本文总结了学习muduo网络库的心得体会，重点探讨了Reactor网络架构。文章首先区分了同步/异步IO和多路复用技术，指出Reactor属于同步非阻塞的IO多路复用模式。通过分析网络IO的两个阶段（数据准备和读写），解释了Reactor高效管理多个文件描述符的优势。最后介绍了Reactor的核心组件eventLoop和Demultiplexer的协作机制，以及muduo库采用的"one

对pytorch api的lstm与lstmp做了简单的代码复现

主要对transformer一些比较难理解的点做了一些整理，希望对读者有所帮助。

在这这一篇博客中，将尝试使用EEG信号，主要使用plt.specgram()函数来生成脑电信号的时频图dataset，为接下来使用神经网络进行深度学习做准备。

该文章主要记录自己在阅读论文和代码时的一些思路原文：Unsupervised Time-Aware Sampling Network with Deep Reinforcement Learning for EEG-Based Emotion。

在这一篇博客里，我们通过AR模型对信号进行拟合与时域白化。这里有两个需要注意的点。1.什么是AR模型？2.对信号时域的白化操作有什么意义？

图卷积神经网络（Graph Convolutional Network，GCN）是一种用于处理图结构数据的深度学习算法。它扩展了传统的卷积神经网络（CNN）到图领域，可以对节点在图上的特征进行学习和预测。GCN具有广泛的应用，包括社交网络分析、推荐系统、生物信息学等领域。图 1 GCN概念图GCN首先将图表示为邻接矩阵A和节点特征矩阵X。邻接矩阵A描述了图中节点之间的连接关系，其中A(i, j)表

学习内容一览：这一篇文章主要建立在前文与的基础上，尝试运用强化学习的方法来提高识别睡眠阶段的准确率，对前段时间强化学习的学习成果做一个总结。

在这这一篇博客中，将尝试使用EEG信号，主要使用plt.specgram()函数来生成脑电信号的时频图dataset，为接下来使用神经网络进行深度学习做准备。

使用pytorch对MIEEG GAN的工作做了一下复现