- 博客(31)
- 收藏
- 关注
RSS订阅原创 端到端自动驾驶通用算法框架UniAD
自动驾驶是一项高度复杂的技术，需要多个学科领域的知识和技能，包括传感器技术、机器学习、路径规划等方面。自动驾驶还需要适应不同的道路规则和交通文化，与其他车辆和行人进行良好的交互，以实现高度可靠和安全的自动驾驶系统。面对这种复杂的场景，大部分自动驾驶相关的工作都聚焦在具体的某个模块，关于框架性的研讨则相对匮乏。
2024-03-08 11:51:28
1313
原创 PAT笔记
在c++中处理字符串类型的题目时，我们一般使用string，有时候我们也使用char[]方式进行操作。HH:MM:SS可以直接通过字符串字典序排序输入一个包含空格的字符串需要使用getline(cin,s1)
2021-10-13 15:56:36
231
转载 集成学习专题——xgboost&LightGBM
XGBoost算法XGBoost是陈天奇等人开发的一个开源机器学习项目，高效地实现了GBDT算法并进行了算法和工程上的许多改进，被广泛应用在Kaggle竞赛及其他许多机器学习竞赛中并取得了不错的成绩。XGBoost本质上还是一个GBDT，但是力争把速度和效率发挥到极致，所以叫X (Extreme) GBoosted， 包括前面说过，两者都是boosting方法。XGBoost是一个优化的分布式梯度增强库，旨在实现高效，灵活和便携。 它在Gradient Boosting框架下实现机器学习算法。 XGBoo
2021-06-18 00:10:08
410
转载 集成学习专题——GBDT
梯度提升决策树(GBDT)(1) 基于残差学习的提升树算法：在前面的学习过程中，我们一直讨论的都是分类树，比如Adaboost算法，并没有涉及回归的例子。在上一小节我们提到了一个加法模型+前向分步算法的框架，那能否使用这个框架解决回归的例子呢？答案是肯定的。接下来我们来探讨下如何使用加法模型+前向分步算法的框架实现回归问题。在使用加法模型+前向分步算法的框架解决问题之前，我们需要首先确定框架内使用的基函数是什么，在这里我们使用决策树分类器。前面第二章我们已经学过了回归树的基本原理，树算法最重要是寻找最
2021-06-17 23:58:02
199
转载 集成学习专题——adaboost原理和sklearn实现
1. 导论在前面的学习中，我们探讨了一系列简单而实用的回归和分类模型，同时也探讨了如何使用集成学习家族中的Bagging思想去优化最终的模型。Bagging思想的实质是：通过Bootstrap 的方式对全样本数据集进行抽样得到抽样子集，对不同的子集使用同一种基本模型进行拟合，然后投票得出最终的预测。我们也从前面的探讨知道：Bagging主要通过降低方差的方式减少预测误差。那么，本章介绍的Boosting是与Bagging截然不同的思想，Boosting方法是使用同一组数据集进行反复学习，得到一系列简单模型
2021-06-17 23:12:50
446
转载 集成学习专题——voting&bagging
投票法的思路**投票法是集成学习中常用的技巧，可以帮助我们提高模型的泛化能力，减少模型的错误率。**举个例子，在航空航天领域，每个零件发出的电信号都对航空器的成功发射起到重要作用。如果我们有一个二进制形式的信号：11101100100111001011011011011在传输过程中第二位发生了翻转10101100100111001011011011011这导致的结果可能是致命的。一个常用的纠错方法是重复多次发送数据，并以少数服从多数的方法确定正确的传输数据。一般情况下，错误总是发生在局部，因此融合
2021-06-16 23:52:26
192
原创 数据结构与算法——二分
数据结构与算法——二分最近leetcode每日一题经常出二分的题目，正好对前段时间学过的二分进行一些总结，首先这里要明确的一点是，二分的本质并不是单调性，而是通过某种条件将整个区间划分成满足条件和不满足条件的两端即可进行二分查找。在二分这个专题，主要有两种类型的划分方式，一种是整数划分，一种是浮点数划分，前一种一般是我们最熟悉的二分查找的题型，也是出题比较灵活考的比较多的一种，后一种主要是为控制实数精度而设置的浮点数二分法（建议用double，float有时候会出现精度丢失）。整数二分这里我们拿一道
2021-06-15 21:46:35
207
1
原创 数据结构与刷题——链表
单链表代码模板代码实现单链表的方法有很多种，但是对于acm刷题来说，我们通常使用的是静态链表的方式，这样代码运行速度更快，防止被卡时间。const int N = 100010;int head; // 头指针int e[N]; // e[i]表示第i个节点的int ne[N];// 第i个节点的next指针，表示当前节点的直接后继的节点编号int idx;//记录已经存储了多少个节点void init(){ head = -1;//用-1表示空节点 idx = 0;}//在..
