- 博客(190)
- 资源 (5)
- 收藏
- 关注
RSS订阅
原创 毁掉一个人的往往不是不努力，而是完美主义
整理学习笔记时，突然想到一个问题。为什么明明花费了大量的时间，却成效甚微，很多事情都是这样。仔细总结了下，还是目标设置的太大了。目标宏大，太过用心，所以总是想尽善尽美，以至于在很多旁支末节上花费了大量的时间，消耗心力和精力，最终无法完成。目标导向很重要，完成永远比完美重要！大处着眼，小处着手，从最简单开始，逐步增加难度，才是稳步前进的不二法则。...
2021-04-16 16:26:28
381
原创 敞开心扉，相互依赖，才可能拥有爱情
太过独立的两个人没法最终走到一起，因为谁也不依赖谁，就缺少了那种可以将两人情感连接的粘合剂，缺少了那一丝丝的感动和冲动。请回答1988里说，如果想要崭新的关系，如果想拥有爱情，就必须越界。若是守住了界限，他跟你，只能到那里为止。所谓'界限'，或许是自己给自己设置的安全距离。不想依赖他人，可能只是'不敢'依赖他人，不相信自己是值得关爱的。幸福都是主动追求得到的,害怕失去，害怕丢面子只会让自己什么也得不到。拥有了才会失去，本身就没得到害怕个啥。...
2020-11-02 11:16:58
272
2
原创 为什么有的人讨人喜欢？本质上是亲和力吧，或者说不以自我为中心
从小就觉得，自己资质一般，所以没想过要非常富有，优秀。但是，总觉得自己不管多少岁，多要活得像个少年，有冲劲，要眼里有光。有的人说话幽默，并且能理解别人，说出来的话如沫春风，他的情绪，对生活的态度往往能感染到我们。有的人说话刻薄冷漠，无时无刻不在秀优越感。如果我们想交到真心的朋友，有良好的朋友圈，那一定注意自己的言行，真心为别人考虑。在大事上精明，小事糊涂。性格决定命运，也决定人际关系。活得真实，不去伪装，接受自己的不完美，不代表不去改变。跟着希望跟着光，让宽容，豁达，善良，果敢，善于倾听，会
2020-10-22 18:13:15
301
2
原创 愿历经千帆，归来仍是少年
独立不改，周行不怠，大道不止。权钱可以共享，道路不一致又怎么能共行？ 在成长过程中，我们每个人都会受环境的影响，会逐渐形成自己的价值观。但始终要明确，想成为伟大的人，一定是苦难与无奈相伴。可以渺小，但不能没有理想信念，如果有得选，做一个理想主义者又未尝不好。...
2020-10-21 15:12:33
151
原创 常用conda操作
1、创建新环境conda create --n <env_name> <package_names>conda create -n py37 python=3.7Attention：默认情况下，新创建的环境文件将会被保存在/Users/<user_name>/anaconda3/env中2、切换环境Ubuntu 激活(进入)某个环境source activate <env_name>解除(退出)某个环境source deactivat.
2020-10-19 15:46:01
261
1
原创 stay_foolish_stay_hungry(没事多看看)
http://noahsnail.com/2018/05/24/2018-05-24-Unbroken/https://www.jianshu.com/u/7731e83f3a4e
2020-09-10 17:39:48
106
原创 长沙行程
Day1：湖南省博物馆，晚上太平街，坡子街吃吃吃。Day2：湖南大学(2小时)→岳麓山风景名胜区(2小时)→爱晚亭(2小时)→岳麓书院(2小时，可选，含门票)→橘子洲景区(2小时)岳麓山南门上（湖南大学内），东门索道下（25）。东门出步行至荣湾镇地铁站，乘坐地铁去橘子洲。橘子洲坐观光车进（20），否则太浪费时间。Day3：文和友，谢子龙，其他时间吃吃吃美食：长沙小吃都挺不错的1.光脑壳家常菜馆 面粉 （下午4.30开门）地点：长沙市春风街与轩辕巷交叉口东北50米...
