Shashank497-CSDN博客

原创多标签分类任务-服装分类

首先分清一下multiclass和multilabel：多标签任务的难度主要集中在以下问题：现有的方法应对multi的预测主要有2大路线：而一般研究最多的应对relation会有3种策略：一阶策略：忽略和其它标签的相关性，比如把多标签分解成多个独立的二分类问题。二阶策略：考虑标签之间的成对关联，比如为相关标签和不相关标签排序。高阶策略：考虑多个标签之间的关联，比如对每个标签考虑所有其它标签的影响。它的基本思路与ResNet一致，但是它建立的是前面所有层与后面层的密集连接（dense connectio

2022-06-29 00:54:36 1622 1

原创 Ubuntu终端常用命令

cp [选项] 源文件或目录目标文件或目录常用选项：-r 拷贝源的所有子目录和文件-i ：相同时会让用户选择是否覆盖，-f 是直接覆盖ls -a 列出当前目录文件（包括隐含文件）ls -l 列出当前目录下文件的详细信息ls -d */. 或 echo */. 查看当前文件子目录cd - 回上一次所在的目录cd ~ 或 cd 回当前用户的宿主目录mkdir 目录名：创建一个目录rmdir 空目录名：删除一个空目录rm 文件名文件名：删除一个文件或多个文件rm -r.

2022-02-17 16:19:23 1983

原创 C++中类的各种方法总结

说明：student为类名普通方法bool student::set(int a)构造方法不带参数student::student()带参数student::student(int a, string b)析构方法（用于销毁对象，节省内存）student::~student()常成员方法（只读不写）bool student::read() const静态成员方法（依赖于类，不依赖于任何一个对象）stacic int count()...

2022-02-14 22:08:21 1808

原创 Swin-Transformer详解

引言在各个cv领域都取得了非常不错的效果。整体框架可以看出他与VIT的主要区别就是SWIN的特征图和CNN类似，是具有层次性的，逐步下采样，所以在分割、检测任务会有更大的优势。而VIT是一次性下采样16倍。其次，通过在低层次的时候限制patch之间建立关系，即会把图片分隔成不同的大块，大块之间是没有交流的。这样就可以节省大部分没有必要的计算量。即（Windows Multi-self Attention机制）。细节patch partition和linear embedding4 *

2022-02-12 16:25:53 3356

原创 python中列表和字典前加星号*的作用

def add(a, b): return a + bdata = [4, 3]print(*data)data = {'a': 4, 'b': 3}print(*data)print(add(**data))

2022-02-10 15:05:58 621

原创 pytorch中nn.parameter和require_grad=True的区别

nn.parameter()首先可以把这个函数理解为类型转换函数，将一个不可训练的类型Tensor转换成可以训练的类型parameter并将这个parameter绑定到这个module里面(net.parameter()中就有这个绑定的parameter，所以在参数优化的时候可以进行优化的)，所以经过类型转换这个self.v变成了模型的一部分，成为了模型中根据训练可以改动的参数了。torch.tensor([1,2,3],requires_grad=True)这个只是将参数变成可训练的，并没有绑定在m

2022-02-10 13:40:37 2491

原创 python实现牛顿法求二次根、三次根

公式：: k = n while abs(k*k-n)>1e-6: k = (k + n/k)/2 print(k)def cube_root(n): k = n while abs(k*k*k-n)>1e-6: k = k + (k*k*k-n)/3*k*k print(k)sqrt(2)cube_root(8)

2022-02-09 22:02:03 1013

原创 Vision-Transformer详解

引言（Transformer）transformer一开始提出为上面这篇论文，主要应用在NLP领域。在此之前，nlp主要使用RNN（记忆的长度是有限的，比较短，所以有了后面的LSTM），LSTM等时序网络，且无法并行化训练（即必须先计算出t0时刻的数据，再计算t1时刻的数据），导致训练效率低。所以提出transformer，如果在硬件不受限制的情况下，他的记忆长度是无限的。而且可以做并行化。核心模块：self-attention计算q,k,v对(q*k) / np.sqrt(d)得到

2022-02-08 20:17:28 2487

原创 python实现二叉树层次遍历（BFS）

# 求二叉树路径DFSclass TreeNode: def __init__(self, val = None): self.left = None self.right = None self.val = valclass BTree: def insert(self,root,node): #构建二叉排序树 if root is None: return node if roo.

