tony4ai.com 机器学习，人工智能，CUDA学习笔记

本页面是全站写作思路和超级索引，所有文章都能通过索引跳转到相关文章，当然也可以使用搜索功能查找相关的话题。

---

如对本站有兴趣可以通过下面二维码添加博主，进入讨论群，感谢您的支持。

image

---

首先插入一下我的整体研究思路，也就是网站大致的更新顺序：

image

以下目录点击直接传送：

理论：

• 数学基础

  • 集合论

    • 1 样本集

    • 2 集合操作

  • 分析

    • 微积分

    • 数学分析

      • 《陶哲轩实分析》（包含习题解答）

        • 1.0 数学分析介绍

        • 2.0 自然数概述

        • 2.1 Peano公理

        • 2.2 加法

        • 2.3 乘法

        • 3.0 集合论

        • 3.1 集合基础(Part I)

        • 3.1 集合基础(Part II)

        • 3.2 罗素悖论（选读）

        • 3.3 函数(I)

        • 3.3 函数(II)

    • 实分析

    • 复分析

    • 泛函分析

    • 测度论

  • 线性代数

    • 《Introduction to Linear Algebra》

      • 线性代数BigPicture

      • 1.0 向量

      • 1.1 线性组合

      • 1.2 点乘和长度

      • 2.1 Ax=b

      • 2.2 消元

      • 2.3 消元和矩阵

      • 2.4 矩阵计算

      • 2.5 逆

      • 2.6 LU和LDU分解

      • 2.7 映射与排列

      • 3.1 向量空间

      • 3.2 Null 空间

      • 3.3 秩

      • 3.4 Ax=B

      • 3.5 线性独立，基和维度

      • 3.6 四个空间的维度

      • 4.1 四个子空间的正交

      • 4.2 投影

      • 4.3 最小二乘（略）

      • 4.4 正交基和Gram-Schmidt算法

      • 5.1 行列式的性质

      • 5.2 排列和代数余子式

      • 5.3 Cramer's 法则,逆和体积

      • 6.1 特征值介绍

      • 6.2 矩阵对角化

      • 6.3 微分方程应用（略）

      • 6.4 对称矩阵

      • 6.5 正定矩阵

      • 6.6 相似矩阵

      • 6.7 奇异值分解

      • 7.1 线性变换思想

      • 7.2 线性变换的矩阵

      • 7.3 对角化和伪逆

  • 微分方程

  • 拓扑学

  • 概率论

    • 概率论BigPicture

    • 1.0 概率介绍、试验、事件、公理化的概率

    • 1.1 样本空间、柯氏公理、概率的性质

    • 1.2 古典概率、乘法原理、排列

    • 1.3 组合、二项式定理、多项式定理

    • 1.4 有限事件并的概率、概率欺骗了你

    • 2.1 条件概率、全概率公式

    • 2.2 事件独立、条件独立

    • 2.3 Bayes’ Theorem

    • 3.1 随机变量和离散分布

    • 3.2 连续分布

    • 3.3 Cumulative Distribution Function

    • 3.4 双变量分布

    • 3.5 边缘分布不和独立随机变量

    • 3.6 条件分布 (Part I)

    • 3.6 条件分布 (Part II)

    • 3.7 多变量分布（Part I）

    • 3.7 多变量分布（Part II）

    • 3.8 随机变量的函数

    • 3.9 多随机变量的函数

    • 4.1 随机变量的期望 (Part I)

    • 4.1 随机变量的期望 (Part II)

    • 4.2 期望的性质

    • 4.3 方差

    • 4.4 距

    • 4.5 均值和中值

    • 4.6 协方差和相关性

    • 4.7 条件期望

    • 5.1 分布介绍

    • 5.2 伯努利和二项分布

    • 5.3 超几何分布

    • 5.4 泊松分布

    • 5.5 负二项分布

    • 5.6 正态分布(Part I)

    • 5.6 正态分布(Part II)

    • 5.6 正态分布(Part III)

    • 5.7 Gamma分布(Part I)