2021-05-07 10:38:57
663
2
原创 天津行程
行程D1津湾广场(2小时)→意大利风情街(2小时)→古文化街(2小时)→天津之眼(1小时)D2五大道(2小时)→天主教天津教区西开主教座堂天主堂(0.5小时)→瓷房子(0.5小时)→劝业场商场(和平路店)(2小时)→南市食品街(2小时)天津夜景不错，适合拍照，时间够的话可以听个天津相声。但总体感觉，好玩的地方不是很多。早餐系列：陈记锅巴菜（早餐）地点：天津市和平区重庆道104号近桂林路近师范大学点菜：锅巴菜（必点），煎饼果子（双蛋加果篦），果子（油...
2021-05-07 09:54:26
517
原创 互联网协议入门
转载自：http://www.ruanyifeng.com/blog/2012/05/internet_protocol_suite_part_i.html一、概述1.1互联网的五层模型： 1.2 层与协议每一层都是为了完成一种功能。为了实现这些功能，就需要大家都遵守共同的规则。大家都遵守的规则，就叫做"协议"（protocol）。规定网络地址的协议，叫做IP协议。它所定义的地址，就被称为IP地址。IP协议完成路由寻址和消息传递的功能，广泛采用的是IP协议第四版，简称IPv4。...
2021-04-15 23:20:45
24
原创 计算机网络-tcp/ip协议
1. 先简单介绍一下冯诺依曼计算机模型：计算机是如何工作的，冯诺依曼体系结构是最好的体现，如图1。冯诺依曼结构是由数学家冯·诺依曼提出，主要由运算器、控制器、存储器、输入设备、输出设备5部分组成。参考自：https://blog.csdn.net/Mydf521212/article/details/106425356/要点1.数据和指令一视同仁，都采用二进制存储。2.按照程序顺序执行，也就是按照顺序从内存中一条一条读取指令。组成1.运算器：顾名思义，主要进行计算，算术运算、逻辑运.
2021-04-13 17:36:31
65
原创 数学公式识别神器—Mathpix Snip
https://zhuanlan.zhihu.com/p/63918634Mathpix Snip的使用方法官网下载安装完成后，Mathpix Snip会在后台运行即隐藏在任务栏，按快捷键Ctrl+Alt+M唤醒软件框选出要识别的公式，即可识别出框选区域的公式。插入到WordWord安装mathtype插件，然后直接复制latex公式代码即可...
2021-04-02 10:31:40
641
原创 模型压缩方法
https://blog.csdn.net/yimeixiaobai_/article/details/105639817剪枝：去掉训练好的神经网络中的冗余权重量化：将高比特的大网络量化为低比特蒸馏：使用训练好的大网络中的信息辅助小网络进行训练深度神经网络知识蒸馏综述http://www.360doc.com/content/20/1023/09/65393780_941857381.shtml...
2021-03-18 17:01:14
148
原创 托福听力_辨音
fill upa ton ofa long shot 机会不大， 这个口语表达的本意是打球时的“远投”“远射”,既然是远投远射,成功的机率就很小opening 空缺janitorial 看门的;管理的asterisk 星号frameclose-ups 特写镜头fittingjuxtapose...
2020-12-03 11:02:03
349
转载 PyTorch学习之十种优化函数
优化函数位于torch.optim包下：1 使用optimizer = optim.SGD(model.parameters(), lr = 0.01, momentum=0.9)optimizer = optim.Adam([var1, var2], lr = 0.0001)2 基类 Optimizertorch.optim.Optimizer(params, defaults)params (iterable) —— Variable 或者 dict的iterable。指定了
2020-10-20 11:39:28
896
转载 cs231_n7.3_迁移学习
1. 迁移学习(Transfer learning) 顾名思义就是把已训练好的模型参数迁移到新的模型来帮助新模型训练。2. 深度学习的模型可以划分为 训练 和 预测 两个阶段。 训练 分为两种策略：一种是白手起家从头搭建模型进行训练，一种是通过预训练模型进行训练。 预测 相对简单，直接用已经训练好的模型对数据集进行预测即可。 3. 迁移学习有几种方式 1）Transfer Learning ：冻结预训练模型的全部卷积层，只训练自己定制的全连接层。...
