创意无限，纪念不止——我的创作纪念日

最新推荐文章于 2024-03-29 15:41:09 发布

爱笑的男孩。

最新推荐文章于 2024-03-29 15:41:09 发布

阅读量600

点赞数 17

分类专栏：活动文章标签：创作纪念日

本文链接：https://blog.csdn.net/Code_and516/article/details/130924199

版权

活动专栏收录该内容

20 篇文章 3 订阅

订阅专栏

作者主页：爱笑的男孩。的博客_CSDN博客-深度学习,活动,python领域博主爱笑的男孩。擅长深度学习,活动,python,等方面的知识,爱笑的男孩。关注算法,python,计算机视觉,图像处理,深度学习,pytorch,神经网络,opencv领域.https://blog.csdn.net/Code_and516?type=blog个人简介：打工人

持续分享：机器学习、深度学习、python相关内容、日常BUG解决方法及Windows&Linux实践小技巧。

如发现文章有误，麻烦请指出，我会及时去纠正。有其他需要可以私信我或者发我邮箱:zhilong666@foxmail.com

你过去写得最好的一段代码是什么？请用代码块贴出来

职业规划、创作规划

职业规划

创作规划

最初成为创作者的初心

        在学校的时候，我有幸遇到一个热心且努力的同学，虽然他很努力，但是他学习很慢，不过呢，他非常喜欢学习，他有很多重要的知识和技能了解的都不是很深，所以他有不会的地方就会来问我。我刚开始呢，其实不是很想教他，因为那个时候我还不知道他喜欢学习且很努力，我那个时候跟他也不熟，只是在成绩上知道他是我们班里末尾的那一部分人，所以...咳咳。
        可是后来啊，他找我的次数越来越多，我也慢慢的跟他熟悉了起来，熟悉起来后呢，我才知道，他很努力，非常非常的努力。他知道他自己学习慢，所以他让我看了一个东西，我看了后，心里有种说不出来的感受，各种笔记加我平常教他的一些步骤及思路和答案。。这是我第一次遇到一个明明知道自己在学习上没有优势，比别人落后了好多倍，却还在坚持努力去学习的人，从那个时候起，我就经常会看他学习。。
        有一次，我想看他在学什么的时候，就看到了他在写博文，我教他的一些步骤他也写到了博文里，我问他为什么要写这个呢，他说：“写这个可以帮助别人，也能让自己回顾”，也就是这样,我也就有了想写博文的念想。后来我开始研究CSDN，然后慢慢的开始了我的创作。。
        我创作的初心呢，就是想帮助别人的同时可以做一个自己的笔记。现在嘛，初心不变。当然了，如果能成为一个优秀的CSDN博主，我也会很开心的，嘿嘿~

在创作的过程中都有哪些收获

获得了多少粉丝的关注

2022年5月28日创作了我的第一篇文章后，到现在，我一共获得了992个粉丝，马上就破1000啦，好开心~

获得了多少正向的反馈，如赞、评论、阅读量

从我开始创作后呢，我获得了198次点赞、185次评论、200次收藏、总阅读量40000+；真的没有想到会有很多人访问我的文章，谢谢各位，我会继续努力的！！！

认识和哪些志同道合的领域同行

我参加了很多活动文章，也参加过周赛和新星计划。在活动文章中我看到了很多很多非常优秀的博文，他们的文章让我学到了很多。在参加周赛的时候，我见到了好多大佬，他们用了很短的时间就完成了比赛且都是满分，真的让我很震撼。在新星计划中，我加入了导师的群，里面全是高材生，还有很多牛人，我跟他们聊天时，他们的思路，他们的知识，真的好厉害，我好佩服。我会跟他们一起共同学习，共同进步！！！

当前创作和你的工作、学习是什么样的关系

创作是否已经是你生活的一部分了

这个怎么说呢，在日常的生活中，我也不是经常去写博文，在工作上遇到一些问题的时候，我会把问题截图保留下来，然后按照自己的思路开始解决问题，如果成功解决了呢，我会把步骤记录下来，然后写写博客，发布出来；要是没解决就无奈啦~只能继续寻找答案咯。

有限的精力下，如何平衡创作和工作学习

这个嘛，很简单的啦，把事情按照重要性排列，先完成重要的事情，然后再去处理其他事情；设定每天的计划和目标，合理的安排时间，避免浪费时间；减少无意义的社交活动（如刷社交媒体），选择对自己有益的活动；将工作从紧急和重要的任务开始，避免拖延导致工作紧急；每天设定一定的时间，专心致志地进行创作工作；在日程表上留出时间学习，不断进步！！

