Linux服务器通过X11实现图像化界面显示背景描述​如何远程连接服务器并将图形界面输出一直是我烦恼的一个点，在实现很多项目的时候，使用matplotlib输出图像的内容是无法显示的，必须将图像保存下来查看，大大降低了项目的效率；​像一些需要实时调控的项目，例如实时的行人追踪，我们往往传入一个视频文件，并且实时对视频中的行人进行检测并输出，如果不能将检测结果输出，而是需要保存，那么不仅代码需要修改

Python——语音处理基础目标：Python对音频文件的IO处理；语音中关于音量和音响的一些计算；一、概述声音物理意义：声音是一种纵波，纵波是质点的振动方向与传播方向同轴的波。如敲锣时，锣的振动方向与波的传播方向就是一致的，所以声波是纵波。纵波是波动的一种（波动分为横波和纵波）；通常对声音进行采样量化后，得到声音的"时间—振幅"信息；下图是用Adobe Audition打开一段音频数据：说明：图

一、概述量化：剪枝是删除不重要的权重参数，量化则是减少存储权重的bit，将权重存储在更小的空间中；权重不需要以高精度方式存储，甚至不应该以高精度方式存储；如果用简单的量化方式效果并不好，需要一些训练量化参数的计较；方法：1、二值化这是最简单的一种量化方式，就是用0-1两个值代替原来的参数值，往往能达到32倍的压缩程度；该方法能够大大提升模型的训练和推理速度，但性能明显下降；也可以采用一种二值化变体

一、资料推荐爱丁堡大学课程（全英文，有能力的推荐学习一遍）：https://speech.zone/courses/speech-synthesis/TensorflowTTS（比较系统的开源项目）：https://github.com/TensorSpeech/TensorFlowTTS二、基础概念介绍1、时域：波形的振幅、频率；2、频域：傅里叶变换：每个复杂的波形都可以由不同频率的正弦波组成；

一、开篇​随着神经网络的发展，transformers和高级卷积网络架构给视觉和预研领域任务带来提升的同时，模型的规模及计算量也越来越大；​虽然模型的体积增大往往能带来更好的效果，但在实际场景的应用性几乎为0，这也是学术界和工业界存在的一个最大差异，模型的落地往往要考虑的方面有很多，并不只是单纯看预测的效果；模型变大引发的一些问题：更长训练时间；更长的推断时间；更多的内存占用；模型压缩的目的：以一

【实战】基于TFlite实现TensorFlowTTS语音合成源码地址：https://github.com/TensorSpeech/TensorFlowTTS一、配置环境Requirements：Python 3.7+Tensorflow 2.2/2.3/2.4/2.5/2.6二、案例实现1、将源码下载并解压在TensorFlowTTS-master路径下2、下载所需要的模型和lib静态库：下

【实战】基于TFlite实现TensorFlowTTS语音合成源码地址：https://github.com/TensorSpeech/TensorFlowTTS一、配置环境Requirements：Python 3.7+Tensorflow 2.2/2.3/2.4/2.5/2.6二、案例实现1、将源码下载并解压在TensorFlowTTS-master路径下2、下载所需要的模型和lib静态库：下

【OpenCV学习】（十）特征点检测与匹配背景提取图像的特征点是图像领域中的关键任务，不管在传统还是在深度学习的领域中，特征代表着图像的信息，对于分类、检测任务都是至关重要的；特征点应用的一些场景：图像搜索：以图搜图（电商、教育领域）图像拼接：全景拍摄（关联图像拼接）拼图游戏：游戏领域一、Harris角点哈里斯角点检测主要有以下三种情况：光滑区域：无论向哪个方向移动，衡量系数不变；边缘区域：垂直边

【实战】基于TFlite实现TensorFlowTTS语音合成源码地址：https://github.com/TensorSpeech/TensorFlowTTS一、配置环境Requirements：Python 3.7+Tensorflow 2.2/2.3/2.4/2.5/2.6二、案例实现1、将源码下载并解压在TensorFlowTTS-master路径下2、下载所需要的模型和lib静态库：下

深度学习从2015年发展到现在，模型也在不断地迭代优化；现在许多新的模型往往是站在巨人的肩膀上，在这里想记录下baseline模型发展的一个历程，以及不断更新的内容；不会将模型的每一层剖开来将，而是将关键的创新点进行重点记录，当然也包括了一些个人理解和思考，如果有不对或者不全的地方欢迎沟通，也希望在以后工作中不断完善对模型的理解；BaseLine指的是什么呢？通常我们又称BaseLine模型为分类