One day, New day.

[toc] 本人博客https://qinzheng7575.github.io/ 自己聚合例子为了能够实现想要的各种FL架构，我们必须学会怎么改造官方例子，使之能够自己聚合、训练，在自己聚合方面，有这样一个例子: 123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172import torchimport copyimport syft as syfrom torch import nnfrom torch import optimhook = sy.TorchHook(torch)# 工作机作为客户端，用于训练模型，安全工作机作为服务器，用于数据的整合及交流Li = sy.VirtualWorker(hook, id='Li')Zhang = sy.VirtualWorker(hook, id='Zhang')secure_work ...

[toc] 本人博客https://qinzheng7575.github.io/ Pytorch与PySyft安装 基本上按照这个 教程 来就可以，注意的是要查看自己的CUDA版本，我的就是10.1，所有安装了CUDA版的pytorch。会像如下报很多包的缺失也没关系： 一个一个安装就好了，值得注意的是某些包安的时候可能安不上去，应该是因为依赖的关系，先装其它包就好了，就像我是最后安装Flask和requests的，要先把其它的包安装完。 实验代码： 123456789101112131415161718192021222324252627282930import syft as syimport torchimport sysfrom torch.nn import Parameterimport torch.nn as nnimport torch.nn.functional as Fhook = sy.TorchHook(torch)print(hook)print(torch.tensor([1,2,3,4,5]))x = torch.tensor([1,2,3,4,5] ...

[toc] 本人博客https://qinzheng7575.github.io/

[toc] 本人博客https://qinzheng7575.github.io/ 前言之前的项目，已经能够很好的实现socket的一些基础操作，但是距离一个真正的通信类应用程序还是差距很多，在接下来的项目3、4中，依然遇到了很多问题，有些是因为粗心，而有些则是因为对函数和套接字的理解还不够，接下来就按照问题复盘的形式，重新看一看自己遇到的问题 文件操作错误错误内容：”段错误(核心已转储)“core dumped 原因： 文件读取的时候，feof和fread一起使用可能会导致错误，因为二者判断文件文件结尾有所不同。 用fread的返回值进行判断是否结束，因为feof是文件指针真正到达文件末尾后才返回-1，所以同样已函数返回结果作为循环判断结束依据的话，feof会比fread多一次循环。 fread是成段成段的读取，即便文件指针还没到末尾，但如果读取的段到了文件末尾，就返回0，而文件指针经过这次读取后才到达文件末尾。 解决方法： ==最后选择了根据fread的返回值判断是否结束，而没有采用feof。== 错误内容文件读写完fclose时指针发生异常 原因： fread会改变文件指针（Fi ...

[toc] 本人博客https://qinzheng7575.github.io/ 写在开始之前在听到这个单元的主题的时候，瞬间想起了在大三上学期那次字节的面试，被问到自己做过的项目的时候，就问我对于通信瓶颈怎么去判断、处理的，以前从来没有接触过这样的问题，也没有思考过这种多线程啊，多任务啊，搞并发问题。后来，自己好好看了python的并发，也算是了解了应用（主要是函数的应用），但是呢，显然了解语言、函数背后的思想更为重要。也是上面的遭遇，让我想要仔细的去学习这一章。:slightly_smiling_face: 什么是高效传输？我们在利用网络传输消息的时候，当然期望能够尽可能压榨资源为我所用！也就是说要不停的send，直到系统承受不住send失败了为止。 问题来了，send失败了怎么办？立刻再开始下一次send？肯定不行，因为往往网络的堵塞是有持续性的，有极大概率会send失败。所以最好是等系统有能力的时候，立刻继续。 几个方案类似阻塞，不成功就一直发送我们可以设置一个templen代表已发送的全部数据，每次获取send的返回值加在templen上，直到等于想要发送的数据长度为止 ...

