Erica's Blog

x86 汇编程序设计 第零章 DOSBOX 使用 运行程序 mount c c:\ c: cd masm\bin masm test.asm link test.obj test exit DEBUG debug test.exe 更多内容见书 pdf 的第 113 页 a (Assemble) 逐行汇编 a [address] c (Compare) 比较两内存块 c range address d (Dump) 内存16进制显示 d [address]或 d [range] e (Enter) 修改内存字节 e address [list] f (fin) 预置一段内存 f range list g (Go) 执行程序 g [=addre... Read More

计算机网络 授课教师：刘轶 E-mail: yi.liu@buaa.edu.cn 考核方式 平时成绩：10% 期末考试：90% 考试时间在 6 月上旬 课本 《计算机网络》（第 8 版）谢系仁 参考书 Computer Networks 第一章 概述 Host: 主机，在网络中的设备 AP: 进程 1.1 计算机网络的定义与分类 一、计算机网络的定义 计算机网络 (Computer Network) 是一些互相连接的、自治的计算机的集合。 网络的功能 连通性 资源共享 计算机网络与分布式系统 (distributed system) ... Read More

SiamSTA: Spatio-Temporal Attention based Siamese Tracker for Tracking UAVs 1 问题与背景 1.1 问题定义 从热红外图像 (TIR, termal infrared) 中识别无人驾驶飞行器 (Unmanned Aerial Vehicle, UAV)。 1.2 问题难点 与一般的目标检测任务不同，无人驾驶飞行器具有其特殊性，如： 尺度小 移动速度快 没有固定的、标志性的形状 因此 UAV 的探测难度更大。 2 解决方法 2.1 概述 文章提出了一种简单有效的，利用注意力机制提取时空特征的飞行器检测器 SiamSTA。该模型对图像进行局部目标追踪与全局重检测 (re-detec... Read More

Lecture 1: Introduction and Word Vectors The result that word meaning can be represented rather well by large vector of real numbers. 1. The course fundamental knowledge Advanced Technology practise: PyTorch 2. Human language and word meaning How to get computers to understand language. How do we present the meaning of a word? ... Read More

第一讲 第一节课从整体上讲解了计算机科学及其前沿技术包含哪些领域，及其重要性。我认识到，计算机科学对工程有着十分重要的影响，可以促进工程技术的改进、促进工程设备革命、也可以促进工程水平的发展。 我意识到自己所学的计算机科学这门专业不仅仅是局限于书本上的知识和平时完成的作业，更是能有机会促进工业界、社会、乃至全人类发展的学科。 第二讲 第二讲主要介绍了超级计算机，老师从天河超算讲起，讲解了世界各国超级计算机的发展历程，最后讲到 HPC 技术等。 与个人计算机不同，超级计算机面向需要大量计算的工作，如自然灾害预报、密码分析、天体物理模拟、核物理模拟等。超级计算机并没有明确的定义，且其计算能力也在不断的提升。如今的个人计算机的算力远超最早的超级计算机，而如今的超级计算机的运算速度则... Read More

Paper Reading: Improving Distributional Similarity with Lessons Learned from Word Embeddings Levy, O., Goldberg, Y., & Dagan, I. (2015). Improving distributional similarity with lessons learned from word embeddings. Transactions of the association for computational linguistics, 3, 211-225. Findings Much of the performance gains of ... Read More

Paper Reading: Improving Distributional Similarity with Lessons Learned from Word Embeddings Levy, O., Goldberg, Y., & Dagan, I. (2015). Improving distributional similarity with lessons learned from word embeddings. Transactions of the association for computational linguistics, 3, 211-225. Findings Much of the performance gains of ... Read More

Paper Reading: GloVe: Global Vectors for Word Representation Pennington, J., Socher, R., & Manning, C. D. (2014, October). Glove: Global vectors for word representation. In Proceedings of the 2014 conference on empirical methods in natural language processing (EMNLP) (pp. 1532-1543). New global logbilinear regression model that combine... Read More