2021-06-13 15:44:22
185
原创 数据结构与算法基础——快速排序与归并排序
前言最近在复习数据结构，顺便整理之前刷题的一些模板和技巧，希望对大家都有帮助，博客会侧重讲解的是OJ代码实现，理论部分偏少但也会写一些自己的理解。在之前大二上数据结构的时候我也有写过一个关于排序的专题介绍数据结构复习——内部排序快速排序快速排序主要就是通过选取一个基准点，将一个区间内的数分成大于和小于两个部分，然后对左右区间再进行上述操作，直到子区间的长度为空为止。快速排序是不稳定的排序，如果需要变成稳定排序通过双关键字排序即可，通过下标控制绝对大小就能得到稳定的排序结果。快速排序分三步走：确
2021-06-06 20:31:49
163
原创 EfficientNet论文解读和pytorch代码实现
EfficientNet论文解读和代码实现传送门论文地址：https://arxiv.org/pdf/1905.11946.pdf官方github：https://github.com/tensorflow/tpu/tree/master/models/official/efficientnetgithub参考：https://github.com/qubvel/efficientnetgithub参考：https://github.com/lukemelas/EfficientNet-PyTo
2021-05-09 17:41:18
1839
原创 yolov1-3论文解析
yolov1-3论文解析最近在看经典目标检测算法yolo的思想，为了更好的了解yolo系列的相关文章，我从最初版本的论文思想开始看的，之后有时间会把yolov4和yolov5再认真看看，目前来说yolov3的spp版本是使用得最为广泛的一种，整体上来说yolo的设计思想还是很有创造性的数学也比较严谨。yolov1论文思想物体检测主流的算法框架大致分为one-stage与two-stage。two-stage算法代表有R-CNN系列，one-stage算法代表有Yolo系列。按笔者理解，two-stag
2021-04-22 10:17:05
541
原创 Task2 食物声音识别之赛题数据介绍与分析
01 声音是如何产生的声音以波的形式传播，即声波（Sound Wave）。当我们以波的视角来理解声音时，却又大繁若简起来：仅凭频率（Frequency）、幅度（Magnitude）、相位（Phase）便构成了波及其叠加的所有，声音的不同音高（Pitch）、音量（Loudness）、音色（Timbre）也由这些基本“粒子”组合而来。世上形形色色的声波都可以“降解”到基本波身上，这也是傅里叶变换（Fourier Transform）的基本思想。不同的声波有不同的频率和幅度（决定音量），人耳也有自己的
2021-04-15 18:52:45
249
原创 零基础入门语音识别-食物声音识别baseline
!wget http://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531887/train_sample.zip--2021-04-13 17:45:20-- http://tianchi-competition.oss-cn-hangzhou.aliyuncs.com/531887/train_sample.zipResolving tianchi-competition.oss-cn-hangzhou.aliyuncs.com (tian
2021-04-13 18:12:25
574
原创 MTCNN论文和代码解读
MTCNN人脸检测和pytorch代码实现解读传送门论文地址：https://arxiv.org/ftp/arxiv/papers/1604/1604.02878.pdf我的论文笔记：https://khany.top/file/paper/mtcnn.pdfgithub参考：https://github.com/Sierkinhane/mtcnn-pytorchgithub参考：https://github.com/GitHberChen/MTCNN_Pytorchabstractab
2021-04-12 00:22:47
404
1
原创 docker镜像操作
commit镜像数据卷操作实战：mysql同步mysql运行容器，需要做数据挂载，安装启动mysql是需要配置密码的这一点要注意，所以要去docker hub官方文档上面去看官方配置docker pull mysql:5.7docker运行，docker run的常用参数这里我们再次回顾一下-d 后台运行-p 端口映射-v 卷挂载-e 环境配置--name 环境名字通过docker hub我们找到了官方的命令：docker run --name some-mysql -e MYSQ
2021-02-24 23:31:21
192
原创 docker常用命令
Docker 常用命令帮助命令docker version #显示docker版本信息docker info #显示docker的系统信息，包括镜像和容器的数量docker 命令 --help # 帮助命令镜像命令docker images查看所有本地的主机镜像docker images显示字段解释REPOSITORY镜像的仓库源TAG镜像的标签IMAGE ID镜像的idCREATED镜像的创建时间SIZE镜像的大小(base) [
