Coding - 随笔分类 - 冬色

摘要：对某一个变量感兴趣的话，在启动调试之后，直接对该变量“添加监视”，在调试窗口中即可看到该变量的变化；查看指针指向的值

调 试 \to 窗 口 \to 内 存 \to 内 存 1

$调试\to 窗口\to 内存\to 内存1$ 拷贝指针的值，将指针的值复制到“内存1”的地址文本框中，显示的值默认为十六进制。程序调试快捷键总结 Ctrl + F5直接阅读全文

posted @ 2021-06-27 22:27 冬色阅读(352) 评论(0) 推荐(0) 编辑

Shell简明教程

摘要：简介 sh是Unix最初使用的shell，Linux默认为bash，是sh的扩展。 source <FileName>：在当前bash环境下，读取并执行FileName中的命令，该FileName可以无执行权限，该命令可以用命令.代替； sh <FileName>或者bash <FileName>：阅读全文

posted @ 2021-06-27 22:25 冬色阅读(237) 评论(0) 推荐(0) 编辑

Unsupervised Pretraining Transfers well Across Languages

摘要：利用非平行语料训练跨语种和多语种的语音识别（Automatic Speech Recognization，ASR），使用对比预测编码（Contrastive Predictive Coding，CPC）预训练语音识别系统，效果甚至超过监督学习。代码地址：CPC_audio 简介已有较多的工作应用阅读全文

posted @ 2020-10-08 22:18 冬色阅读(465) 评论(0) 推荐(0) 编辑

神经机器翻译中有用的技巧

摘要：本篇总结神经机器翻译的实践中，较为基础的最佳实践。应该使用哪个模型作为基线 Transformer是2017年发布的模型，即使到2020年仍然是比较好的基线模型，大热的BERT就是其升级版。代码地址 Fairseq 这里实际推荐比较使用Fairseq指定arch为Transformer，按照官方阅读全文

posted @ 2020-09-12 18:55 冬色阅读(1271) 评论(0) 推荐(0) 编辑

利用Fairseq训练新的机器翻译模型

摘要：利用Fairseq训练一个新的机器翻译模型，官方机器翻译(German-English)示例：Fairseq-Training a New Model。数据预处理进入fairseq/examples/translation目录下，执行sh prepare-iwslt14.sh。prepare-i 阅读全文

posted @ 2020-08-23 18:07 冬色阅读(3431) 评论(0) 推荐(3) 编辑

Fairseq-快速可扩展的序列建模工具包

摘要：一种快速、可扩展的序列建模工具包，Pytorch的高级封装库，适用于机器翻译、语言模型和篇章总结等建模任务。抽象注册实现上的特点抽象 Dataset：数据加载 Fairseq中的Dataset基本都是按功能逐层封装，按需组合起来。所有数据加载的实现均位于fairseq/data下面。两个比阅读全文

posted @ 2020-08-22 18:35 冬色阅读(3109) 评论(0) 推荐(2) 编辑

类Unix环境变量配置

摘要：环境变量配置文件 MacOS Linux 如果shell的类型是zsh时，还会存在和`~/.zshrc`。其中 ,`/etc/paths /etc/bashrc /etc/profile /etc/paths /etc/bashrc`在bash shell执行时，会读取该文件。 MacOS默认用阅读全文

posted @ 2020-02-27 14:28 冬色阅读(630) 评论(0) 推荐(0) 编辑

软链接和硬链接

摘要：链接是一种文件共享方式，Linux常用其解决一些库版本的问题，通常也会将一些目录层次较深的文件链接到更易访问的目录中。在这些用途中，通常会使用软链接（又称符号链接）。硬链接：普通文件，其i node直接指向硬盘区块，类似于C++的指针。软链接：保存代表文件的绝对路径，类似于Windows的快阅读全文

posted @ 2020-02-26 15:31 冬色阅读(323) 评论(0) 推荐(0) 编辑

音视频RTP数据包封装

摘要：对于语音通信而言，语音码率较低，添加适当冗余是对抗网络丢包的常见方式。冗余方式有多种，包括，`FEC RFC 3350 RFC 2198 RFC 5109`是添加FEC数据的RTP封装标准协议。 RTP格式(RFC 3350) 文档地址： "RTP: A Transport Protocol fo 阅读全文

posted @ 2019-10-09 11:14 冬色阅读(5007) 评论(0) 推荐(0) 编辑

VoIP基本原理

摘要：VoIP基本原理 VoIP是通过Internet等互联网络传递语音信息的，主要包括终端设备、网关、网守和网络管理等部分。网关负责提供IP网络和传统的接口。 VoIP的基本原理：通过语音压缩算法对语音数据进行压缩编码处理，然后将语音数据按照标准打包，经过网络把数据包发送到接收端，之后将语音数据包阅读全文

posted @ 2019-10-08 19:27 冬色阅读(2920) 评论(0) 推荐(0) 编辑

NetEQ主要文件简介

posted @ 2019-10-08 19:23 冬色阅读(491) 评论(0) 推荐(0) 编辑

杂记(2019.04.13)

