AIWCZ的博客

原创 Python 输出图像像素，显示不全的解决

在import包后，加上这一行，完事。np.set_printoptions(threshold=np.inf)

原创 Python 判断列表中元素是否完全相同

将列表转换成集合即可a = [0,0,0,0]b = set(a) # {0}if len(b) == 1: # 1 print('True')

原创 Ubuntu下安装rar方式解压缩

Ubuntu18.04 默认仅支持以下三种类型文件的解压缩：①.zip ②.tar.xz ③.7z但rar方式的解压缩也是很常见的安装时，用apt-get即可sudo apt-get install rar解压命令(a-压缩，x-解压。解压时不填DirName，即默认当前路径，但压缩时必须要填)：rar a/x FileName.rar DirName...

原创 Python 删除文件夹及其中所有文件

os只能删除empty的文件夹。因此：import shutilshutil.rmtree(dirpath)

原创 NetworkX中的draw_networkx(画图工具)

def draw_networkx(G, pos=None, arrows=True, with_labels=True, **kwds): """Draw the graph G using Matplotlib. Draw the graph with Matplotlib with options for node positions, labeling, titles, and many other drawing features. See draw() for

原创 Python中List、numpy.array与torch.Tensor 之间的相互转化

list 与 numpy①list → numpyarray = np.array(list)②numpy → listlist = array.tolist()torch.Tensor 与 numpy①torch.Tensor → numpyarray = tensor.numpy()②numpy → listtensor = torch.from_numpy(array)list 与 torch.Tensor①list → tensortensor = torch.Ten

原创 佐久间浩 《乳腺超声入门》 读书笔记

1.超声探头有两种：电子线阵探头、机械扇形扫查探头(环阵探头)2.使用频率主要在 7.5~12.0 MHz 之间，高频探头虽可增加图像分辨率，但会降低扫查的深度。3.扫查步骤：只要能够全面检查到整个乳房即可。4.探头左右倾斜虽容易获得需要的图像，但不易获得良好的图像，因而可依照胸大肌和肋骨等深部结构的清晰程度作为判断图像是否良好的标准。5.检查时，两侧乳房一般需要3~5min，而如果利用AI这个时间的减少？6.对肿瘤大小的判断，需要测量立体的三个径线。7.乳房超声诊断标准。注意，由于诊断水平

原创 基于深度学习的Graph Matching中损失函数的理解

挖坑

原创 Ubuntu下 .AppImage文件的使用

该类文件不需要安装，直接打开即可正常使用软件。右键文件，点开最下面的属性。转到 权限 选项卡处。勾选Allow executiong file as program双击即可打开。

原创 看公式图片生成Latax公式代码的工具

Mathpix,全平台支持。

原创 用Python对.mat文件进行读取

import scipy.io as sciodataFile='data/WILLOW-ObjectClass/Car/Cars_000a.mat'data=scio.loadmat(dataFile)print(data)

原创 python中lower()函数

lower()函数将字符串中的所有大写字母转换为小写字母。

原创 Ubuntu系统查看隐藏文件和文件夹

CTRL + h

原创 Nvidia-Docker2安装过程中，报错：gpg: 找不到有效的 OpenPGP数据

由于墙的原因，无法访问 https://nvidia.github.io/nvidia-docker/gpgkey，造成安装失败。打开：github.io查询nvidia.github.io的IP地址将前4个ip 填入sudo vim /etc/hosts即

原创 解决Ubuntu系统断网问题

Ubuntu系统会每隔一段时间 lcp-echo-interval=30 （30s）检查是否有echo-reply信号，如果长时间不使用，连续 lcp-echo-failure=4 次都没有信号，Ubuntu就认为网络出现了问题，就会自行断开网络。sudo vi /etc/ppp/options找到lcp-echo-interval 和 lcp-echo-failure把值改大再重启网络sudo service network-manager restart...