2021-02-24 15:28:13
130
1
原创 docker安装和简易原理
docker安装和简易原理最近参加了阿里云datawhale天池的一个比赛里面需要用docker进行提交，所以借此机会学习了一下docker，b站上有个很好的视频【狂神说Java】Docker最新超详细版教程通俗易懂docker基本组成docker安装centos7安装先查看centos版本，新版本的docker都只支持centos7以上(base) [root@iZuf69rye0flkbn4kbxrobZ ~]# cat /etc/os-releaseNAME="CentOS Linu
2021-02-24 12:51:31
124
原创 零基础入门语义分割-Task6 模型集成
零基础入门语义分割-Task6 模型集成在上一章我们学习了如何构建验证集，如何训练和验证。本章作为本次赛题学习的最后一章，将会讲解如何使用集成学习提高预测精度。6 模型集成本章讲解的知识点包括：集成学习方法、深度学习中的集成学习和结果后处理思路。6.1 学习目标学习集成学习方法以及交叉验证情况下的模型集成学会使用深度学习模型的集成学习6.2 集成学习方法在机器学习中的集成学习可以在一定程度上提高预测精度，常见的集成学习方法有Stacking、Bagging和Boosting，同时这些集成
2021-02-23 15:24:44
252
原创 零基础入门语义分割-Task5 模型训练与验证
零基础入门语义分割-Task5 模型训练与验证一个成熟合格的深度学习训练流程至少具备以下功能：在训练集上进行训练，并在验证集上进行验证；模型可以保存最优的权重，并读取权重；记录下训练集和验证集的精度，便于调参。5 模型训练与验证为此本章将从构建验证集、模型训练和验证、模型保存与加载和模型调参几个部分讲解，在部分小节中将会结合Pytorch代码进行讲解。5.1 学习目标理解验证集的作用，并使用训练集和验证集完成训练学会使用Pytorch环境下的模型读取和加载，并了解调参流程5.2
2021-02-23 15:21:51
649
原创 datawhale语义分割-Task4 评价函数与损失函数
零基础入门语义分割-Task4 评价函数与损失函数本章主要介绍语义分割的评价函数和各类损失函数。4 评价函数与损失函数4.1 学习目标掌握常见的评价函数和损失函数Dice、IoU、BCE、Focal Loss、Lovász-Softmax；掌握评价/损失函数的实践；4.2 TP TN FP FN在讲解语义分割中常用的评价函数和损失函数之前，先补充一**TP(真正例 true positive) TN(真反例 true negative) FP(假正例 false positive) FN(
2021-02-23 14:52:00
185
原创 datawhale语义分割-Task3 语义分割模型发展
datawhale语义分割-Task3 语义分割模型发展本章主要讲解的是语义分割网络模型的发展：FCN 、SegNet、Unet、DeepLab、RefineNet、PSPNet、GAN语义分割。3 语义分割模型发展语义分割（全像素语义分割）作为经典的计算机视觉任务（图像分类，物体识别检测，语义分割）。其结合了图像分类、目标检测和图像分割，通过一定的方法将图像分割成具有一定语义含义的区域块，并识别出每个区域块的语义类别，实现从底层到高层的语义推理过程，最终得到一幅具有逐像素语义标注的分割图像。3.1
2021-02-23 12:07:01
741
1
原创 datawhale-语义分割task2数据扩增
语义分割-Task2 数据扩增本章对语义分割任务中常见的数据扩增方法进行介绍，并使用OpenCV和albumentations两个库完成具体的数据扩增操作。干货链接：albumentations 数据增强工具的使用Pytorch：transforms的二十二个方法Pytorch使用albumentations实现数据增强2 数据扩增方法简单来说数据扩充主要分成两类，一类是基于图像处理的数据扩增，一类是基于深度学习方法的数据扩充 这里简单介绍一下基于图像处理的数据扩增—几何变换旋转，缩放，
2021-02-22 19:02:21
528
原创 datawhale-布匹疵点智能识别baseline踩坑和改进思路
datawhale-布匹疵点智能识别baseline踩坑赛题背景：本赛场聚焦布匹疵点智能检测，要求选手研究开发高效可靠的计算机视觉算法，提升布匹疵点检验的准确度，降低对大量人工的依赖，提升布样疵点质检的效果和效率。比赛要求：要求算法既要检测布匹是否包含疵点，又要给出疵点具体的位置和类别，既考察疵点检出能力、也考察疵点定位和分类能力。赛题分数计算方式:0.2ACC+0.8mAPACC：是有瑕疵或无瑕疵的分类指标，考察瑕疵检出能力。其中提交结果name字段中出现过的测试图片均认为有瑕疵，未出现的测
2021-02-22 00:28:37
663
2
原创 datawhale阿里云天池语义分割比赛-Task1 赛题理解和baseline代码