2022-01-23 22:28:02 1496

原创 python求二叉树所有路径（DFS）

# 求二叉树路径DFSclass TreeNode: def __init__(self, val = None): self.left = None self.right = None self.val = valclass BTree: def insert(self,root,node): #构建二叉排序树 if root is None: return node if root

2022-01-23 21:29:55 1350

原创 python合并有序链表（递归）

# 合并有序链表class ListNode: def __init__(self, value=None): self.value = value self.next = Nonedef Creat_Link_Tail(lst): head = ListNode(lst[0]) L = head for i in range(1, len(lst)): p = ListNode(lst[i]) L.nex.

2022-01-23 16:10:01 611

原创 python求最长回文子串

原理可参考链接：https://blog.csdn.net/sinat_35261315/article/details/78267046?spm=1001.2101.3001.6650.1&utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7ECTRLIST%7ERate-1.pc_relevant_aa&depth_1-utm_source=distribute.pc_relevant.none-task-blog-

2022-01-23 11:43:16 977

原创 python求链表中的循环头节点（快慢指针方法）

class LinkNode(): def __init__(self,value = None): self.value = value self.next = Nonedef Creat_Link_Tail(lst): L = LinkNode(lst[0]) first_node = L for i in range(1, len(lst)): if type(lst[i]) == int: p

2022-01-22 23:46:03 439

原创 python求二叉树深度（递归）

def tree_deep(root): if not root: return 0 #说明上一个节点是叶子节点，开始逐步返回 left, right = 0, 0 if root.left: left = tree_deep(root.left) #左子树递归 if root.right: right = tree_deep(root.right) #右子树递归 return max(left, right) + 1

2022-01-22 23:18:33 1433

原创 python实现快速幂

原理可参考：https://blog.csdn.net/qq_19782019/article/details/85621386'''@param base 底数@param power 指数@return res 求幂结果的最后3位数 '''def fast_power(base, power): res = 1 while power > 0: if power % 2 == 1: res = res * base % 1000

2022-01-22 22:23:29 1704

原创 tensor.narrow()函数

input.narrow(dimension, start, length) → Tensor # 表示取变量input在第dimension维上，从索引start到start+length范围（不包括start+length）的值。example:In [2]: x = torch.Tensor([[1,2,3], [4,5,6], [7,8,9]])In [4]: x.narrow(0,0,3)Out[4]: tensor([[1., 2., 3.], [4., 5., 6

2022-01-19 22:01:52 1823

原创 Pytorch view和permute的区别

a = torch.tensor([[[1,2,3],[4,5,6]]])b = a.view(3,2)c = a.permute(0,2,1)print(a.size(),a)print(b.size(),b)print(c.size(),c)结果：a: torch.Size([1, 2, 3]) tensor([[[1, 2, 3], [4, 5, 6]]])b: torch.Size([3, 2]) tensor([[1, 2], [3, 4],

2022-01-19 19:12:43 895

转载 Cross Entropy Loss Function（交叉熵损失函数）理解

转自https://zhuanlan.zhihu.com/p/35709485

2022-01-18 11:51:01 243

原创深度学习模型FLOPs详解

计算方法FLOPS:注意全大写，是floating point operations per second的缩写，意指每秒浮点运算次数，理解为计算速度。是一个衡量硬件性能的指标。FLOPs :注意s小写，是floating point operations的缩写（s表复数），意指浮点运算数，理解为计算量。可以用来衡量算法/模型的复杂度。其计算公式如下：不能只用FLOPs作为网络速度的指标原因：FLOPs没有考虑几个对速度有相当大影响的重要因素——MAC\并行度\平台1.MAC（Memory

2022-01-16 11:56:20 10284

原创 pytorch的dataset用法详解

torch.utils.data 里面的dataset使用方法当我们继承了一个 Dataset类之后，我们需要重写 len 方法，该方法提供了dataset的大小； getitem 方法，该方法支持从 0 到 len(self)的索引from torch.utils.data import Dataset, DataLoaderimport torchclass MyDataset(Dataset): """ 下载数据、初始化数据，都可以在这里完成 """

2022-01-15 15:51:21 8538

原创 pytorch中DataLoader详解

import torchimport torch.utils.data as Dataif __name__ == '__main__': torch.manual_seed(1) # reproducible BATCH_SIZE = 5 # 批训练的数据个数 x = torch.linspace(11, 20, 10) # x data: tensor([11., 12., 13., 14., 15., 16., 17., 18., 19., 20.]) .