2020-10-19 09:54:40
218
转载 linux下桌面快捷启动_以matlab安装为例
安装成功后，切换到安装路径的 bin 文件夹下面，然后执行 sudo ./matlab启动。为了方便，将这条写进了自己的版本管理文件init_all.shexport PATH=/home/visd/matlab14/bin:$PATH cd /home/visd/matlab14/bin sudo ./matlab echo '**************************' echo '' echo 'change to matlab' echo
2020-10-16 12:06:02
1414
转载 Stanford CS231n 课程笔记 || 参数更新、数据预处理、权重初始化、批量归一化、正则化
一般情况下，对于正则化（规则化）方法，通常使用batch normalization就可以了，它可以帮助收敛，特别是非常深的网络。如果仍然过拟合，可以增加dropout或一些其他的东西。关于神经网络参数更新，强烈推荐这篇文章：An overview of gradient descent optimization algorithms参考链接：CS231n课程笔记翻译：神经网络笔记 2CS231n课程笔记翻译：神经网络笔记3（下）深度学习最全优化方法总结比较（SGD，Adagrad，
2020-10-16 00:16:03
151
转载 cs231_n7.1更好的优化
更好的优化算法： https://blog.csdn.net/wildridder/article/details/88571007一个框架看懂优化算法之异同 SGD/AdaGrad/Adam： https://zhuanlan.zhihu.com/p/32230623深度学习优化函数详解（5）-- Nesterov accelerated gradient (NAG): https://blog.csdn.net/tsyccnh/article/details/76673073训练神经网络..
2020-10-15 18:03:31
96
转载 cs231_n6.2_批量归一化
想要保持单位高斯激活，那么就需要做批量归一化，即在神经网络中额外加入一层，以使得中间的激活值均值为0方差为1。如果我们想要正确的激活单位高斯函数，我们可以取目前处理的批数据的均值，利用均值和方差来进行归一化，如果我们要在训练的每一层都保持良好的高斯分布，就需要进行批量归一化。而且需要它能够微分，这样才能在梯度反向传播的时候计算局部梯度。 这一步通常在全连接层（或卷积层）与激活函数之间进行。批量归一化处理的是输入数据而不是权重。在完成归一化操作后，需要进行额外的缩放操作，γ和β都是学习到的参数，.
2020-10-15 11:22:26
182
转载 cs231_n6.1_激活函数
激活函数：如果不用激活函数，每一层的输出都是上一层的线性组合，从而导致整个神经网络的输出为神经网络输入的线性组合，无法逼近任意函数。 1. sigmoid：数据压缩到[0,1]之间 问题：1）饱和的神经元导致梯度消失，输入非常大（10）或非常小（-10）时，其梯度接近于0，导致信息丢失，难以训练 2）输出不是以0为均值 3）指数运算计算量大，且梯度反传，求导设计除法（问题不大）2. tanh: 数据压缩到[-1,1]之间...
2020-10-14 23:49:14
202
转载 谈谈激活函数以零为中心的问题
今天在讨论神经网络中的激活函数时，陆同学提出 Sigmoid 函数的输出不是以零为中心的（non-zero-centered），这会导致神经网络收敛较慢。关于这一点，过去我只是将其记下，却并未理解背后的原因。此篇谈谈背后的原因。神经元 图片来自：https://zhuanlan.zhihu.com/p/25110450如图是神经网络中一个典型的神经元设计，它完全仿照人类大脑中神经元之间传递数据的模式设计。大脑中，神经元通过若干树突（dendrite）的突触（synapse），接受其他神经元.