datawhale阿里云天池语义分割比赛-Task1 赛题理解和baseline代码这里给出比赛地址：比赛地址本章将对语义分割赛题进行赛题背景讲解，对赛题数据读取进行说明，并给出解题思路。1 赛题理解赛题名称：零基础入门语义分割-地表建筑物识别赛题目标：通过本次赛题可以引导大家熟练掌握语义分割任务的定义，具体的解题流程和相应的模型，并掌握语义分割任务的发展。赛题任务：赛题以计算机视觉为背景，要求选手使用给定的航拍图像训练模型并完成地表建筑物识别任务。1.1 学习目标理解赛题背景和赛题数
2021-02-20 21:42:31
829
原创 datawhale-pandas缺失数据
datawhale-pandas缺失数据import numpy as npimport pandas as pd一、缺失值的统计和删除1. 缺失信息的统计缺失数据可以使用 isna 或 isnull （两个函数没有区别）来查看每个单元格是否缺失，结合 mean 可以计算出每列缺失值的比例：df =pd.read_csv('data/learn_pandas.csv', usecols=['Grade','Name','Gender','Height','Weig
2021-01-20 20:30:38
123
原创 datawhale-pandas数据分析预备
datawhale-pandas数据分析预备列表推导式def my_func(x): return 2*x[* for i in *]其中，第一个 * 为映射函数，其输入为后面 i 指代的内容，第二个 * 表示迭代的对象。[my_func(i) for i in range(5)][0, 2, 4, 6, 8]列表表达式支持多层嵌套[m+'_'+n for m in['a','b'] for n in['c','d']]['a_c', 'a_d', 'b_c', 'b_d'
2020-12-21 12:06:16
180
原创 matlab解微分方程
时隔半年，我又重回微分方程的学习了，现在学确实挺难搞的，很多知识和理论思路都忘了，数学还是很重要啊，其实一个蛮简单的东西我看了很久很久才慢慢的又懂了，话不多说，直接写文。首先要明确的一点就是，我们求微分方程的时候，要注意有解析解和数值解，解析解又有通解和特解，这在我们编写代码的时候可以通过初始点的值来获得特解。其实今天老师讲的还挺不错的，举出了很多的例子，基本上与物理有关，其实要说这一个模块最稳妥的办法其实是如果能够求出通解，一般最好手动进行微分方程的求解，然后用计算机检验，用计算机求微分方程的情况大多数
2020-07-16 23:34:42
5367
原创 模拟退火matlab实现（TSP为例）
最近学习了模拟退火智能算法，顺便学习了一下matlab，顺带一提matlba真香，对矩阵的操作会比python的numpy操作要更加方便，这里我们是以TSP问题为例子，因为比较好理解。模拟退火介绍模拟退火总的来说还是一种优化算法，他模拟的是淬火冶炼的一个过程，通过升温增强分子的热运动，然后再慢慢降温，使其达到稳定的状态。初始解通常是以一个随机解作为初始解. 并保证理论上能够生成解空间中任意的解，也可以是一个经挑选过的较好的解，初始解不宜“太好”, 否则很难从这个解的邻域跳出，针对问题去分析。扰动
2020-07-15 11:13:31
2017
2
原创 python实现遗传算法
今天研究了一下遗传算法，发现原理还是很好懂的，不过在应用层面上还是有很多要学习的方法，如何定义编码解码的过程，如何进行选择和交叉变异，这都是我们需要解决的事情，估计还是要多学多用才能学会，当然了如果大家对我写的这些内容如果有什么不同的看法的话也建议大家提出，毕竟算法小白一个。遗传算法介绍所谓遗传算法其实就是一种仿生算法，一种仿生全局优化算法模仿生物的遗传进化原理，通过自然选择（selection）、交叉（crossover）与变异（mutation）等操作机制，逐步淘汰掉适应度不够高的个体，使种群中个体
2020-07-12 21:48:06
2815
3
原创 从0开始的Hexo博客搭建
Hexo博客搭建鸽了半年的hexo博客搭建，阿里云都快过了半年了，把自己的一些踩坑和修改写一下吧，首先放一下我hexo博客搭建的时候的一些参考吧，这几个链接应该按道理没有很多踩坑的地方，我使用的主题是yilia主题所以说下面几个链接主要是关于yilia的，不过其实hexo博客框架的那个js和css名字都一样，配置文件的语法和格式也是一致的，所以说还是可以提供到一些帮助的，而且我自己在搭建一些操作的时候也学习了其他主题的一些方法。从0开始搭建一个hexo博客无坑教程，是真的无坑版本，一切顺利（这里需要感谢
2020-07-10 22:58:50
219
原创 数据结构复习——内部排序
内部排序算法总结在数据结构的书中谈到的内部排序的算法有很多，但就其性能来说，很难说出最好的方法，每种方法都有自己的优缺点，就其排序的时间复杂度来说主要有下面三种类别：1.简单的排序算法，时间复杂度为O(n2)O(n^2)O(n2)2.先进的排序方法，时间复杂度为O(nlogn)O(nlogn)O(nlogn)3.基数排序，时间复杂度为O(d⋅n)O(d\cdot n)O(d⋅n)先直接给...
2019-11-02 19:04:28
501
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人