2022-01-15 13:40:17 5686

转载 python中@property和property()函数

前言@property是property()函数的语法糖（简便形式）在获取、设置和删除对象属性的时候，需要额外做一些工作。比如在游戏编程中，设置敌人死亡之后需要播放死亡动画。需要限制对象属性的设置和获取。比如用户年龄为只读，或者在设置用户年龄的时候有范围限制。这时就可以使用 property 工具，它把方法包装成属性，让方法可以以属性的形式被访问和调用。property()函数语法：property(fget=None, fset=None, fdel=None, doc=None) -&

2022-01-14 22:20:58 242

原创 python装饰器

函数装饰器import timedef decorator(func): def wrapper(*args, **kwargs): start_time = time.time() func() end_time = time.time() print(end_time - start_time) return wrapper@decoratordef fun(): time.sleep(0.8)fu

2022-01-14 21:44:17 303 1

原创 torch 的dataloader 的核心函数

官方解释：Dataloader 组合了 dataset & sampler，提供在数据上的 iterable主要参数：1、dataset：这个dataset一定要是torch.utils.data.Dataset本身或继承自它的类里面最主要的方法是 getitem(self, index) 用于根据index索引来取数据的2、batch_size：每个batch批次要返回几条数据3、shuffle：是否打乱数据，默认False4、sampler：sample strategy，数据选取策

2022-01-14 19:46:24 2179

原创 NMS和soft-NMS原理和代码实现

NMSpython实现代码：import numpy as npimport matplotlib.pyplot as pltdef py_cpu_nms(dets, thresh): x1 = dets[:, 0] y1 = dets[:, 1] x2 = dets[:, 2] y2 = dets[:, 3] scores = dets[:, 4] areas = (x2-x1+1)*(y2-y1+1) res = [] index = sco

2022-01-13 23:03:10 4827

原创 python的classmethod和staticmethod

静态方法（staticmethod）静态方法@staticmethod也是一个类方法，是可以直接类调用的。个人认为的使用场景是：只要要定义的方法里不涉及到self参数，就用静态方法承担。因为这样就表明这个方法和本身的类没有关系，明确的区别出类相关和不相关。class A: def __init__(self, a, b): self.a = a self.b = b def do_normal_something(self, a, b):

2022-01-13 21:33:37 514

原创 python中的call方法和其他类方法比较

call方法class A: def __init__(self, a, b): self.a = a self.b = b def __call__(self,a,b): print("123call",a,b)a = A(1,2)a(3,4) #相当于把实例变一个函数print(a.a,a.b)不得不引发出call和其他类方法的区别：实例化方法实例化的方法就是普通的类方法，它表达了类功能的多样性和抽象性，传入参数是se

2022-01-13 21:06:32 222

原创 python实现哈希表

# 实现hashtable,指定在key位置存入dataclass HashTable: def __init__(self): self.size = 11 self.slots = [None] * self.size # hold the key items self.data = [None] * self.size # hold the data values def hashfunction(self, key, size)

2022-01-13 20:43:16 1852 2

原创 python实现堆和堆排序

#堆heapclass heap(object): def __init__(self): self.data_list = [] def get_parent_index(self,index): if index==0 or index>len(self.data_list)-1: return None else: return (index-1)//2 def swap(.

2022-01-13 17:42:09 157

原创 python实现快速排序（QuickSort）

def Partition(lst,low,high): pivot = lst[low] while low<high: while low<high and lst[high]>=pivot: high -= 1 lst[low] = lst[high] while low<high and lst[low]<=pivot: low += 1 ls

2022-01-12 21:16:33 319

原创 python实现二叉排序树

#二叉排序树class BTree(): def __init__(self,data): self.left = None self.right = None if type(data) == list: self.data = data[0] for d in data[1:]: self.insert(d) else: sel

2022-01-12 17:29:01 1040

原创 python生成器和yield关键字

体验下列代码用于先体验普通列表推导式和生成器的差别:# def add():# temp = ["姓名", "学号", "班级", "电话"]# dic = {}# lst = []# for item in temp:# inp = input("请输入{}:".format(item))# if inp == "exit":# print("成功退出输入")# return