原创 /var/cache/apt/archives内存已满的解决方案

改变安装包的存储位置，找一个存储空间充足的TargetPath，建立软连接sudo ln -s TargetPath /var/cache/apt/archives

原创 无U盘的Ubuntu双系统安装方法

前提①BIOS模式为： UEFI②快速启动已关闭③已禁用安全启动上述几步在本次安装中暂时没有发现问题，具体的操作步骤后续可能会补上，不是本次的重点。下载Ubuntu镜像下载 EasyUEFI启动项的制作①准备一个5G左右的分区，存放Ubuntu.iso解压后的文件特别注意，文件系统一定是格式化为FAT32，否则EasyUEFI中会出现无法选择分区的情况。②预留Ubuntu安装的磁盘空间到磁盘管理里去搞个50G以上(几百个G也可以)的 未分配空间 出来。③添加efi启动项然后进去了点

原创 Pycharm 查看代码修改历史

里面可以看到代码的修改历史，选择accept还可以对代码进行回滚。

原创 Pycharm给整个工程加上 # -*- coding:utf-8 -*- 及其他相关信息

原创 给虚拟环境指定CUDA版本

①在下列文件夹下建立.sh②写入内容ORIGINAL_CUDA_HOME=$CUDA_HOMEORIGINAL_LD_LIBRARY_PATH=$LD_LIBRARY_PATHexport CUDA_HOME=/usr/local/cuda-10.1export PATH=$PATH:$CUDA_HOME/binexport LD_LIBRARY_PATH=/usr/local/cuda-10.1/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}③再

原创 Error mounting /dev/sda4 at /media/wcz/WORK: Command-line `mount -t “ntfs“ -o 问题解决

两步：①安装sudo apt-get install ntfs-3g②修复sudo ntfsfix /dev/sda*

原创 Ubuntu下Github访问加速

获取两个Addressnslookup github.comnslookup github.global.ssl.fastly.net将两个Address写入hostssudo vim /etc/hosts文件末尾加上Address1 nslookup github.global.ssl.fastly.netAddress2 github.com刷新sudo /etc/init.d/networking restart...

原创 Ubuntu下显卡超频方式

按指南操作即可

原创 更改pip源

国内的一些pip镜像阿里云 https://mirrors.aliyun.com/pypi/simple/中国科技大学 https://pypi.mirrors.ustc.edu.cn/simple/豆瓣(douban) http://pypi.douban.com/simple/清华大学 https://pypi.tuna.tsinghua.edu.cn/simple/中国科学技术大学 http://pypi.mirrors.ustc.edu.cn/simple/临时使用：pip insta

原创 Ubuntu显卡驱动及相关深度学习环境安装

安装了很多次了，每次都要到处翻博客，就很烦，自己来整理一下关键步骤。注意：在驱动以及环境的搭建时，需要格外注意包之间版本的依赖关系，因此需要在最开始就确定所有包的版本依赖关系本次需要配置的环境是：Python 3.7, Pytorch 1.6(GPU), cuda10.1, cudnn7 and torch-geometric 1.6.3.在安装好Python 3.7后。一、由于不同Cuda版本对显卡驱动有要求摘自官网一般老的显卡，不能够更新很新的Nvidia驱动，因此老卡能够使用的Cuda版

原创 Ubuntu下Anaconda安装与使用

Anaconda官网只提供最新版本若想下载以往版本请前往清华mirrorAnaconda与Python版本的对应关系查询网站我这边要需要安装Python3.7 所以下载的 Anaconda3-5.3.0-Linux-x86_64.sh安装命令：sh Anaconda3-5.3.0-Linux-x86_64.sh唯一需要注意一点：安装地址最好不要更换，采用默认安装地址，yes就行。在终端键入：conda list出现下图内容就安装成功了至于Conda安装的最后提示的是否安装Micros

原创 更改Ubuntu截图快捷键

Ubuntu原本的截图快捷键太麻烦了在Keyboard 的 Shortcuts里对这一行进行了更改，用Alt+A来选择区域截图。

原创 Ubuntu安装搜狗拼音

挖坑

原创 利用环境配置文件快速更改Ubuntu中python默认指向

echo alias python=python3 >> ~/.bashrc #将定义的别名写入环境文件source ~/.bashrc #使更改生效或用vim直接打开环境文件写入相关内容也可