摘要：这本是近三个月间零零散散看到的知识点，今记录于此。韵律预测口语句子的韵律结构是指某些词似乎自然地结合在一起，而某些词似乎有明显间隔或彼此分开。如：包含两个语调短语，边界即是逗号处。在第一个短语中，似乎还有更小的韵律边界，通常称为中间短语，把单词做如下分割：从一个语调短语的开始到结尾，$F_ 阅读全文

posted @ 2019-04-13 11:46 冬色阅读(443) 评论(0) 推荐(0) 编辑

机器学习复习：模型评估指标

摘要：分类指标精确率和召回率：多用于二分类问题混淆矩阵其中，TP(True Positive, 真正)：被模型预测为正例的正样本； FP(False Positive, 假正)：被模型预测为正例的负样本； FN(False Negative, 假负)：被模型预测为负例的正样本； TN(True Ne 阅读全文

posted @ 2019-02-21 11:27 冬色阅读(1348) 评论(0) 推荐(0) 编辑

Tensorflow中循环神经网络及其Wrappers

摘要：又名：、`tf.contrib.rnn.LSTMCell` 参见: "tf.nn.rnn_cell.LSTMCell" 输出： output：LSTM单元输出，与的区别在于该输出又经过激活以及和一个sigmoid函数输出相乘。shape: [batch_size,num_units] new_s 阅读全文

posted @ 2019-02-15 16:47 冬色阅读(818) 评论(0) 推荐(0) 编辑

einsum：爱因斯坦求和约定

摘要：在Tensorflow、Numpy和PyTorch中都提供了使用einsum的api，einsum是一种能够简洁表示点积、外积、转置、矩阵-向量乘法、矩阵-矩阵乘法等运算的领域特定语言。在Tensorflow等计算框架中使用einsum，操作矩阵运算时可以免于记忆和使用特定的函数，并且使得代码简洁，阅读全文

posted @ 2019-01-25 15:03 冬色阅读(9672) 评论(2) 推荐(4) 编辑

Tensorflow数据读取机制

摘要：展示如何将数据输入到计算图中可以看作是相同类型“元素”的有序列表，在实际使用时，单个元素可以是向量、字符串、图片甚至是tuple或dict。数据集对象实例化：迭代器对象实例化：读取结束异常：如果一个中的元素被读取完毕，再尝试的话，会抛出异常，这个行为与使用队列方式读取数据是一致的。高阅读全文

posted @ 2018-12-02 21:51 冬色阅读(653) 评论(0) 推荐(0) 编辑

Tensorflow进阶

摘要：第一章图像领域，第

i

$i$ 类图片提取到的特征：

f e a t u r e_{i} = \sum_{j} w_{i, j} x_{j} + b_{i}

$feature_i=\sum_jw_{i,j}x_j+b_i$ 其中，

j

$j$ 表示一张图片的第

j

$j$ 个像素，

b_{i}

$b_i$ 是偏置值(bias)，顾名思义就是这个数据本身的一些倾向，比如如果训练获得的参数

w

$w$ 大部分数字是0，那么0特征对应的bias 阅读全文

posted @ 2018-11-27 22:18 冬色阅读(276) 评论(0) 推荐(0) 编辑

Tensorflow初级篇

摘要：第二章 Tensorflow主要依赖两个工具：Protocol Buffer和Bazel Protocol. Protocol Buffer是一个结构数据序列化的的工具，在Tensorflow中大部分的数据都是通过Protocol Buffer的形式储存，Bazel是谷歌开源的编译工具。第三章 3 阅读全文

posted @ 2018-10-28 22:42 冬色阅读(352) 评论(0) 推荐(0) 编辑

语音合成最新进展

摘要：Tacotron2 前置知识通过时域到频域的变换，可以得到从侧面看到的频谱，但是这个频谱并没有包含时域的中全部的信息，因为频谱只代表各个频率正弦波的振幅是多少，而没有提到相位。基础的正弦波

A s i n (w t + θ)

$Asin(wt+\theta)$ 中，振幅、频率和相位缺一不可。不同相位决定了波的位置，所以对于频域分析，阅读全文

posted @ 2018-09-10 19:25 冬色阅读(1950) 评论(4) 推荐(0) 编辑

tf.nn.softmax & tf.nn.reduce_sum & tf.nn.softmax_cross_entropy_with_logits

摘要：tf.nn.softmax softmax是神经网络的最后一层将实数空间映射到概率空间的常用方法，公式如下：

s o f t m a x (x)_{i} = \frac{e x p (x_{i})}{\sum_{j} e x p (x_{j})}

$softmax(x)_i=\frac{exp(x_i)}{\sum_jexp(x_j)}$ 本文意于分析tensorflow中的，关于softmax的具体推导和相关知识点，参照阅读全文

posted @ 2018-07-18 17:25 冬色阅读(1067) 评论(0) 推荐(0) 编辑

冬色

GitHub: https://github.com/cnlinxi

随笔分类 - Coding

公告

随笔分类

随笔档案

阅读排行榜