[toc] 本人博客https://qinzheng7575.github.io/ 前言在之前写的socket通信程序中，有一个服务器，一接收到消息就会回复一个ACK；有一个客户机，一直等待输入按下回车就可发送。这似乎已经很完美了，能够实现通信，但是，稍微想想它和我们日常使用的聊天程序QQ、微信之间的区别，就能够发现，哦，原来完全没法做到真正的“自由聊天”。 目标与关键技术 编写两对简单的一对一聊天程序，分别为面向连接方式和无连接方式 双方可以自由聊天，即随时都可以输入或显示对方的数据 要实现第二个，看起来很简单，其实需要引入全新的机制：多路复用机制 我们能不能不用非得等到对面回复了东西才能继续发?能不能在scanf阻塞等待输入的时候，我先接收对面的东西？要想避免线性流水线式的程序模型，就必须引入多路复用，而select机制，就是时分复用实现多路复用的形式。 select()功能：检查多个套接字状态，将其放在对应的队列中，我们就可以根据不同的队列来进行操作了 意味着：每次只要是队列里的socket，就必定代表它发生了某种事情，导致了它在这个队列里面，那么我们接下来的操作肯定可以 ...

[toc] 前言：在做GAN的时候，发现人家的代码都是用fire来控制输入的，觉得很实用，方便把一个大工程控制参数，因此来学习下 〇.遇到的小问题！！！shell命令的时候，函数后面需要空一格再打要传入的参数！ 12>python first.py test --name=QIN --age=21name is QIN,age is 21 and address is ('sc', 'cd'). Ⅰ.全部暴露什么都不做，只是在调用的时候fire.Fire()，会把所有程序暴露给命令行（我猜这个暴露的意思类似于是否private） 12345678import firedef hello(name): return('Hello {name} !'.format(name=name))if __name__ == "__main__": fire.Fire() python first.py hello QIN#hello 是为了指定hello函数Hello ...

本人主页 三个阶段： 首先根据这个看一看，试着做一次 然后是书上的生成动漫头像 最后是使用数据集的这个例子 emoji集合~ [toc] 前言在基本的GAN熟知了之后，我们先聊一聊上次的第一部分做了什么：首先，我们有一堆按照某个规律分布的数据，但是我们完全不知道它的特点，比如在这里我们就在这两条线之间生成了样例数据，显然，这个样例数据似乎也长着一个二次曲线的样子。 经过GAN的对抗之后，生成器生成的数据已经很接近二次曲线形状了。并且当我把样例数据的分布改变——比如改成在$y=x+1$附近的时候，也能够生成差不多对应的直线。 那么，如果我们的输入，不再是简单的线性分布，而是一张图片呢？看起来其实也就是把真实样本数据的输入维数64×15变成了64×15×3（rgb），但此时就应用到另一个针对图片的工具，CNN，所以就诞生了DCGAN。 数据集来源：scraped from www.getchu.com, which are then cropped using the anime face detection algorithm in https://gith ...

本人主页 首先根据这个看一看，试着做一次https://zhuanlan.zhihu.com/p/117529144 然后是书上的生成动漫头像 最后是使用数据集的这个 https://pytorch.apachecn.org/docs/1.4/13.html [toc] 小知识点np.vstack()和np.hstack()前者按垂直方向（行顺序）堆叠数组构成一个新的数组 12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455In[3]:import numpy as npIn[4]:a = np.array([[1,2,3]])a.shapeOut[4]:(1, 3)In [5]:b = np.array([[4,5,6]])b.shapeOut[5]:(1, 3)In [6]:c = np.vstack((a,b)) # 将两个（1,3）形状的数组按垂直方向叠加print(c)c.shape # 输出形状为（2,3）[[1 2 3] [ ...

目录： [TOC] 所有神经网络介绍 机器学习分类——综述《A survey of ML to self organizing cellular networks》对整个SON，从应用上针对具体使用的不同方面来讨论了机器学习和SON的关系。但是相对来说对SON的介绍更多一些 接下来看《Artificial Neural Networks-Based Machine Learning for Wireless Networks_ A Tutorial》和《Deep Learning in Mobile and Wireless Networking A Survey》。前者对神经网络的介绍比较充分，对于建立框架来说更有价值一些。 $\LaTeX$表 《A survey of ML to self organizing cellular networks》读后感机器学习应用到SON上的点，无非是从SON的整个构建过程来说的，在不同的时间不同的阶段，去解决在不同阶段的问题。 三个阶段——自动配置、自动组网、自动修复，我们先梳理一下在这三个阶段中可能遇到的问题。 文章一开始，给了机器学习的 ...