- 博客(67)
- 收藏
- 关注
RSS订阅原创 说说图像腐蚀与膨胀？
腐蚀操作类似于“领域被蚕食”，它会将图像中的高亮区域或白色部分进行缩减细化。在形态学操作中，腐蚀是通过一个结构元素（通常是一个小的矩阵或模板）对图像进行扫描，只有当结构元素完全包含在目标区域内时，才保留该结构元素中心对应的像素点，否则将其视为背景。
2024-09-24 19:28:51
124
原创 CPU和GPU运行的差别在哪里？
GPU则是被动运行的，在接收到CPU指派的任务后才开始工作，并在任务完成后进入休眠状态等待下一个任务。由于GPU需要处理大量的并行计算任务，其能耗通常比CPU高。在成本方面，高端GPU的价格往往比同等级的CPU更高，但在需要高性能图形处理或并行计算的应用中，GPU的投资回报率可能更高。GPU的计算能力则主要体现在其并行处理能力上，能够同时处理成百上千个计算任务，因此在处理大量数据时具有显著优势。CPU主要负责执行复杂的计算任务，特别是那些需要高逻辑处理能力的任务，如操作系统调度、应用程序执行等。
2024-09-22 11:10:18
313
原创 介绍一下大模型或者多模态?
大模型，通常指的是在深度学习领域，具有大规模参数和复杂结构的模型。这些模型往往需要大量的计算资源和数据进行训练和推理。大模型因其强大的表示能力和泛化性能，在多个领域展现出了显著的优势。
2024-09-21 20:23:04
470
原创 反转字符串中的单词--力扣151
题目的难点在于首先要清除多余的空格，并且单词之间要留一个空格，首单词前和末尾单词后不能有多余空格。我们使用双指针去除所有的空格，然后在处理完一个单词后手动加一个单词。具体思路是当快指针不等于空格时，赋值给慢指针，然后快慢指针同时移动，当快指针等于空格时，慢指针不动，快指针循环移动，一直循环到不等于空格时，继续上述操作。每当处理完一个单词，此时慢指针手动加一个空格，已满足每个单词之间要有一个空格的要求。其次需要翻转，我们首先将s所有的字符整体翻转过来，然后逐个翻转单词。
2024-09-20 20:51:47
252
原创 什么是损失函数？常见的损失函数有哪些？
损失函数（Loss Function），也称为误差函数，是机器学习和深度学习中的一个重要概念。它用于衡量模型预测结果与真实结果之间的差异或误差。简单来说，损失函数是一个数值评估指标，通过比较模型输出和真实标签之间的差异，来评估模型的预测性能。
2024-09-20 19:13:11
647
原创 介绍一下常用的激活函数？
死神经元：当神经网络中的某些神经元在训练过程中始终不被激活，即其输出值始终接近于零，这些神经元就被称为“死神经元”。与Sigmoid函数类似，也存在梯度消失问题，但相对于Sigmoid函数，其输出范围更大，有利于梯度的传播。Leaky ReLU是ReLU的一个变体，在输入为负时给予一个小的非零斜率，避免了“死神经元”问题。在正区间内解决了梯度消失问题，但在负区间内梯度为0，可能导致“死神经元”问题。将一组数值转换为概率分布，即所有输出的和为1，且每个输出都在(0,1)之间。当输入为负时，输出为0。
2024-09-19 21:18:54
1208
原创 反转字符串 II--力扣541
让i每次跳2k，成为每一次循环的起点，再进行判断，如果i + k <= s.size()，说明剩余字符小于 2k 但大于或等于 k 个，所以反转前 k 个字符。否则说明剩余字符少于 k 个，则将剩余字符全部反转。本题的关键在于理解每隔 2k 个字符的前 k 个字符进行反转，剩余字符小于 2k 但大于或等于 k 个，则反转前 k 个字符。并且剩余字符少于 k 个，则将剩余字符全部反转。
2024-09-18 20:57:47
327
原创 梯度的定义是什么？一阶梯度、二阶梯度对应的优化器是什么？
梯度的定义主要出现在多元函数的微分学中，是一个向量场，表示某一函数在该点处的方向导数沿着该方向取得最大值，即函数在该点处沿着该方向（此梯度的方向）变化最快，变化率最大（为该梯度的模）。
2024-09-18 16:19:51
571
原创 Docker和anaconda的区别？
Docker，它是一个开源的应用容器引擎，就像是一个超级轻便的箱子，可以把应用和它需要的所有环境打包在一起。这样，不管在哪里运行，只要打开这个箱子，应用就能以相同的方式运行，超级方便的！而Anaconda呢，它是一个开源的Python发行版，Anaconda不仅仅是一个Python包管理器，它更像是一个科学计算和数据科学的环境管理器。
2024-09-14 23:11:30
408
原创 四数之和--力扣18
四数之和的双指针解法是两层for循环nums[i] + nums[j]为确定值，依然是循环内有left和right下标作为双指针，找出nums[i] + nums[j] + nums[left] + nums[right] == target的情况。nums[i+ 1]是j，nums[j+1]是left，这些都是要去重的，所以我们考虑nums[i-1]和nums[j-1]。比如：数组是[-4, -3, -2, -1]，target是-10，不能因为-4 > -10而跳过。
2024-09-13 21:07:59
554
原创 什么是卷积层、池化层、BN层，有什么作用？
卷积层是CNN中的核心组件，它通过卷积运算对输入数据进行特征提取。卷积层由多个卷积单元组成，每个卷积单元的参数通过反向传播算法优化得到。