    • 5.7 Gamma分布(Part II)

    • 5.8 Beta分布

    • 5.9 多项式分布

    • 5.10 二维正态分布

    • 6.1 大样本介绍

    • 6.2 大数定理

    • 6.3 中心极限定理

    • 6.4 连续性修正

  • 数理统计

    • 《数理统计学简史》

      • 介绍

      • 早期概率论——从萌芽到《推测术》

      • 1.1 卡丹诺的著作

      • 1.2 分赌本问题

      • 1.3 帕斯卡和费马的通信

      • 1.4 惠更斯的“机遇与规律”

      • 1.5 《推测术》前三部分内容提要

      • 1.6 关于概率的几点看法

      • 1.7 伯努利大数定律

      • 2.0 狄莫弗的二项概率逼近

      • 2.1 狄莫弗研究的动因

      • 2.2 狄莫弗的初步结果

      • 2.3 初步结果的改进，与斯特林的联系

  • 随机过程

  • 信息论

  • 凸优化

• 算法设计过程

• 算法

  • 机器学习算法

  • 统计学习算法

  • 深度学习算法

    • FaceNet论文阅读

    • 可视化CNN

    • LeNet

    • Dropout

    • CNN训练数据选择

  • 图像处理

    • 1.1 灰度级

    • 1.2 灰度变换，gama变换，对数，反对数变换

    • 2.1 一维DFT

    • 2.2 二维DFT

    • 2.3 FFT算法理解与c语言的实现

    • 2.4 二维FFT,IFFT,c语言实现

    • 2.5 图像傅里叶变换（快速傅里叶变换FFT）

    • 3.0 二值图像

    • 3.1 二值图像-形态学处理 数学形态学

    • 3.2 二值图像-形态学处理 腐蚀和膨胀

    • 3.3 二值图像-形态学处理 开操作和闭操作

    • 3.4 二值图像-形态学处理4 其他操作

    • 4.0 灰度图像

    • 4.1 灰度图像-形态学处理

    • 4.2 灰度图像-频域滤波 傅里叶变换之卷积

    • 4.3 灰度图像-频域滤波 傅里叶变换之连续周期信号傅里叶级数

    • 4.4 灰度图像-频域滤波 傅里叶变换之离散周期信号傅里叶级数

    • 4.5 灰度图像-频域滤波 傅里叶变换之连续信号傅里叶变换（FT）

    • 4.6 灰度图像-频域滤波 傅里叶变换之采样定理

    • 4.7 灰度图像-频域滤波 傅里叶变换之离散时间傅里叶变换(DTFT)

    • 4.8 灰度图像-频域滤波 傅里叶变换之离散傅里叶变换(DFT)

    • 4.9 灰度图像-频域滤波 傅里叶变换之二维离散傅里叶变换

    • 4.10 灰度图像-频域滤波 概论

    • 4.11 灰度图像-频域滤波 滤波器

    • 4.12 灰度图像-频域滤波 同态滤波

    • 5.0 灰度图像-空域滤波 基础：卷积和相关

    • 5.1 灰度图像-图像增强 综合介绍

    • 5.2 灰度图像-图像增强 平滑之均值滤波、高斯滤波

    • 5.3 灰度图像-图像增强 双边滤波 Bilateral Filtering

    • 5.4 灰度图像-图像增强 中值滤波

    • 5.5 灰度图像-图像增强 锐化基础

    • 5.6 灰度图像--图像增强 拉普拉斯算子

    • 5.7 灰度图像-图像增强 非锐化掩蔽 （Unsharpening Mask）

    • 5.8 灰度图像-图像增强 Robert算子、Sobel算子

    • 5.9 灰度图像--图像增强 灰度变换

    • 5.10 灰度图像--图像增强 直方图均衡化（Histogram Equalization)