2022-01-12 14:59:07 230

原创 python迭代器

什么是迭代器迭代是python中访问集合元素的一种非常强大的一种方式。迭代器是一个可以记住遍历位置的对象，因此不会像列表那样一次性全部生成，而是可以等到用的时候才生成，因此节省了大量的内存资源。迭代器对象从集合中的第一个元素开始访问，直到所有的元素被访问完。迭代器有两个方法：iter（）和next（）方法。可迭代的对象类似于list、tuple、str 等类型的数据可以使用for …… in…… 的循环遍历语法从其中依次拿到数据并进行使用，我们把这个过程称为遍历，也称迭代。python中可迭代的对象有

2022-01-12 14:15:57 194

原创 python实现k-means算法

# -*- coding:utf-8 -*-import randomimport numpy as npfrom matplotlib import pyplotclass K_Means(object): # k是分组数；tolerance‘中心点误差’；max_iter是迭代次数 def __init__(self, k=2, tolerance=0.0001, max_iter=300): self.k_ = k self.tolera.

2022-01-10 09:21:57 721

原创 YOLO系列详解目标检测

yolo v1前言相比同年的fast-rcnn和ssd都没有优势详解B=2，Pr（Object）为0或者1在v1中没有anchor的概念，预测的xywh是直接预测的box的位置，不像fast-rcnn和ssd中预测的这四个值都是相对我们anchor的回归参数。在预测时，输出的结果既包含了该box为某一个目标的概率，又包含了重合程度，与fast-rcnn和ssd直接预测的目标概率不一样。存在的问题：对群体小目标效果很差，比如一群鸟。因为对每个cell只预测2个boundi

2022-01-09 19:56:24 3016

原创 SSD网络

背景小目标效果差的原因：只对backbone最后一层的feature map进行rpn，最后这个map细节信息丢失严重。SSD模型步距为2时，padding为1，步距为1的时候，padding为0与faster-rcnn的区别是把box放在不同的特征层与fast-rcnn不同，这里是对每个default-box都生成4个边界框回归参数，不区分类别，即4k。而fast-rcnn是每个achor会针对每个类别都会生成相应的边界框回归参数，即4ck。正样本对每个gt-bo

2022-01-08 21:58:37 1191

原创 python实现矩阵乘法

# 2 3 3 4# 1 2 3# 4 5 6# 1 2 3 4# 5 6 7 8# 9 10 11 12lst1, lst2 = [], []n1,m1,n2,m2 = map(int,input().split())for i in range(n1): nums = list(map(int,input().split())) #输入一行数据 lst1.append(nums)for i in range(n2): nums = list(map(int,i.

2022-01-08 13:36:13 1457

原创 numpy实现NMS

import numpy as npimport matplotlib.pyplot as pltdef py_cpu_nms(dets, thresh): x1 = dets[:, 0] y1 = dets[:, 1] x2 = dets[:, 2] y2 = dets[:, 3] scores = dets[:, 4] areas = (x2-x1+1)*(y2-y1+1) res = [] index = scores.argsort()[::

2022-01-08 10:57:53 1909

原创 BN(Batch Normalization)详解，包含pytorch实现、numpy实现

起源对于神经网络来说，如果每一层的数据分布都不一样，后一层的网络则需要去学习适应前一层的数据分布，这相当于去做了domian的adaptation，无疑增加了训练难度，尤其是网络越来越深的情况。BN的那篇论文中指出，不同层的数据分布会往激活函数的上限或者下限偏移。论文称这种偏移为internal Covariate Shift，internal指的是网络内部。BN就是为了解决偏移的，解决的方式也很简单，就是让每一层的分布都normalize到标准正太分布。我们在图像预处理过程中通常会对图像进行标准化

2022-01-06 11:01:00 3663

原创 RCNN、Fast-RCNN和Faster-RCNN系列

R-CNN2014年Fast-RCNN2015年Faster-RCNNrpn head的输出是包括分类和回归，分类是二分类，只区分前景和背景；回归是仅仅对于前景样本(正样本)进行基于anchor的变换回归。rpn head的目的是提取roi，然后输入到rcnn head部分进行refine。 rcnn head的输出是包括分类和回归，分类输出是类别数+1(1是考虑背景)，回归是仅仅对于前景样本不考虑分类类别进行基于roi的变换回归，rcnn hea

2022-01-02 20:24:42 1458

Mysql64.rar

tomcat.rar

空空如也