Paper Reading: Distributed Representations of Words and Phrases and their Compositionality Mikolov, T., Sutskever, I., Chen, K., Corrado, G. S., & Dean, J. (2013). Distributed representations of words and phrases and their compositionality. Advances in neural information processing systems, 26. Summary Innovations Present several ... Read More

Paper Reading: Efficient Estimation of Word Representations in Vector Space Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient estimation of word representations in vector space. arXiv preprint arXiv:1301.3781. Related Work Method Strength Drawback Treat words as atomic un... Read More

Paper Reading: A Neural Probabilistic Language Model Bengio, Y., Ducharme, R., & Vincent, P. (2000). A neural probabilistic language model. Advances in neural information processing systems, 13. Background Research Problem Statistical Language Modeling: learn the joint probability function of sequences of words Research foundation ... Read More

Paper Reading: A Closer Look at Skip-gram Modeling Guthrie, D., Allison, B., Liu, W., Guthrie, L., & Wilks, Y. (2006, May). A closer look at skip-gram modelling. In Proceedings of the fifth international conference on language resources and evaluation (LREC’06). Related Work Method defining and manipulating data beyond the words i... Read More

个人作业-软件案例分析 项目 内容 这个作业属于哪个课程 2022 年北航敏捷软件工程 这个作业要求再哪里 个人作业-软件案例分析 我在这个课程的目标是 学习软件工程相关知识，提高自己的代码能力与团队协作能力。 这个作业在哪个具体方面帮助我实现目标 他山之石，可以攻玉。通过调研某一特定领域的软件，对自己接下来的软件开发设计起到启发和警示的作用。 第一部分 调研，评测 调研、试用了目前较为流行的代码仓库管理系统，以下是我的使用体验及发现的... Read More

个人阅读作业——阅读和调研 项目 内容 这个作业属于哪个课程 2022 年北航敏捷软件工程 这个作业要求再哪里 个人阅读作业-阅读和调研 我在这个课程的目标是 学习软件工程相关知识，提高自己的代码能力与团队协作能力。 这个作业在哪个具体方面帮助我实现目标 阅读《构建之法》帮助我初探软件工程，了解相关术语和最佳实践，提出问题环节锻炼我独立思考能力和批判性思维，调研工具链帮助我更好的完成之后的学习任务。 提问的智慧 阅读笔记 阅读提问 ... Read More

【读书笔记】构建之法：现代软件工程 第一章 概论 1.1 软件 = 程序 + 软件工程 一个复杂的软件不但要有合理的软件架构 (Software Architecture)、软件设计与实现 (software Design, Implementation and Debug)，还要有各种文件和数据来描述各个程序文件之间的依赖关系、编译参数、链接参数，等等。 1.2 软件工程是什么 软件工程是把系统的、有序的、可量化的方法应用到软件的开发、运营和维护上的过程。 软件工程包括： 软件需求分析 软件设计 软件构件 软件测试 软件维护 1.2.1 软件的特殊性 复杂性 (Complexity) 不可见性 (Invisibility) 易变性... Read More

提问的智慧 提问的目的绝不是为了轻而易举地获得答案，而是为了逐步培养自己的思考能力，去形成自己分析问题、解决问题的思路。 提问前 试图寻找答案 手册 FAQ 网络 (Google) 熟人 准备好问题 前提是否正确 说明做了哪些准备 说明期待的结果 准备好心态 可能无法得到回答 提问时 谨慎选择论坛 难度、方向、面向人群 语言组织 用词贴切、语法正确、拼写无误 标题选择 使用含义丰富、描述准确的标题 内容描述 谨慎明确的描述症状 提供发生问题的环境 操作系统 环境配置 版本 …… 说明提问前的理解 说明提问前的尝... Read More

利用领域知识和现有数据，创造出新的特征，用于机器学习算法。 “数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已。” 参考链接： 使用 sklearn 做单机特征工程 一文读懂特征工程 特征工程是什么 数据预处理 特征理解 结构化数据 & 非结构化数据 以表格形式存储的数据称为结构化数据，不呈现明显结构的数据称为非结构化数据，类似文本、报文、日志等。 定量 & 定性数据 定量数据 定性数据 ) 特征清洗 数据对齐 时间 格式不一致 时间戳单位不一致 使用无效时间表示 字段 填写错误 量纲 量纲不统一 数值类型不统一 缺失值处理 主要包括少... Read More

