我的第一篇博客

最新推荐文章于 2023-07-13 17:39:41 发布

Albert_larry

最新推荐文章于 2023-07-13 17:39:41 发布

阅读量252

点赞数

本文链接：https://blog.csdn.net/Albert_larry/article/details/51509041

版权

好久之前就想写属于自己的博客了，用于记录自己的收获。对我来说，把博客当做是自己的笔记一样。开始咯。

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Albert_larry

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
我的第一篇博客

好久之前就想写属于自己的博客了，用于记录自己的收获。对我来说，把博客当做是自己的笔记一样。开始咯。
复制链接

扫一扫

CSDN第一篇博客

u010700726的博客

02-16

2091

CSDN第一篇博客CSDN第一篇博客CSDN第一篇博客CSDN第一篇博客CSDN第一篇博客CSDN第一篇博客CSDN第一篇博客CSDN第一篇博客CSDN第一篇博客CSDN第一篇博客CSDN第一篇博客CSDN第一篇博客CSDN第一篇博客CSDN第一篇博客CSDN第一篇博客CSDN第一篇博客CSDN第一篇博客CSDN第一篇博客CSDN第一篇博客CSDN第一篇博客CSDN第一篇博客CSDN第一篇博客CS...

第一篇博客.doc

10-08

这是一篇不忘初心的博客。第一次写博客的我还是不那么从容。

参与评论您还未登录，请先登录后发表或查看评论

我的第一篇CSDN博客

sky4403的博客

02-14

9132

我的第一篇CSDN博客，记录、分享自己的学习和工作感想，在这里建立起自己的技术天地。虽然来得晚，但 Better later than never ！

我的第一篇博客文章

m0_68662723的博客

07-13

1万+

开启编程之旅！！！

第一篇博客——（自我介绍篇）

XT3121000506的博客

05-17

1588

🎉🎉作为第一篇博客的开头，想当然的要介绍下自己。首先我是个黑龙江人，目前是广东省一所双非院校的21级机械类学生，目前为大一下。🐱‍🏍🐱‍🏍 🐱‍🐉🐱‍🐉我在大一上的时候，认为自己以后就是从业机械有关的工作，所以就没有接触编程这个领域，因此对编程产生了畏难情绪（当然，这是个错误想法！！！！！！）我们在大一下开设了C语言这门课程，老师课上讲的很难懂，书上代码完全不理解，作业也是什么都不会，完全就是靠抄，因此我进一步加深了我对编程的畏难情绪😢😢😢😢 ✨✨然而，事情出现了转机！！！！！我心想我认为我不能在C..

我的第一篇博客-前言

weixin_44700798的博客

11-29

2550

前言首先欢迎大家来看我写的博客，博客的主要内容为机器学习、深度学习、风控建模、大数据知识，希望可以和大家一起进步。对于我而言，一直以来是不想也不敢写博客的，原因很简单：市面上已经有很多大神写了很多优秀博客，我在学习的过程中，通过看博客学习到了不少知识；我自认才疏学浅，有些东西如果我没有完全弄清楚，怕写的东西不明白，误导别人；可能我比较懒吧o(╥﹏╥)o；今天之所以决定开始写博客，原因也很简单：最近我在复习机器学习的知识点，其中有很多自己探索的过程、发现，希望通过博客记录下来；抱着开源的

第一篇博客

wangkuangyu的博客

02-23

1570

第一篇博客现在是大一上学期刚结束的寒假，这是我第一次接触CSDN写下的第一篇博客。我与博客的缘分要从一个月前说起。上学期的c语言很是不理想，想着寒假学学c语言，有幸在b站跟着比特鹏哥学c语言，听鹏哥讲c是件快乐的事情，我也对c语言越来越感兴趣，从他那里不仅学到了一门c语言课程，更懂得了人生规划，人生目标也明朗起来。于是来CSDN注册了账号，写下第一篇博客。我是一名主修计算机的大一生，有幸在大一就能接触到博客，CSDN真是一个学习的地方，好多经典的程序被博主们写到博客中，供我学习，我也会经常写博客来表达

我在CSDN的第一篇博客

热门推荐

星辰

10-17

2万+

一直以来，学习笔记都是用Xmind写在自己电脑中的，写的多了，就觉得太乱了，每次翻看的时候很不方便，于是想搭建一个自己的博客。这几天试了很多，python+django的，typecho的，hexo+github的，都尝试了一下，但最后因为种种原因，还是选择了CSDN。从今天开始就在这里记录自己的成长历程咯，我会把我之前学过的，以及日常生活中用到的都记录到这里。主要涉及到以下几个方向： ...

