- 博客(29)
- 收藏
- 关注
RSS订阅原创 springboot启动报错：Failed to start bean ‘documentationPluginsBootstrapper‘
首先贴一下完整的错误信息：o.s.b.w.s.c.AnnotationConfigServletWebServerApplicationContext - Exception encountered during context initialization - cancelling refresh attempt: org.springframework.context.ApplicationContextException: Failed to start bean 'documentation
2022-05-18 11:43:02
6786
1
原创 关于前端跨域的一个奇妙问题
首先，我是本地起的后端工程：然后前端工程访问后端地址，报下面的跨域问题：检查了下webconfig文件，没发现任何问题，之后发现启动日志里报了security的日志，但是工程中又没有用到security这个依赖，拦截器一般都是权限验证，大概率就是security里面有默认拦截器，才会拦截了跳登录，所以才试着去把security的依赖注释掉：详细问题可参考以下链接：StrictHttpFirewall (Spring Security 4.2.7.RELEASE API)...
2022-05-11 11:37:26
846
原创 ubuntu16.04 利用pyenv安装anaconda3+pycharm
首先，装上我们需要的pyenv，方便anaconda的安装，也可以方便后面不同python版本之间的切换git clone https://github.com/yyuu/pyenv.git ~/.pyenvecho 'export PYENV_ROOT="$HOME/.pyenv"' >> ~/.bashrcecho 'export PATH="$PYENV_ROOT/bin:$PATH"'
2017-11-23 21:48:23
2157
翻译 torch.autograd方法类Variable
torch.autograd提供实现任意标量值功能的自动区分的类和功能。 它需要对现有代码进行最小的更改，只需将所有张量包装在Variable对象中。 Variable API与常规Tensor API几乎相同（除了几个需要对梯度计算的输入进行重写的in-place方法外）。在大多数情况下，Tensors可以安全地替换为Variable，代码将保持工作正常。所以，在这里只介绍有别于Tensors
2017-08-23 14:24:44
18282
翻译 torch.optim优化算法理解之optim.Adam()
torch.optim是一个实现了多种优化算法的包，大多数通用的方法都已支持，提供了丰富的接口调用，未来更多精炼的优化算法也将整合进来。 为了使用torch.optim，需先构造一个优化器对象Optimizer，用来保存当前的状态，并能够根据计算得到的梯度来更新参数。 要构建一个优化器optimizer，你必须给它一个可进行迭代优化的包含了所有参数（所有的参数必须是变量s）的列表。 然后，您可以
2017-08-22 14:25:52
221942
13
翻译 Image-to-Image Translation with Conditional Adversarial Networks
图像转换的条件对抗网络不仅学习了从输入图像到输出图像之间的映射，也学习了一个用来训练这个映射的损失函数。使得网络可以很好地应用到传统上需要不同损失结构的问题上。 图像处理，图形学，CV的很多问题都可以概括为将输入图像转化为相应的输出图像，文章就是提出了一个针对这些问题的共同框架。CNN学习的目标是为了最小化损失函数（用于评估结果），尽管学习的过程是自动的，但有效的损失函数设计需
2017-08-17 15:39:08
7339
2
翻译 Conditional adversarial networks
GAN网络在训练生成模型受到了广泛的青睐，文章介绍一个具有条件限制的GAN网络，通过简单的输入数据，来构建我们所需要的条件化的生成器和判别器。文章表明，该模型可以用于学习多模态模型，通过提供了图像标记应用程序的初步示例，演示了该方法如何生成不属于训练标签的描述性标签。 生成式对抗网络近期作为训练生成模型的替代框架，以回避近似许多棘手概率计算问题的困难。 对抗网络的优点是不需要马可夫链，只需要反向
2017-08-17 14:09:59
3718
原创 shell脚本的始末
一个 shell 脚本就是一个包含一系列命令的文件。shell 读取这个文件，然后执行里面的所有命令，就好像这些命令已经直接被输入到了命令行中一样。 shell不仅是一个功能强大的命令行接口,也是一个脚本语言解释器，大多数能够在命令行中完成的任务也能够用脚本来实现。 创建和使用shell脚本的步骤包含： 1、编写一个脚本：好的文本编辑器都会支持语法高亮，这样我们就能够看到一个脚本关键字的彩色编
2017-08-07 10:48:51
474
翻译 8中提升模型精度的方法
模型开发周期需要经历从数据收集到模型构建的各个阶段。 在这之前重要的是花时间思考给定的问题并获得专业领域知识。 在这个阶段，你应该对这个问题采取结构化思维，即考虑一个特定问题的所有可能方面的思考过程。 一、获取更多的数据 增加数据往往是一个很好的思路，这样可以数据可以“告诉”我们更多的信息，而不是仅仅依靠假设和弱相关性来构建模型，更多的数据无疑能带来更好更精确的模型。 科学竞赛中获取到的数
2017-08-04 14:13:41
28639
2
原创 深度学习中30个关于数据的问题
（1）下面的数据是线性可分的嘛？ 否 （2）下面哪个是通用的模型逼近器？ A) Kernel SVM B) Neural Networks C) Boosted Decision Trees D) All of the above D：以上所有都可以得到一个近似的函数。 （3）下面那个问题可以用深度学习来解决？ D A：蛋白质结构预测 B：化学反应的预测 C：外来
2017-08-03 18:09:35
4789
3
原创 python tile()函数的使用
首先，tile()函数是属于numpy模块的一个函数，用于对某个序列进行重复;函数形式： tile(A，rep)功能：重复A的各个维度参数类型：A: Array类的都可以; rep：A沿着各个维度重复的次数tile([1,2],2)，输出为array([1, 2, 1, 2])，可以看到是将[1,2]重复两次;tile([1,2],(2,2))，输出为array([[1,
2017-08-02 09:44:20
740
原创 Network In Network理解