The Internet A notebook created by $Ericaaaaaaaa$. Intro The Ingredients of the Internet The Internet is a global network of computing devices communicating with each other in some way, whether they’re sending emails, downloading files, or sharing websites. The Internet is an open network: any computing device can join as long as they f... Read More

神经网络的可解释性 参考博客：https://jishuin.proginn.com/p/763bfbd3b58c CNN 可解释化 特征图可视化方法 特征图可视化有两类方法，一类是直接将某一层的 feature map 映射到 0-255 的范围，变成图像。另一类是使用一个反卷积网络（反卷积、反池化）将 feature map 变成图像，从而达到可视化 feature map 的目的。 直接可视化 使用 torchvision.utils.make_grid() 函数实现归一化，将 feature map 标准化到 0-255 范围内。 def make_grid(tensor, nrow=8, padding=2, normalize=True, range=... Read More

样本空间与概率 集合 集合运算 集合的代数 概率模型 样本空间和事件 选择适当的样本空间 序贯模型 概率律 离散模型 连续模型 概率律的性质 模型和现实 条件概率 条件概率是一个概率律 利用条件概率定义概率模型 全概率定义和贝叶斯准则 独立性 条件独立 一组事件的独立性 可靠性 独立试验和二项概率 计数法 计数准则 n 选 k 排列 组合 分割 离散随机变量 基本概念 与随机变量有关的主要概念 随机变量是试验结果的实值函数。 注意：随机变量需要有数学取值（随机变量的取值），而不能是一个序列或其它无明显取值的量。 随机变量的函数定义了另一个随机变量。 对于一个随机变... Read More

概念 基本概念 机器学习 数据 训练集 验证集 测试集 模型评估 错误率 (error rate) 分类错误的样本数占样本总数的比例称为“错误率”。 精度 (accuracy) 分类正确的样本数占样本总数的比例称为“精度”。 精度 = 1 - 错误率 误差 (error) 把学习器的实际预测输出与样本的真实输出之间的差异称为“误差”。 训练误差 (training error) / 经验误差 (empirical error) 学习器再训练集上的误差。 泛化误差 (generalization error) 学习器在新样本上的误差。 目标：得到泛化误差最小的学习器。 拟合 欠拟合 (underfitting) 过拟合 (ove... Read More

Machine Learning Tutor: $\mathscr{Andrew Ng}$ Author of the notebook: $\mathscr{ericaaaaaaaa}$ Machine Learning A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T, as measured by P, improves with experience E. CategorySupervised LearningUnsupervised L... Read More

Introduction Definition Problem Instance A problem instance is any valid input to the problem. Algorithm An algorithm is a well defined computational procedure that transforms inputs into outputs, achieving the desired input-output relationship. Correct Algorithm A correct algorithm halts with the correct output for every input instance. ... Read More

数据库系统原理 第一篇 基础篇 第 1 章 绪论 1.1 数据库系统概述 1.1.1 数据库的四个基本概念 数据 (data) 数据 数据是描述现实世界各种事物的可以识别的符号。数据的含义称为数据的语义，数据与其语义是不可分的。 信息 信息是一种已经被加工为特定形式的数据，这些数据对现在与将来的决策有明显价值。 信息是各种数据所包括的意义；数据是信息的载体，是信息的具体表现形式。 数据处理 从大量原始数据中抽取和推导出有价值信息的加工过程称为数据处理，包括：数据收集、组织、存储、加工、分类、检索、输出、传输等操作。 数据管理 数据处理一般性的基本操作，如数据分类、组织、存储、检索、维护等成为数据管理，并研究专门的技术——数据管理技术。 数据库 (DataB... Read More