2024-09-13 15:48:33
810
原创 什么是过拟合和欠拟合？怎么解决？
过拟合是指在机器学习或深度学习中，模型在训练数据上表现过于优异，几乎能够完美地拟合训练数据，但在未见过的测试数据上表现却较差的现象。这通常是因为模型过度学习了训练数据中的噪声和细节，而未能捕获到数据的通用规律。
2024-09-12 16:55:05
380
原创 三数之和--力扣15
对a去重：当i大于0并且nums[i] == nums[i - 1]时，说明a重复了，直接结束本次循环。i等于0时，是第一次，所以不用去重。题目要求三元组不能重复，如果使用哈希表来做，去重很复杂，而且需要额外的空间，我们这里使用双指针法直接针对数组操作。对b和c去重：在保证循环体条件right > left情况下，类似于a，判断b的后一个和c的前一个是否有重复的，如果有，b++或者c–。最重要的是，我们要对数组进行排序，排序后若数组中，第一个元素大于零，则后续不可能存在和等于零的三元组。
2024-09-11 17:43:07
741
原创 说说深拷贝和浅拷贝？
浅拷贝是指创建一个新的对象，但它包含的是对原始对象中包含的元素的引用（或指针）。这意味着，如果原始对象中的元素是可变的，那么通过浅拷贝得到的新对象中的相应元素也会发生变化，因为它们实际上指向的是同一块内存地址。
2024-09-11 15:07:49
492
原创 赎金信--力扣383
赎金信题目思路一方法一：哈希表思路二方法二 数组题目思路一我们使用哈希表map的思路，A能不能由B组成，说明B包含的元素个数要大于等于A。所以我们先利用map的key和value分别对magazine中的出现的字符以及出现的次数存储起来。然后我们去ransomNote中找对应的字符，每找到一次且value值大于零，就让value值减一。如果没找到或者value值小于零，直接返回false。方法一：哈希表class Solution {public: bool canConstru
2024-09-10 20:34:16
449
原创 说说相机标定?
相机标定是指通过对相机进行一系列的参数测量和计算，来确定相机的内部参数（如焦距、主点坐标、畸变系数等）和外部参数（如相机的位置、姿态和方向等），从而建立相机成像的几何模型。这一过程的目的是提高图像处理的精度和准确性，确保从图像中获取的信息能够真实地反映实际场景。
2024-09-10 19:27:13
797
原创 四数相加 II--力扣454
接下来我们去后两个数组中查找0-(c+d)，因为a+b=0-(c+d)，如果能够找到，说明在这四个数组中存在a+b+c+d=0，那么上述统计的a+b出现的次数即为元组个数，我们用count累计一下，然后继续遍历。要使得a+b+c+d=0，我们首先利用map在前两个数组中统计a+b的值以及该值出现的次数。我们需要统计元组的个数，并且不需要排序和去重，所以选择哈希表unordered_map。
2024-09-09 16:55:04
447
原创 什么是图像的边缘？说说边缘检测的任务以及基本原理？
图像的边缘是图像中亮度、颜色或纹理等特征发生急剧变化的地方，这些变化通常代表了图像中不同对象的边界。边缘检测是图像处理中的一个重要环节，它对于图像分割、图像识别、图像压缩等领域都有着广泛的应用。在数字图像中，边缘通常是通过计算图像中每个像素点与其邻域像素点的差异来检测的。这些差异可以通过各种边缘检测算子来量化，如Sobel算子、Prewitt算子、Roberts算子、Canny算子等。
2024-09-09 14:41:57
746
原创 两数之和--力扣1
所以我们在循环中，使用目标值减去当前循环的nums[i]，得到差值，如果我们在map中能够找到这个差值，就说明存在两个整数的和为目标值。根据题目要求，元素不能重复且不需要排序，我们这里使用哈希表unordered_map。注意题目说了只对应一种答案。如果没有找到，就将当前循环的nums[i]以及下标i放入map中，以便后续查找差值。
2024-09-08 19:57:19
472
原创 介绍一下传统的图像处理算法？
包括低通滤波器（允许低频通过）、高通滤波器（允许高频通过）、带通滤波器（允许一定范围的频率通过）、带阻滤波器（允许一定范围的频率通过并阻止其他频率通过）、全通滤波器（允许所有频率通过，只改变相位）和陷波滤波器（阻止一个狭窄频率范围通过）。其中，Canny边缘检测是一种非常流行的算法，它通过多阶段处理（如图像降噪、计算梯度、非极大值抑制和双阈值筛选）来提取图像的边缘信息。直方图均衡化是一种用于改善图像对比度的技术，它通过重新分配图像的亮度值，使图像的直方图分布更加均匀，从而增强图像的视觉效果。
2024-09-08 16:48:18
1094
原创 优化器有哪些，原理是什么？
优化器有哪些，原理是什么？优化器有哪些，原理是什么？优化器有哪些，原理是什么？随机梯度下降（SGD, Stochastic Gradient Descent）原理：SGD每次从训练集中随机选取一个小批量（mini-batch）样本，然后计算这个小批量样本的损失函数，通过反向传播计算梯度，并沿着梯度的反方向更新参数。特点：计算效率高，适用于大规模数据集。但对参数较为敏感，需要较好的初始化。容易陷入局部最小值，且每次更新方向波动较大。RMSprop原理：RMSprop是一种自适应学习率方法，
2024-09-07 19:58:32
377
原创 说说Canny边缘检测算子?