文章提出一个全新的叫做“Network In Network”（NIN）的深度网络结构，加强了模型对接受区域（receptive field）内部块的识别能力。经典的卷积层利用线性滤波器跟着一个非线性激活函数来扫描输入，文章建立了一个结构更复杂的微型神经网络来提取接受区域内的数据，并用多层感知机（更有效的函数逼近器）来实例化这个微型神经网络。通过微型网络来强化局部模型的表达能力，可以在分类层上将全
2017-07-28 09:47:52
2706
原创 python用dlib关键点将人脸背景区域去除
在上一篇的工作基础上，检测到人脸的关键点，并利用这些关键点组成一个区域，对区域外的背景置0;话不多说，先上代码：if __name__=='__main__': path = 'res/00014206.jpg' img = io.imread(path) region = get_landmarks(img) print img.shape shape =
2017-07-20 18:00:58
3986
1
原创 Dlib人脸检测及关键点描述的python实现
首先，安装dlib、skimage前；先安装libboostsudo apt-get install libboost-python-dev cmake接下来到dlib官网dlib.net下载最新的dlib版本（我下的是dlib-19.7），进入文件所在目录解压bzip2 -d dlib-19.7.tar.bz2tar xvf dlib-19.7.tar这是一个二级解压过程，解压得到文件dlib-
2017-07-18 16:41:47
14956
4
原创 踩着坑画bounding-box
首先介绍一下工作要求：针对nyu_depth_v2_labeled.mat数据，实现用python读取mat文件里面的数据并在mat中图片上画出每个物品的bounding-box。 首先，通过h5_file = h5py.File(“nyu_depth_v2_labeled.mat”)用h5py将mat数据转化为矩阵;file=scipy.io.loadmat('splits.mat')##遍历
2017-07-12 15:00:12
2371
原创 Python文件遍历os.walk()与os.listdir()
在图片处理过程中，样本数据的组织是个常见的问题，样本组织好了，后面数据转换、读取等都能得心应手。在这里讲一下我在准备样本时的一些心得;首先是os.walk()函数：os.walk(path)返回三个值：parent,dirnames,filenames，分别表示path的路径、path路径下的文件夹的名字和path路径下文件夹以外的其他文件;我用下面的代码来对样本图片建立标签：
2017-06-09 16:52:54
18243
1
原创 ubuntu下安装lua和luarocks
第一步：在 http://luarocks.org/releases/ 页面选择需要的软件包：wget http://luarocks.org/releases/luarocks-2.1.0.tar.gz我选择的是最新的软件包luarocks-2.4.2.tar.gz第二步：tar -zxvf luarocks-2.4.2.tar.gzcd luaroc
2017-06-06 17:04:21
7701
1
原创 ubuntu16.04安装torch
第一步：从git上获取安装LuaJIT（C语言编写的Lua的解释器）和Torch所必需的依赖包：在终端执行：git clone https://github.com/torch/distro.git ~/torch --recursive在你的根目录下生成一个torch文件夹，安装文件都在里面：第二步：进入torch目录，执行：bash install-deps第三步：执行
2017-06-06 16:04:17
5337
原创 caffe网络结构图绘制
绘制网络图通常有两种方法：一种是利用python自带的draw_net.py，首先安装两个库：sudo apt-get install graphviz;sudo pip install pydot;接下来就可以用python自带的draw_net.py文件来绘制网络图了。draw_net.py执行时带三个参数：一、网络模型的prototxt文件;二、保存的图片路径和名
2017-05-27 17:39:48
1323
原创 caffe中fine-tuning的那些事
caffe是一个深度学习框架，在建立好神经网络模型之后，使用大量的数据进行迭代调参数获取到一个深度学习模型caffemodel，使用这个模型可以实现我们需要的任务。 如果对caffe并不是特别熟悉的话，从头开始训练一个模型会花费很多时间和精力，需要对整个caffe框架有一个很清楚的了解，难度比较高；同时，在使用数据迭代训练自己模型时会耗费很多计算资源。对于单GPU或者没有大的GPU计算能
2017-05-26 17:55:30
3077
原创 用自己训练好的caffemodel来对自己的图片做分类
首先是deploy.prototxt文件的生成，deploy.prototxt和train_val.prototxt文件类似，只是头尾有些区别而已。没有了第一层的数据层，也没有最后的accuracy层（用于反向传播），但最后多了一个Softmax概率层（Softmax直接计算前向的概率），所以deploy文件没有了反向传播部分。不推荐用代码来生成，熟悉train_val.prototxt的可以
2017-05-24 17:40:42
3466
原创 caffe中关于train_val.prototxt和solver.prototxt设置的一些心得
train_val.prototxt首先要修改的就是mean_file和data_param里面source的路径;data层中有两个transform_param，如下图。只需要用到其中一个，当选择镜像操作时把mirror那边改为true，三个mean_value分别表示三个通道：下面的batch_size，网络原始的参数是256,我个人的显卡是GTX960,改成64出现如下情况
2017-05-23 10:36:28
3108
原创 caffe跑自己的数据
就从我做的一个区分人脸中戴眼镜（以下简称正样本）和不戴眼镜（以下简称负样本）的简单二分类问题开始;首先我得到的是一份正负样本各有两千四左右的数据，正样本用标签1表示，负样本用标签0表示;得到数据后首先对现有的数据进行组织，分成训练样本和测试样本（训练集：测试集=5：1），得到如下的结果：接下来对两个数据集中的图片数据运行如下代码进行重命名（需要的话可以统一图片大小），为了保持所有文
2017-05-22 15:38:30
1134
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