如何安装Ubuntu双系统
如何安装Ubuntu双系统前言由于 WSL 上一些操作还是不方便，本人果断抛弃 WSL 投入 Linux 的怀抱。
本文为本人在 Windows11 系统上安装 Ubuntu22.04 并且配置深度学习环境的过程，可供参考。
首先你需要大约 100G 的空余内存，一块拥有 8G 以上内存的 U盘。
Windows系统：Windows 11Ubuntu系统：Ubuntu22.04
注意！本文 BIOS 为 UEFI 类型，所以挂载 efi 分区。
参考文章：https://blog.csdn.net/codeHonghu/article/details/111940656
1. 划分磁盘
此步也可以使用 DiskGenius，知道如何使用的人自用。
首先进入计算机管理，找到磁盘管理，在这里可以看到自己电脑的磁盘状态。
我们要做的就是从仍有空间的磁盘中划分出要分给 Ubuntu 系统的空间。
最为重要的是划分出 EFI 分区。
什么是EFI系统分区：https://zhuanlan.zhihu.com/p/262069479
EFI启动是指使用 EFI或UEFI 来启动电脑的一种方 ...
云服务器配置（等待完善）
云服务器配置前言完成了个人博客的搭建后，由于国内访问 github 的速度实在是感人，所以更好的做法是绑定自己的博客到国内的云服务器上。
1. 前期准备1.1 购买云服务器我也没做过什么测评，没有对各家产品进行对比，大家可以自己上网对比各个厂家的服务器如何。
知乎：https://www.zhihu.com/tardis/zm/art/280840476?source_id=1005
本人使用的是腾讯云服务器的轻量应用服务器，配置是：CPU 2核，内存 2G，系统盘 50G，第一年的费用大概是 100-200。时不时有什么活动，可以关注一下。
Figure 1.1
我当时买的是学生认证的轻量云，一年 112 左右。
购买完以后一些配置选择，系统选择 Linux 系统，我比较喜欢 Ubuntu，因为平时自己用的也是 Ubuntu，其他的按自己需要选择。
1.2 购买域名域名是互联网上用于寻找网站或电子邮件服务器的人类可读名称。它由“域名名称”和“域名后缀”两个部分组成，用点分隔。域名可以代替IP地址，方便用户记忆和访问网站。
一开始部署在 github 上的网站有统一的域名： ...
NeRF Paper read
NeRF Paper read1. PrefaceThis article will introduce NeRF and explain some interesting points from the paper: “NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis” Hereinafter referred to NeRF Paper.
2. What is NeRFNeRF (Neural Radiance Fields) was first introduced in the best paper presented at ECCV 2020,
We present a method that achieves state-of-the-art results for synthesizing novel views of complex scenes by optimizing an underlying continuous volumetric scene function u ...
Train CIFAR10 by ResNet18
Train CIFAR10 by ResNet181. CIFAR10 dataset
“The CIFAR-10 dataset is widely used in the fields of machine learning and computer vision. This dataset comprises 60,000 color images categorized into 10 distinct classes, with each class containing 6,000 images. The dataset is designed for image classification tasks where each image must be classified into one of these 10 categories.
Image Categories: The CIFAR-10 dataset includes the following 10 image categories:
Airplane
Automobile
Bird
Cat
De ...
Deep Learning Practice - Preface
Deep Learning Practice - PrefacePreface本目录下开始使用深度学习篇学习到的各种方法进行实际问题的解决，将学习到的东西使用起来。
Requirements
配置完善的 pytorch 或者其他深度学习编程环境，可以参考本站文章：深度学习：（一）深度学习之环境配置
一块不错的 GPU，由于 CPU 或者低端的 GPU 训练速度过慢，影响进度，建议使用 3060 系以上的显卡，或者可以在云端计算平台租用 GPU 进行学习。 比如 AutoDL 算力云
Tips
本目录下的所有代码同步上传至 Github：https://github.com/Linermao/Deep-Learning-Practice-Code
本目录下的文章也是按照全英语书写，英语水平不足，多多包涵
（十）深度学习之长短期记忆网络
（十）深度学习之长短期记忆网络长短期记忆网络长短期记忆（Long short-term memory, LSTM） 是一种特殊的 RNN ，主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说，就是相比普通的 RNN，LSTM 在更长的序列中能够有更好的训练表现。
LSTM 的基本模型如图所示：
图1-1
这张图也许太过于专业，晦涩难懂，我们可以按照 RNN 的结构将 LSTM 表示出来：
图1-2
相较于 RNN 结构，LSTM 添加了 “门” 结构，在最上层也多了一条路线。
我们可以简单的理解为这样：
每次我们在进行记忆时，还将我们的记忆写在 “笔记本” 上，也就是 记忆细胞 上，而笔记本也是我们每次记忆时需要参考的内容。门结构主要进行笔记本的增添与删减两件事。每次记忆结束时，我们的记忆还会受到笔记本内容的影响，而笔记本相对来说不容易丢失，所以可以记忆更长期的内容。
接下来我们将 LSTM 结构分成四个部分详细介绍。
遗忘门
图1-3
对于上一时刻 LSTM 中的单元状态来说，一些信息可能会随着时间的流逝而 “失效”。为了不让过多记忆影响神 ...