Loss Function Regularization: Add term to loss $L=\frac{1}{N}\sum_{i=1}^{N}\sum_{j\not= y_i}\max(0, f(x_i;W)j-f(x_i;W){y_i}+1)+\lambda R(W)$ In common use: Dropout In each forward pass, randomly set some neurons to zero Probability of dropping is a hyperparameter; 0.5 is common Data Augmentation Horizontal Flipping 水平翻转 Random C... Read More

编译实验课程设计文档 写在前面 本文档对于编译器的每个部分的实现进行了说明，大体上分为数据结构、算法思路和难点分析三个部分。 目录 [toc] 词法分析 数据结构 Token 建立 Token 类，存储每个 Token 所在的行号 (lineNum)，包含的内容 (content) 和 Token 的类别 (TokenType)。 enum TokenType { IDENFR, INTCON, STRCON, MAINTK, CONSTTK, INTTK, BREAKTK, CONTINUETK, IFTK, ELSETK, NOT, AND, OR, WHILETK, VOIDTK, GETINTTK, PRINTFTK, RETURNTK... Read More

计算机视觉 本文档主要针对图像分类问题，在第一部 分中整理了相关背景知识，包括人工神经网络相关术语——激活函数、损失函数，正向与逆向传播等；在第二部分中主要介绍了图像分类相关的知识，包括它的输入输出与常见的处理方法。 （一）知识 1. 拟合 (Fitting) 利用曲线描述样本，曲线应当具有良好的泛化能力 (generalization)。在拟合时可能出现两种可能的情况——过拟合 (overfitting) 和欠拟合 (underfitting)。其中，欠拟合反映在训练时模型效果良好，但测试时正确率较低的情况。它往往是由于过度依赖训练集数据，从而缺乏对更多数据良好的泛化性。一种可能的原因是模型过于复杂且训练集较小。欠拟合与过拟合相反，无法对样本给出较好的估计。一种可能的原因是模... Read More

图论 基本概念 绘图程序 import networkx as nx import matplotlib.pyplot as plt def drawgraph(E): # G = nx.Graph() # 无向图 G = nx.DiGraph() # 有向图 G.add_edges_from(E) nx.draw(G, node_size = 200, node_color = 'k', with_lables = True, font_color = 'w') plt.show() return V = {'a', 'b', 'c', 'd', 'e', 'f', 'g'} E = [('a', 'b... Read More

操作系统 引论 基本概念 计算机体系结构中的接口 UI 用户接口 User Interface API 应用程序界面 Application Program Interface ABI 应用程序二进制接口 Application Binary Interface ISA 工业标准结构 Industry Standard Architecture 历史 史前阶段-> 批处理->分时->现代 OS->网络化 OS /分布式 OS 批处理系统 加载在计算机上的一个系统软件，使得计算机... Read More

线性表 线性表的概念和表抽象数据类型 表的概念和性质 线性表 一个（有穷或无穷）的基本元素集合 E, E 中一组有穷个元素排列成的序列 $L = (e_0, e_1, e_2, …,e_{n-1})$ 下标 空表 长度 首元素 & 尾元素 唯一 前驱元素 后继元素 表抽象数据类型 线性表的操作 表抽象数据类型 线性表的实现：基本考虑 空间（计算机内存） 时间（各种重要操作的效率） 顺序表的实现 顺序表——表中元素顺序存放在一片足够大的连续存储区内，首元素存... Read More

Computer Organization $Ericaaaaaaaa$ $Jan,\ 2021$ 组合逻辑设计 逻辑门电路 TTL、MOS 集成门电路 晶体管 COMS N 型 P 型 Gate N 型 P 型 0 (低电平) OFF (截止) ... Read More

See MIPS Run Linux 整数乘除操作从不产生异常：即使除以 0 也不会发生异常（当然这样得到的结果是不确定的）。编译器常常会产生额外的指令检查和捕获错误，特别是零除的错误。 通用寄存器的习惯命名和用法： 寄存器编号 助记符 用法 1 at (assembly temporary 汇编暂存) 保留给汇编器使用 26, 27 k0, k1 保留给中断或自陷的处理程序使用；其值可能在你眼皮底下改变 28 gp (global pointer ... Read More