转载 安装python3.7出现ModuleNotFoundError: No module named ‘_ctypes’解决办法

sudo apt-get updatesudo apt-get upgradesudo apt-get dist-upgradesudo apt-get install build-essential python-dev python-setuptools python-pip python-smbussudo apt-get install build-essential libncursesw5-dev libgdbm-dev libc6-devsudo apt-get install zl

转载 win10 家庭中文版安装Hyper-V

原博客链接：win10 家庭中文版没有Hyper-V，这样安装一步搞定以管理员身份运行如下.cmd命令。pushd "%~dp0"dir /b %SystemRoot%\servicing\Packages\*Hyper-V*.mum >hyper-v.txtfor /f %%i in ('findstr /i . hyper-v.txt 2^>nul') do dism /online /norestart /add-package:"%SystemRoot%\servicing\Pa

原创 Graph Matching

受严骏驰老师讲座内容启发，最近项目中一个关键问题才找到了一些解决途径，为了能够快速对Graph Matching的起源和发展现状有一定了解，从而形成知识体系来更好得解决问题，准备慢下来，把这些知识沉淀下来，写成一篇blog。(讲座链接：https://www.bilibili.com/video/BV1Zf4y1S7Zr)Graph Matching 属于一种组合优化问题，图这类数据结构形式在推荐系统、知识图谱等中最为常见，而在计算机视觉领域中，为解决少样本学习或目标检测类别长尾分布等，图结构也有较多工

原创 GradNorm: Gradient Normalization for AdaptiveLoss Balancing in Deep Multitask Networks 论文笔记

①目的：1.促使不同任务损失的量级接近。2.促使不同任务以相近的速度来进行学习。②实现：总损失 = w1 *任务一损失 + w2*任务二损失 + w3*任务三损失对w1，w2，w3建模损失函数，实现①中的目的2.1 衡量任务loss的量级2.2 衡量任务loss的学习速度上式表示 相对反向训练速度，其越大，表示任务i在所有任务中训练越慢。2.3 Gradient Loss（GL）其中α是超参，其他的上面已经定义。①当某个任务的梯度标准化值 较 平均值过大或过小时 都会产生相应

原创 Is Sampling Heuristics Necessary in Training Deep Object Detectors? 论文笔记

我个人认为，这篇论文的行文逻辑比较清晰，实验数据也比较充分，可以作为自己写论文的一个范本进行学习。作者首先从一阶段与二阶段检测器的简要介绍开始，指出两者的共同点之一是都有采用anchor的机制，而其采用的anchor数量作者用massive来形容，但事实上只有很少的anchors会与物体相交较多，那么不采用anchor可以吗？当然可以，作者接着介绍了anchor-free的方式，最后引出本文想要解决的问题——the imbalance between foreground and background .

原创 数据结构中 图 的绘制（网页）

https://csacademy.com/app/graph_editor/

转载 排列组合的一些公式及推导(转载)

排列组合的一些公式及推导

原创 Ubuntu下 UltraEdit 破解/显色

UltraEdit 试用期到期后 或 使其代码着色，采用以下命令即可：rm -rfd ~/.idm/uex rm -rf ~/.idm/*.spl rm -rf /tmp/*.spl

原创 机器学习(深度学习)中的反向传播算法与梯度下降

这是自己在CSDN的第一篇博客，目的是为了给自己学习过的知识做一个总结，方便后续温习，避免每次都重复搜索相关文章。一、梯度下降目的：给定 目标函数|损失函数|代价函数|误差函数 ，根据梯度寻找函数值最小时，最优 自变量|参数 的值。可能出现的问题：由于深度神经网络1.较深的深度 2.非线性函数 这两个主要因素，导致目标的损失函数很容易为非凸函数，损失函数曲面中包含许多驻点，而驻点又分为：1.鞍点 2.局部极小值 3.全局极小值(希望能够找到的){附定义：1.驻点：函数的一阶导数为0的点(驻点也称