第一篇博客，Hello World

zhou_chenz的博客

12-11

2071

Hello World! 这是我的CSDN第一篇博客，掐指一算，从学单片机开始，学习开发嵌入式软件已经5年了。终于找到一个小窝能够和大家一起分享交流技术。今天是一个美好的开始，你好，世界。

我的CSDN博客md源码(第1~50篇)

05-05

这个资源中的内容，是我自己写的CSDN博客的前50篇的MarkDown源码，是为了方便需要转载的人对我的博客进行转载而创建的。因为许多人转载后的博客都是直接暴力的复制粘贴，像LaTeX公式就失去了原来博客的效果（况且我...

第一篇博客：创建个人博客网站（hexo）.md

06-15

这是我在GitHub上写的博客，这篇博客也只是一些笔记，也可能对大家有作用，想把它分享给更多人，希望大家喜欢，不喜勿喷，嘻嘻

NLP相关资源，第一篇博客相关资源

05-27

NLP相关资源，第一篇博客相关资源

2020新年第一篇博客开始技术人生！

01-02

2020新年第一篇博客开始技术人生！2020新年第一篇博客开始技术人生！2020新年第一篇博客开始技术人生！2020新年第一篇博客开始技术人生！

（全新整理）上市公司数字经济与实体经济融合发展程度测算数据（2008-2022年）

09-06

1、资源内容地址：https://blog.csdn.net/2301_79696294/article/details/141966339 2、代码特点：今年全新，手工精心整理，放心引用，数据来自权威，相对于其他人的控制变量数据准确很多,适合写论文做实证用，不会出现数据造假问题 3、适用对象：大学生，本科生，研究生小白可用，容易上手！！！ 3、课程引用: 经济学，地理学，城市规划与城市研究，公共政策与管理，社会学，商业与管理

目标检测相关，yolo系列.zip

09-06

1 目标检测的定义目标检测（Object Detection）的任务是找出图像中所有感兴趣的目标（物体），确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的问题。目标检测任务可分为两个关键的子任务，目标定位和目标分类。首先检测图像中目标的位置（目标定位），然后给出每个目标的具体类别（目标分类）。输出结果是一个边界框（称为Bounding-box，一般形式为(x1,y1,x2,y2)，表示框的左上角坐标和右下角坐标），一个置信度分数（Confidence Score），表示边界框中是否包含检测对象的概率和各个类别的概率（首先得到类别概率，经过Softmax可得到类别标签）。 1.1 Two stage方法目前主流的基于深度学习的目标检测算法主要分为两类：Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段，主要用于生成潜在的目标候选框（Bounding-box proposals）。这个阶段通常使用卷积神经网络（CNN）从输入图像中提取特征，然后通过一些技巧（如选择性搜索）来生成候选框。第二个阶段是分类和位置精修阶段，将第一个阶段生成的候选框输入到另一个 CNN 中进行分类，并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高，缺点是速度相对较慢。常见Tow stage目标检测算法有：R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值，并利用这些特征值进行目标的分类和定位，不需要生成Region Proposal。这种方法的优点是速度快，因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低，因为它没有对潜在的目标进行预先筛选。常见的One stage目标检测算法有：YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框，对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制，作用是从众多预测边界框中挑选出最具代表性的结果，这样可以加快算法效率，其主要流程如下：设定一个置信度分数阈值，将置信度分数小于阈值的直接过滤掉将剩下框的置信度分数从大到小排序，选中值最大的框遍历其余的框，如果和当前框的重叠面积(IOU)大于设定的阈值（一般为0.7），就将框删除（超过设定阈值，认为两个框的里面的物体属于同一个类别）从未处理的框中继续选一个置信度分数最大的，重复上述过程，直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度，当预测边界框和真实边界框差异很小时，或重叠度很大时，表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度，是评估目标检测模型效果的最重要指标，这个值介于0到1之间，且越大越好。mAP是AP(Average Precision)的平均值，那么首先需要了解AP的概念。想要了解AP的概念，还要首先了解目标检测中Precision和Recall的概念。首先我们设置置信度阈值（Confidence Threshold）和IoU阈值（一般设置为0.5，也会衡量0.75以及0.9的mAP值）：当一个预测边界框被认为是True Positive（TP）时，需要同时满足下面三个条件： Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别预测边界框的IoU大于设定的IoU阈值不满足条件2或条件3，则认为是False Positive（FP）。当对应同一个真值有多个预测结果时，只有最高置信度分数的预测结果被认为是True Positive，其余被认为是False Positive。 Precision和Recall的概念如下图所示： Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值改变不同的置信度阈值，可以获得多组Precision和Recall，Recall放X轴，Precision放Y轴，可以画出一个Precision-Recall曲线，简称P-R