2020-10-14 17:04:34
1361
1
原创 cs231_n5.2卷积神经网络
CNN通常由卷积层，池化层和全连接层堆叠而成，卷积层之后常使用激活函数(例如Relu)对其输出进行处理。CNN能够保留输入的空间结构。注意：如果没有激活函数的话，多层网络叠加在一起，相当于一个等价的线性方程，无法解决线性不可分的问题（非线性激活增加了网络的表达能力）。卷积操作：将filter在x上进行滑动，计算出每一个空间定位时的点积结果。也就是将filter的每个位置元素和与之对应图像区域region的像素值相乘，即，b为偏置。(W是和x同样大小的图像块，滑动filter可以获得整个feature
2020-10-13 17:40:05
151
转载 cs231_n4.2神经网络
反向传播回顾背景模型 SVM损失/softmax损失 整体损失函数 目标 找到使得L最小的W。为了找到W，需要求L在W方向上的梯度。 反向传播反向传播是指在神经网络中，将上层节点的梯度值进行反向地传播，进而求解整个网络节点上的梯度，可以递归地调用链式法则，来计算图中每个变量的梯度。 整个网络的输出节点的梯度值为1。对于中间节点来说，它的输出部分会接收来自上层节点的梯度值。该节点中所有的输入都有对应的局...
2020-10-13 11:30:43
110
转载 cs231_n4.1_反向传播
1. 反向传播是利用链式法则递归计算表达式梯度的方法。2. 反向传播的直观理解：反向传播是一个优美的局部过程。在整个计算线路图中，每个门单元都会得到一些输入并立即计算两个东西：这个门的输出值，和其输出值关于输入值的局部梯度。链式法则指出，门单元应该将回传的梯度乘以它对其的输入的局部梯度，从而得到整个网络的输出对该门单元的每个输入值的梯度。3. 模块化：Sigmoid例子 任何可微分的函数(加/减/乘方等)都可以看做门,可以将多个门组合成一个门，也可以根据需要将一个函数分拆成...
2020-10-12 22:23:24
86
原创 cs231_n3.1_Loss_Function
线性分类器可以解释为每个种类的学习模板，对图里的每个像素，以及10个分类里的每一项，矩阵W都有一些对应项,告诉我们那个像素对那个分类有多少影响。也就是说矩阵w里的每一行，都对应一个分类模板，如果我们揭开这些行的值(成图片的大小)，那么每一行又分别对应一些权重，每个图像像素值和对应那个类别的一些权重，将这行分解回图像的大小，我们就可以可视化学到的每个类的模板。还有一种对线性分类器的解释是，学习像素在高维空间的一个线性决策边界，其中高维空间就对应了图片能取到的像素密度值。 ...
2020-10-12 12:04:12
86
原创 cs231_n3.2优化
首先搞清楚三个概念及其相互关系（计算机视觉的基本任务）： 分类器：线性函数/神经网络/卷积神经网络---实际学习的是参数集W（也可以理解为学习每个类别的模板） 损失函数：评估得到的W的好坏 如Li=f(xi,W)-yi f为预测标签，yi是真实标签 f=Wx (最)优化：寻找能使得损失函数值最小化的参数W的过程（寻找最优的W）最优化 Optimization策略#1：一个差劲的初始方案：随机搜索策略#2：随机本地搜索策略#3：跟随梯度：1 利用有限差值计算...
2020-10-12 12:03:04
75
转载 正则化为什么可以防止过拟合
正则化方法：防止过拟合，提高泛化能力转载文章：https://www.cnblogs.com/alexanderkun/p/6922428.html在训练数据不够多时，或者overtraining时，常常会导致overfitting（过拟合）。其直观的表现如下图所示，随着训练过程的进行，模型复杂度增加，在training data上的error渐渐减小，但是在验证集上的error却反而渐渐增大——因为训练出来的网络过拟合了训练集，对训练集外的数据却不work。为了防止overfitting，
2020-10-10 10:30:23
7163
转载 深度学习500问
https://github.com/scutan90/DeepLearning-500-questions第一章 数学基础 11.1 标量、向量、张量之间的联系 11.2 张量与矩阵的区别？ 11.3 矩阵和向量相乘结果 11.4 向量和矩阵的范数归纳 11.5 如何判断一个矩阵为正定？ 21.6 导数偏导计算 31.7 导数和偏导数有什么区别？ 31.8 特征值分解与特征向量 31.9 奇异值与特征值有什么关系？ 41.10 机器学习为什么要使用概率？ 41.11 变量与随机
2020-10-09 16:17:21
2197
原创 ModuleNotFoundError: No module named ‘zmq‘
启动visdom.server时报错：ModuleNotFoundError: No module named 'zmq' pip install zmq ，安装报同样的错误 pip list显示已安装，所以只能是版本不对或者不是python 版的pip uninstall zmq (卸载)pip install pyzmq（安装python 版本即可)...
