
动机:图形学课中讲到了齐次坐标,提到它对于区分点和向量的重要作用,这里我并不太明白设计它的 motivation 或者出发点。
这里我胡乱思考一下这个东西
confusion
齐次坐标是
https://furyton.github.io/2021/09/30/about-homogeneous-coordinates/
https://furyton.github.io/2021/02/15/Logistic-regression/
Logistic Regression
简介:一种简单的统计分类方法,因为使用了Logistic函数得名。称作回归(Regression)的原因是,这个模型实质是在做函数的拟合问题。
Logistic Function
[
f(x)=\frac{1}{1+e^{-x}}
]
介于(0) ~ (1)之间
二分类的Logistic模型
[
P(Y=1|x)=\frac{
https://furyton.github.io/2021/08/05/notes-about-statistical-learning/
最近看了一点关于统计学习的知识,主要是关于knn和线性回归两种模型。两个模型算是入门级的模型了,理应是相当简单易懂的,但书中花了不小的篇幅深入地(for me)探讨了两个模型的异同,着实有趣。但有些琐碎,不得不抓紧记录下来,不然很快就忘记了[]( ̄▽ ̄)* 另外我发现我对概率统计的知识都变得很陌生了,emmm。正在恶补。 参考书是 The Elements of Statistical Lea
this is my first blog here
https://furyton.github.io/2020/12/02/FFT/
note : 本文仅简要地介绍FFT以及它的简单应用, 并不会过多的进行数学推导
Background
首先我们回忆一下傅里叶级数.
实数上的情形
对于一个函数(f(x)), 我们现在关注它在([-\pi,\pi]) 这个区间上的表现.
它能够写成(在一定条件下) [
f(x) = \frac{a_0}{2} + \sum_{k=1}^{\infty} a_kcos(kx)+
https://furyton.github.io/2021/03/04/VHDL%E8%AF%AD%E8%A8%80%E5%85%A5%E9%97%A8%E7%AC%94%E8%AE%B0/
at the beginning
the differences between VHDL and software programming languages
Serial vs. Parallel
concurrency:
VHDL: all the codes are execute at the same time. => parallel language
notes
https://furyton.github.io/2021/03/17/Linear-Analysis-introductory-Series-Basic-inequalities/
凸函数
Jensen Theorem
convex function f [
f\left( \sum_{i=1}^{n}p_ix_i\right) \le \sum_{i=1}^{n}f(p_ix_i)
] (x_i \in \mathbf{dom}f) , (\mathbf{p} \in) 概率单纯形
AM-GM
(\sum t_i log x_i \le log
微指令格式
32 bit
31: HALT 30..26 : S 25 : CN 23 : CP_PC 22 : CP_MAR 21 : CP_R 20 : CP_IR 19 : R_enable 18 : R_wen 17..15 : MUX_A 14..12 : MUX_B
11..10 : MUX_R_INA 9..8 : MUX_R_INB 7..6 : MUX_R_OUT 5 :
https://furyton.github.io/2021/03/06/Combinatorics-course-note-Turan-problem/
课程链接 Course Link
闲来无事听的课,看看自己能坚持多久
习题解答并不能保证正确性
Turan Problem
就是求解一个数 extremal number of a graph H [
ex(n,H)=max{e(G) : |G|=n , and , G ;is ; H-free}
] 在顶点数量限制下,不包含子图H,最大化边的数量
第一个结果是tri
https://furyton.github.io/2020/11/11/Word2Vec/
beginning
其实用向量来表示一个单词是很常见的, 毕竟方便一个算法或模型去表示一个单词. 但表示的方法很重要, 最完美的Embedding就是能够包含单词的语义, 相似语义的单词的表示越接近, 反之表示的向量差距越大. 下面一步步的去完成我们的目标.
distance
怎么来叙述两个单词的embedding是相近的呢? 容易想到对于两个向量, 我们有一个适用于 (n) 维空间上的
https://furyton.github.io/2021/01/27/%E5%87%B8%E5%87%BD%E6%95%B0/
参考书 Boyd Convex Optimization
基本的概念和性质
什么是凸函数
(f:\mathbf {R}^n \rightarrow \mathbf {R}, \quad \mathbf {dom} f) 是个凸集,(0 \leq \theta \leq 1) [
f(\theta x + (1-\theta)y)\leq \theta f(x) + (1-\the
PTM in NLP
背景
语言表示学习
一个核心的任务是对词语进行编码(称为词嵌入)以便后续其他的NLP任务,但容易想到词语的含义依赖于语境,也就是上下文。
非上下文嵌入
早期的词嵌入方法是静态的、上下文无关的。核心的想法类似于查表,通过训练得到一个embedding矩阵,最经典的就是 Word2Vec 。模型规模较小、计算效率高,但上下文无关性以及词汇表有限都是它很大的问题。如果要用
https://furyton.github.io/2021/06/20/%E5%87%B8%E9%9B%86/
your browser does not support PDF. Please download the PDF to view it: note.pdf
未完待续。。。
参考书 Boyd Convex Optimization
Latex 模板来自 ElegentNote from ElegantLaTex
https://furyton.github.io/2020/12/02/FFT/
note : 本文仅简要地介绍FFT以及它的简单应用, 并不会过多的进行数学推导
Background
首先我们回忆一下傅里叶级数.
实数上的情形
对于一个函数(f(x)), 我们现在关注它在([-\pi,\pi]) 这个区间上的表现.
它能够写成(在一定条件下) [
f(x) = \frac{a_0}{2} + \sum_{k=1}^{\infty} a_kcos(kx)+
https://furyton.github.io/about/
Wu Shiguang.
Taishan College, Shandong University
A declarative, efficient, and flexible JavaScript library for building user interfaces.
🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.
TypeScript is a superset of JavaScript that compiles to clean JavaScript output.
An Open Source Machine Learning Framework for Everyone
The Web framework for perfectionists with deadlines.
A PHP framework for web artisans
Bring data to life with SVG, Canvas and HTML. 📊📈🎉
JavaScript (JS) is a lightweight interpreted programming language with first-class functions.
Some thing interesting about web. New door for the world.
A server is a program made to process requests and deliver data to clients.
Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.
Some thing interesting about visualization, use data art
Some thing interesting about game, make everyone happy.
We are working to build community through open source technology. NB: members must have two-factor auth.
Open source projects and samples from Microsoft.
Google ❤️ Open Source for everyone.
Alibaba Open Source for everyone
Data-Driven Documents codes.
China tencent open source team.