Canny边缘检测算子是一种旨在以最优方式从图像中提取边缘信息的算法。低错误率：算法应尽可能多地标识出图像中的实际边缘，同时尽量减少噪声产生的误差。高定位性：标识出的边缘应与图像中的实际边缘尽可能接近。最小响应：图像中的每个边缘只应被标识一次，避免重复边缘的出现。
2024-09-06 16:35:22
526
原创 强化学习之PPO算法
PPO算法，全称为Proximal Policy Optimization（近端策略优化），是一种强化学习算法。它由OpenAI在2017年提出，旨在解决策略梯度方法中的一些问题，特别是训练过程中的不稳定性和计算复杂度高的问题。PPO算法通过限制策略更新的步长，使得训练过程更加稳定高效，从而在多个领域得到了广泛应用。
2024-09-05 20:15:43
349
原创 注意力机制
注意力机制核心思想是让模型在处理输入数据时，能够动态地关注到输入序列中最重要的部分。基本思想是在序列到序列（Seq2Seq）模型中，注意力机制允许解码器在生成每个输出词时，不仅考虑编码器最后时刻的输出，还考虑编码器所有时刻的输出，但给予不同时刻的输出不同的权重（即注意力权重）。这样，模型就能够“注意”到输入序列中与当前输出最相关的部分。
2024-09-04 20:59:59
637
原创 图像处理之透视变换
透视变换（把斜的图变正，也就是一个坐标系到另外一个坐标系）是一种图像处理技术，它利用透视中心、像点、目标点三点共线的条件，按透视旋转定律使承影面（透视面）绕迹线（透视轴）旋转某一角度，破坏原有的投影光线束，但仍能保持承影面上投影几何图形不变的变换。透视变换是中心投影的射影变换，在用非齐次射影坐标表达时是平面的分式线性变换。
2024-09-03 16:55:11
358
原创 图像处理之仿射变换
仿射变换（原图和一个矩阵进行运算）是指在几何中，图像从一个向量空间经过一次线性变换和一次平移，映射到另一个向量空间的过程。这种变换可以保持图像的“平直性”和“平行性”，即直线经过仿射变换后仍然是直线，平行线经过变换后仍然保持平行。
2024-09-03 16:20:57
599
原创 图像处理之蒸馏
在图像处理领域，蒸馏是一种模型压缩和知识迁移的技术。它的基本思想是利用一个大型且复杂的模型（教师模型）来指导一个小型且简单的模型（学生模型）的训练。教师模型通常具有较高的性能和准确性，但由于其复杂性和计算成本，可能不适合在资源受限的环境中使用。因此，蒸馏的目标是将教师模型的知识转移到学生模型中，以便在保持或接近教师模型性能的同时，降低计算成本和模型复杂度。在图像处理任务中，蒸馏可以应用于多个方面，如图像分类、图像识别、图像生成等。在蒸馏过程中，学生模型会尝试模仿教师模型的输出或行为。输出级蒸馏。
2024-09-02 15:52:15
1206
原创 特征工程
特征工程是指对原始数据进行一系列的处理和转换，以便从中提取出对模型训练和预测最有用的特征的过程。它是机器学习和深度学习项目中至关重要的一个环节，对模型的性能有着直接且显著的影响。
2024-09-02 15:15:24
931
原创 CNN在处理文本和图像时有什么共同点和不同点
在处理文本时，CNN可能使用一维卷积操作（如TextCNN），以捕捉文本中的n-gram特征。：虽然CNN也可以用于文本处理（如文本分类、情感分析等），但此时输入的是文本数据，通常需要先转换为词向量或字符向量的形式，形成一维或二维的矩阵。：CNN通过权重共享机制，减少了模型参数的数量，降低了计算复杂度，并提高了模型的泛化能力。：CNN具有层次化的结构，从低级的特征提取到高级的特征组合，逐渐构建出对数据的全面理解。：池化层（如最大池化、平均池化）用于降低数据的空间维度，减少计算量，并提取最重要的特征。
2024-09-02 14:58:59
414
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人