8051Proteus仿真c源码用数组的指针控制P0口8位LED流水点亮

最新发布

09-06

8051Proteus仿真c源码用数组的指针控制P0 口8 位LED流水点亮提取方式是百度网盘分享地址

常见各类算法的习题和解析.zip

09-06

常见各类算法的习题和解析.zip

STM32+74HC595驱动4位数码管显示0-3.zip

09-06

STM32+74HC595驱动4位数码管显示0-3,代码逻辑参考：https://blog.csdn.net/MANONGDKY/article/details/141952401

倾斜一篇关于Matplotlib的博客

03-25

Matplotlib是Python中最流行的数据可视化库之一。它可以绘制各种类型的图表，从简单的线图到复杂的三维图表。与其他绘图库相比，Matplotlib具有许多优点，例如易于学习和使用、广泛的文档和社区支持等等。本篇博客将介绍Matplotlib的基础知识和常用技巧。 Matplotlib基础知识： Matplotlib是一个面向对象的绘图库，它具有许多对象和方法。下面是Matplotlib对象的一些基本概念： 1. Figure：画布，它是最外层的容器。 2. Axes：坐标轴，它是Figure中的一个子对象。 3. Axis：X轴或Y轴，它是Axes对象的一部分。 4. Artist：图表中的所有部分，例如标题、标签、线条等等，都是Artist对象的实例。要使用Matplotlib绘制图表，首先必须创建一个Figure对象，然后在其中添加一个或多个Axes对象。接下来，使用Axes对象的方法来添加Artist对象。下面是一个简单的代码示例： ```python import matplotlib.pyplot as plt # 创建Figure和Axes对象 fig, ax = plt.subplots() # 添加Artist对象 ax.plot([1, 2, 3, 4], [1, 4, 2, 3]) # 显示图表 plt.show() ``` 在这个例子中，我们创建了一个Figure对象和一个Axes对象，然后在Axes对象中添加了一条线。最后，我们调用show()函数来显示图表。常用技巧： 1. 设置图表样式： Matplotlib提供了许多方法来设置图表样式，例如设置标题、标签、颜色、线型、线宽等等。可以通过调用Axes对象的方法来实现。例如： ```python # 设置标题 ax.set_title('My First Matplotlib Chart') # 设置X轴标签 ax.set_xlabel('X Label') # 设置Y轴标签 ax.set_ylabel('Y Label') # 设置线条颜色 ax.plot(x, y, color='r') # 设置线条线型 ax.plot(x, y, linestyle='--') # 设置线条线宽 ax.plot(x, y, linewidth=2) ``` 2. 绘制多个子图： Matplotlib可以在一个Figure对象中绘制多个子图。可以使用subplot()函数来创建子图，该函数将返回一个Axes对象，在其中添加Artist对象。例如： ```python # 创建一个2x2的子图 fig, axs = plt.subplots(2, 2) # 在第一个子图中绘制一条线 axs[0, 0].plot(x, y) # 在第二个子图中绘制散点图 axs[0, 1].scatter(x, y) # 在第三个子图中绘制条形图 axs[1, 0].bar(x, y) # 在第四个子图中绘制饼图 axs[1, 1].pie(y) ``` 3. 保存图表： Matplotlib可以将图表保存为PNG、PDF、SVG等格式。可以使用savefig()函数来保存图表，该函数将文件路径作为参数。例如： ```python # 保存图表为PNG格式 plt.savefig('mychart.png') # 保存图表为PDF格式 plt.savefig('mychart.pdf') # 保存图表为SVG格式 plt.savefig('mychart.svg') ``` 总结： Matplotlib是一个强大的数据可视化库，可以绘制各种类型的图表。本篇博客介绍了Matplotlib的基础知识和常用技巧，希望能够帮助初学者更快地上手Matplotlib。