2020-09-30 11:15:31
8292
3
转载 faster rcnn全过程
转载自：https://www.cnblogs.com/king-lps/p/8995412.html总结自论文：Faster_RCNN：https://arxiv.org/pdf/1506.01497.pdf，与Pytorch代码：https://github.com/chenyuntc/simple-faster-rcnn-pytorch本文主要介绍代码最后部分：trainer.py 、train.py ， 首先分析一些主要理论操作，然后在代码分析里详细介绍其具体实现。首先是训练与测试的过程图.
2020-09-29 15:00:08
767
1
转载 Linux常见命令汇总（累积中。。。）
转载自：https://blog.csdn.net/shanglianlm/article/details/848491931 Linux下统计当前文件夹下的文件个数、目录个数统计当前文件夹下文件的个数，包括子文件夹里的ls -lR|grep "^-"|wc -l1统计文件夹下目录的个数，包括子文件夹里的ls -lR | grep "^d" | wc -l1统计当前文件夹下文件的个数ls -l | grep "^-" | wc -l1统计当前文件夹下目录的个
2020-09-29 14:55:55
132
转载 PyTorch学习之归一化层（BatchNorm、LayerNorm、InstanceNorm、GroupNorm）
https://blog.csdn.net/shanglianlm/article/details/85075706
2020-09-29 14:53:45
188
转载 高光谱方法及代码
https://xueshu.baidu.com/usercenter/paper/show?paperid=197w00b0nw0k0cv01a5g06k075498447&site=xueshu_sehttps://blog.csdn.net/haoji007/article/details/81154338https://cdmd.cnki.com.cn/Article/CDMD-10701-1017297118.htmhttp://d.wanfangdata.com.cn/the
2020-09-24 10:15:50
1549
转载 高光谱数据
1：Washington DC Mal,Indian Pine等https://engineering.purdue.edu/~biehl/MultiSpec/hyperspectral.html2：Indian Pines,Salinas,Pavia Centre and University,Cuprite等http://www.ehu.eus/ccwintco/index.php?title=Hyperspectral_Remote_Sensing_Scenes3：hydice的...
2020-09-16 11:40:08
1582
转载 目标检测之非极大值抑制
基本思路：从待检测目标中先按照分类置信度，找一个最可信的框。然后判断其他框和它的交并比(IoU),如果大于阈值TH，说明相似，抑制掉就好了。１．局部最大搜索目标检测问题的老大难问题之一就是如何提高召回率（所有标注的真实边界框有多少被预测出来了）。 即recall=正检／（正检＋未检）这就导致最后输出的边界框数量往往远大于实际数量，而这些模型的输出边界框往往是堆叠在一起的。因此，我们需要NMS从堆叠的边框中挑出最好的那个。 ２．何时使用NMS？ When NMS?
2020-09-10 22:20:21
1855
转载 条件随机场
之前行人重识别的某一篇文献中用到过，重新学习、理解下：https://www.cnblogs.com/kerwins-AC/p/9584862.html
2020-09-06 19:50:37
68
原创 Faster RCNN和SSD代码解读
https://blog.csdn.net/weixin_41693877/category_10154270.html
2020-09-06 17:36:55
166
【机器学习线性代数】03 再论矩阵：空间映射关系的描述_机器学习数学基础系列专栏-CSDN博客.html
2021-12-21
static.zip
2020-08-12
Winhlp32 的 Windows 10 / Windows 8 解决方案
2018-11-06
AES加密解密,iOS,Android,Java,.Net通用
2018-11-06
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人