什么是端到端（end-to-end）端到端通俗来说就是不需要进行特征提取，输入的是原始的数据，输出的就是最后的结果。经典机器学习方式是以人类的先验知识将raw数据预处理成feature，然后对feature进行分类。分类结果十分取决于feature的好坏。所以过去的机器学习专家将大部分时间花费在设计feature上。那时的机器学习有个更合适的名字叫特征工程（feature engineering）

在进行深度学习训练时，优化器会对模型的参数进行优化，以寻找到一组最优解。一个简单的卷积神经网络，可以分为卷积池化层和全连接层，全连接层中的参数可以用神经元连接的权重W来表示，而卷积层的参数往往是用卷积核参数来表示。2D卷积对于输入层为 Win×Hin×DinW_{i n} \times H_{i n} \times D_{i n}Win​×Hin​×Din​的特征图，输出为Wout ×H

最近在配置跨主机操作软件时，需要对不同系统的软件设置开机自启动，从网上查找了很多资料，最后发现实现的方法其实很简单，记录如下：对于window操作系统如下图所示，进入windows系统中的启动文件夹中，将要开机启动的软件的快捷方式拖入其中：文件位置：C:\ProgramData\Microsoft\Windows\Start Menu\Programs打开系统设置，点击应用：点击启动，检查自己设置

很多同学在使用多个电脑进行协同办公时，可能会遇到不同主机间的操作切换麻烦或者文件传输困难问题。对于多台主机，想要实现对主机的操作需要给每个主机配置一套鼠标和键盘，切换起来十分麻烦。此外，由于工作的需要，很多同学可能需要windows和linux两套操作系统协同办公，两套系统间的文件传输也是一个问题。在这里提供了一个关于多主机协同办公的解决方案，可以实现像操作同一个电脑一样的操纵两个主机。ps：目前

使用Keras构建深度学习模型(以Resnet50为例)实现对Cifar10数据集的分类keras是目前流行的深度学习框架之一，目前已经整合到Tensorflow2.0版本中，用户通过安装Tensorflow包即可实现对Keras方便的调用。Keras为用户提供了多种深度学习模型调用的接口，用户通过简单的编辑即可实现经典模型的调用和搭建。目前Keras提供的模型接口有如下几个：from tenso

研究音乐结构及其相互关系的一般思路是将音乐信号转换为合适的特征序列，然后将特征序列中的每个元素与序列中的所有其他元素进行比较。这就产生了一种自相似矩阵(SSM)，它不仅对音乐结构分析具有重要意义，而且对多种时间序列的分析也具有重要意义。目录基本定义块和路径结构基于色谱图特征的SSMSSM Based on MFCC FeaturesSSM Based on Tempogram Features路径

什么是端到端（end-to-end）端到端通俗来说就是不需要进行特征提取，输入的是原始的数据，输出的就是最后的结果。经典机器学习方式是以人类的先验知识将raw数据预处理成feature，然后对feature进行分类。分类结果十分取决于feature的好坏。所以过去的机器学习专家将大部分时间花费在设计feature上。那时的机器学习有个更合适的名字叫特征工程（feature engineering）

研究音乐结构及其相互关系的一般思路是将音乐信号转换为合适的特征序列，然后将特征序列中的每个元素与序列中的所有其他元素进行比较。这就产生了一种自相似矩阵(SSM)，它不仅对音乐结构分析具有重要意义，而且对多种时间序列的分析也具有重要意义。目录基本定义块和路径结构基于色谱图特征的SSMSSM Based on MFCC FeaturesSSM Based on Tempogram Features路径

C++ opencv 4.5 imread() 读取图片，显示为空的解决办法一、路径问题先查看下路径问题，如果使用的是相对路径，先查看下当前路径，判断输入的路径是否有错：#include <direct.h>char buf[_MAX_PATH];std::string a;a=_getcwd(buf, _MAX_PATH);std::cout << a <<

在进行深度学习训练时，优化器会对模型的参数进行优化，以寻找到一组最优解。一个简单的卷积神经网络，可以分为卷积池化层和全连接层，全连接层中的参数可以用神经元连接的权重W来表示，而卷积层的参数往往是用卷积核参数来表示。2D卷积对于输入层为 Win×Hin×DinW_{i n} \times H_{i n} \times D_{i n}Win​×Hin​×Din​的特征图，输出为Wout ×H