（九）深度学习之循环神经网络
（九）深度学习之循环神经网络1. 序列模型在本质上，音乐、语音、文本和视频都是连续的。如果它们的序列被我们重排，那么就会失去原有的意义。就比如 “你不爱我” 和 “你爱我不” 是两种意思，虽然他们的组成元素一模一样。
处理序列数据需要统计工具和新的深度神经网络架构 —— 循环神经网络 。
2. 循环神经网络循环神经网络（Recurrent Neural Network, RNN） 是一类以序列数据为输入，在序列的演进方向进行递归，且所有循环单元按链式连接的 递归神经网络（recursive neural network）。
在循环神经网络中，一个序列当前的输出与前面的输出也有关。具体的表现形式为网络会对前面的信息进行记忆并应用于当前输出的计算中，即隐藏层之间产生连接，并且隐藏层的输入不仅包括输入层的输出还包括上一时刻隐藏层的输出。
一个简单的循环神经网络结构如图所示，它由输入层，一个隐藏层，一个循环层和一个输出层组成：
图2-1
不过这张图过于简单，让人摸不着头脑，现在我们将其展开：
图2-2
在 RNN 中，每一部分到下一部分的权值是相同的。也就是说输入层到隐藏层，隐 ...
（八）深度学习之残差网络
（八）深度学习之残差网络1. 残差网络的由来2012 年， AlexNet （深度卷积神经网络）取得了 ILSVRC 挑战赛的冠军，并且大幅领先第二名，由此引发对深度网络的广泛研究，树立了一个信念 —— “越深的网络准确率越高” 。
通过实验，随着网络层不断的加深，模型的准确率先是不断的提高，达到最大值，然后随着网络深度的继续增加，模型准确率毫无征兆的出现大幅度的降低。
这个现象与“越深的网络准确率越高”的信念显然是矛盾的、冲突的。ResNet 团队将这一现象称为 退化（Degradation）。
ResNet 团队认为退化出现的原因是深度网络在非线性转化中走得太远，数据被映射分散到更加离散的空间，使得网络难以实现简单的线性变化。
为了解决这样的问题，ResNet 团队引入了一个具有 快捷链接（Shortcut Connection） 的结构 —— 残差块，并且使用残差块的基础上构建了残差网络。
2. 残差结构残差（Residuals） 是指实际观测值与回归模型预测值之间的差异。
我们定义网络输入是 $x$ ，网络的输出是 $F(x)$ ，网络要拟合的目标是 $H(x)$ 。
传统网络 ...
Kaggle Titanic Improved
Kaggle Titanic ImprovedPrefaceBefore you begin reading this article, I have a tragic thing to tell you. Despite my belief that the data analysis presented in this article is more systematic and rigorous, the final scores obtained from the data results may not be as ideal. Nevertheless, I still wish to showcase my thought process. After all, the data analysis in the “Base Model” article left much to be desired.
1. Improvements1.1 Exploratory Data Analysis (EDA)Firstly, we have a simple idea: coul ...
Kaggle Titanic
Kaggle TitanicPrefaceI appreciate your understanding regarding any potential errors or omissions, as I’m still in the learning process. Feel free to engage in discussions – I’m here to help and discuss any topics you’d like to explore.
Learning is a continuous journey, and open discussions can lead to valuable insights and growth.
This article begins by exploring the most straightforward approach to address the issue.
If you wish to follow along with my code, please visit my GitHub repository u ...