    • 5.11 灰度图像-图像增强 直方图匹配（规定化）Histogram Specification

    • 6.0 灰度图像-图像分割 综合介绍

    • 6.1 灰度图像-图像分割 边缘模型

    • 6.2 灰度图像-图像分割 边缘检测算子 综述

    • 6.3 灰度图像-图像分割 Robert算子

    • 6.4 灰度图像-图像分割 Sobel算子

    • 6.5 灰度图像-图像分割 Prewitt算子

    • 6.6 灰度图像-图像分割 Scharr算子

    • 6.7 灰度图像-图像分割 Sobel算子，Prewitt算子和Scharr算子平滑能力比较

    • 6.8 灰度图像-图像分割 Canny边缘检测

    • 6.9 灰度图像-图像分割 Marr-Hildreth算子（LoG算子）

    • 6.10 灰度图像-图像分割 霍夫变换(Hough Transform)--直线

    • 7.0 灰度图像-图像分割 阈值处理综述

    • 7.1 灰度图像-图像分割 阈值处理之平均阈值

    • 7.2 灰度图像-图像分割 阈值处理之P-Tile阈值

    • 7.3 灰度图像--图像分割 阈值处理之迭代均值阈值

    • 7.4 灰度图像-图像分割 阈值处理之谷底阈值、峰顶平均

    • 7.5 灰度图像-图像分割 阈值处理之OTSU阈值

    • 7.6 灰度图像--图像分割 阈值处理之补充说明

    • 7.7 灰度图像-图像分割 阈值处理之局部阈值

    • 7.8 灰度图像-图像分割 区域分割之区域生长

    • 7.9 灰度图像-图像分割 区域分割之区域分离

    • 7.10 灰度图像-图像分割 区域分割之分水岭算法

    • 8.0 彩色模型，CIE XYZ，CIE RGB

    • 8.1 彩色图像-色彩空间 综述

    • 8.2 彩色图像-色彩空间 RGB系列

    • 8.3 彩色图像-色彩空间 CMY(K)空间

    • 8.4 彩色图像-色彩空间 YIQ 、YUV 、YCbCr 、YC1C2 和I1I2I3

    • 8.5 彩色图像-色彩空间 CIELAB、CIELUV

    • 8.6 彩色图像-色彩空间 HSI(HSL)、HSV(HSB)

    • 8.7 彩色图像-色彩空间 总结

    • 9.1 彩色图像-伪彩处理 灰度图转伪彩色图像

    • 9.2 彩色图像-彩色变换 补色处理

    • 10.1 彩色图像-图像增强 直方图增强

    • 10.2 彩色图像-图像增强 图像平滑

    • 10.3 彩色图像-图像增强 图像锐化

    • 10.4 彩色图像-图像分割 彩色空间分割

  • 遗传算法

• 神经生物学

---

技术

• 语言

  • C++

  • Python

    • Web Crawler

      • 1.0 Introduction

      • 2.0 分析目标网站

      • 3.0 三只虫

      • 3.1 HTTP协议（一）

      • 3.2 HTTP协议（二）

      • 3.3 数据抓取

  • CUDA

    • 0.0 腾讯云CUDA环境搭建

    • 1.0 并行计算与计算机架构

    • 1.1 异构计算与CUDA

    • 2.0 CUDA编程模型概述(一)

    • 2.1 CUDA编程模型概述(二)

    • 2.2 给核函数计时

    • 2.3 组织并行线程

    • 2.4 设备信息查询

    • 3.1 CUDA执行模型概述

    • 3.2 理解线程束执行的本质（Part I）

    • 3.2 理解线程束执行的本质（Part II）

    • 3.3 并行性表现

    • 3.4 避免分支分化

    • 3.5 循环展开

    • 3.6 动态并行

    • 4.0 全局内存

    • 4.1 内存模型概述

    • 4.2 内存管理

    • 4.3 内存访问模式

    • 4.4 核函数可达到的带宽

    • 4.5 使用统一内存的向量加法

• 框架

  • OpenCV

    • OpenCV矩阵计算分析

  • TensorFlow .etc

• 设计实现框架

  • PineNut

---

随笔

• 其他

  • 推荐读物

  • 学习

  • Hexo博客搭建

  • Hexo畅言评论PC和移动端同步