你过去写得最好的一段代码是什么？请用代码块贴出来

非极大值抑制，这代码因为简单，所以我都背下来了，哈哈哈。

#导入数组包
import numpy as np
import matplotlib.pyplot as plt#画图包
 
#画图函数
def plot_bbox(dets, c='k'):#c = 颜色 默认黑色
    # 边界框的坐标
    x1 = dets[:, 0]  # 所有行第一列
    y1 = dets[:, 1]  # 所有行第二列
    x2 = dets[:, 2]  # 所有行第三列
    y2 = dets[:, 3]  # 所有行第四列
 
    plt.plot([x1, x2], [y1, y1], c)#绘图
    plt.plot([x1, x1], [y1, y2], c)#绘图
    plt.plot([x1, x2], [y2, y2], c)#绘图
    plt.plot([x2, x2], [y1, y2], c)#绘图
    plt.title("nms")#标题
 
#nms 算法
def py_cpu_nms(dets, thresh):
    #边界框的坐标
    x1 = dets[:, 0]#所有行第一列
    y1 = dets[:, 1]#所有行第二列
    x2 = dets[:, 2]#所有行第三列
    y2 = dets[:, 3]#所有行第四列
    #计算边界框的面积
    areas = (y2 - y1 + 1) * (x2 - x1 + 1) #(第四列 - 第二列 + 1) * (第三列 - 第一列 + 1)
    #执行度，包围盒的信心分数
    scores = dets[:, 4]#所有行第五列
 
    keep = []#保留
 
    #按边界框的置信度得分排序   尾部加上[::-1] 倒序的意思 如果没有[::-1] argsort返回的是从小到大的
    index = scores.argsort()[::-1]#对所有行的第五列进行从大到小排序，返回索引值
 
    #迭代边界框
    while index.size > 0: # 6 > 0,      3 > 0,      2 > 0
        i = index[0]  # every time the first is the biggst, and add it directly每次第一个是最大的，直接加进去
        keep.append(i)#保存
        #计算并集上交点的纵坐标（IOU）
        x11 = np.maximum(x1[i], x1[index[1:]])  # calculate the points of overlap计算重叠点
        y11 = np.maximum(y1[i], y1[index[1:]])  # index[1:] 从下标为1的数开始，直到结束
        x22 = np.minimum(x2[i], x2[index[1:]])
        y22 = np.minimum(y2[i], y2[index[1:]])
 
        #计算并集上的相交面积
        w = np.maximum(0, x22 - x11 + 1)  # the weights of overlap重叠权值、宽度
        h = np.maximum(0, y22 - y11 + 1)  # the height of overlap重叠高度
        overlaps = w * h# 重叠部分、交集
 
        #IoU：intersection-over-union的本质是搜索局部极大值，抑制非极大值元素。即两个边界框的交集部分除以它们的并集。
        #          重叠部分 / （面积[i] + 面积[索引[1:]] - 重叠部分）
        ious = overlaps / (areas[i] + areas[index[1:]] - overlaps)#重叠部分就是交集，iou = 交集 / 并集
        print("ious", ious)
        #               ious <= 0.7
        idx = np.where(ious <= thresh)[0]#判断阈值
        print("idx", idx)
        index = index[idx + 1]  # because index start from 1 因为下标从1开始
    return keep #返回保存的值
 
def main():
    # 创建数组
    boxes = np.array([[100, 100, 210, 210, 0.72],
                      [250, 250, 420, 420, 0.8],
                      [220, 220, 320, 330, 0.92],
                      [100, 100, 210, 210, 0.72],
                      [230, 240, 325, 330, 0.81],
                      [220, 230, 315, 340, 0.9]])
    show(boxes)
 
def show(boxes):
    plt.figure(1)  # 画图窗口、图形
    plt.subplot(1, 2, 1)  # 子图
    plot_bbox(boxes, 'k')  # before nms 使用nms（非极大抑制）算法前
    plt.subplot(1, 2, 2)  # 子图
    keep = py_cpu_nms(boxes, thresh=0.7)  # nms（非极大抑制）算法
    print(keep)
    plot_bbox(boxes[keep], 'r')  # after nms 使用nms（非极大抑制）算法后
    plt.show()  # 显示图像
 
if __name__ == '__main__':
    main()