<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Snakewood的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/Snakewood</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; Snakewood]]></copyright><item><title><![CDATA[博图触摸屏仿真闪退]]></title><link>https://blog.csdn.net/Snakewood/article/details/158775576</link><guid>https://blog.csdn.net/Snakewood/article/details/158775576</guid><author>Snakewood</author><pubDate>Sat, 07 Mar 2026 17:29:40 +0800</pubDate><description><![CDATA[有一个项目的博图，只要仿真HMI画面，画面打开2-3秒后就会闪退，但是打开其他项目都是能正常仿真的。先使用DirectX Repair修复，发现运行库被占用修复不了。，并下载64位的安装包，重新安装即可解决问题。打开事件查看器后发现是。]]></description><category></category></item><item><title><![CDATA[chromedrive下载]]></title><link>https://blog.csdn.net/Snakewood/article/details/134837866</link><guid>https://blog.csdn.net/Snakewood/article/details/134837866</guid><author>Snakewood</author><pubDate>Fri, 08 Dec 2023 09:19:10 +0800</pubDate><description><![CDATA[我的chrome版本是120.0.6099.62，但是在以下两个网址没找到对应版本的chromedrive。把下面的版本改成自己需要的版本号即可。]]></description><category></category></item><item><title><![CDATA[python使用seedir查看文件目录结构]]></title><link>https://blog.csdn.net/Snakewood/article/details/133127133</link><guid>https://blog.csdn.net/Snakewood/article/details/133127133</guid><author>Snakewood</author><pubDate>Thu, 21 Sep 2023 10:44:59 +0800</pubDate><description><![CDATA[记录一个有意思的包seedir，可以用这个包查看文件的目录结构。]]></description><category></category></item><item><title><![CDATA[实用科研网站（自用）]]></title><link>https://blog.csdn.net/Snakewood/article/details/131997300</link><guid>https://blog.csdn.net/Snakewood/article/details/131997300</guid><author>Snakewood</author><pubDate>Sat, 29 Jul 2023 17:34:26 +0800</pubDate><description><![CDATA[小球的数字代表年份，小球的颜色越深代表时间越近；小球越大表示被引用次数越多；小球之间的线条表示引用关系，相似的文章会距离较近或中间有强的连线。不仅可以查看当前研究热点资讯，还可以查看在某领域中有哪些有影响力的专家及专利。网址：https://www.aminer.cn/同时，也有算法的各类信息（如：准确度、参数数量、对应论文、github地址，发表年份等）在这个网站上可以通过某篇典型的论文，寻找该领域其他相似论文，从而快速了解该领域。下面这张图就是目标检测算法在COCO数据集上的发展进程。]]></description><category></category></item><item><title><![CDATA[关联分析-Apriori]]></title><link>https://blog.csdn.net/Snakewood/article/details/131965686</link><guid>https://blog.csdn.net/Snakewood/article/details/131965686</guid><author>Snakewood</author><pubDate>Thu, 27 Jul 2023 17:59:30 +0800</pubDate><description><![CDATA[关联分析就是从大规模数据中，发现对象之间隐含关系与规律的过程，也称为关联规则学习。]]></description><category></category></item><item><title><![CDATA[7. SAVE AND LOAD MODEL]]></title><link>https://blog.csdn.net/Snakewood/article/details/131832333</link><guid>https://blog.csdn.net/Snakewood/article/details/131832333</guid><author>Snakewood</author><pubDate>Thu, 20 Jul 2023 15:43:06 +0800</pubDate><description><![CDATA[参考pytorch官方教程记的笔记]]></description><category></category></item><item><title><![CDATA[6. OPTIMIZATION]]></title><link>https://blog.csdn.net/Snakewood/article/details/131832297</link><guid>https://blog.csdn.net/Snakewood/article/details/131832297</guid><author>Snakewood</author><pubDate>Thu, 20 Jul 2023 15:42:04 +0800</pubDate><description><![CDATA[参考pytorch官方教程记的笔记]]></description><category></category></item><item><title><![CDATA[5. AUTOGRAD]]></title><link>https://blog.csdn.net/Snakewood/article/details/131832164</link><guid>https://blog.csdn.net/Snakewood/article/details/131832164</guid><author>Snakewood</author><pubDate>Thu, 20 Jul 2023 15:40:02 +0800</pubDate><description><![CDATA[默认情况下，requires_grad=True的所有张量都在跟踪其计算历史并支持梯度计算。但在某些情况下，我们不需要这样做，例如，当我们训练了模型，只想通过网络进行前向计算时，我们可以通过用。这个对象知道如何计算正向传播的函数，以及如何在反向传播步骤中计算其导数。考虑最简单的一层神经网络，输入x，参数w和b，以及一些损失函数。为了优化神经网络中的参数权重，我们需要计算损失函数相对于参数的导数，即，我们需要。是需要优化的参数，因此，需要能够计算损失函数相对于这些变量的梯度。，而不是计算雅可比矩阵本身。]]></description><category></category></item><item><title><![CDATA[4. BUILD THE NEURAL NETWORK]]></title><link>https://blog.csdn.net/Snakewood/article/details/131790454</link><guid>https://blog.csdn.net/Snakewood/article/details/131790454</guid><author>Snakewood</author><pubDate>Tue, 18 Jul 2023 16:27:04 +0800</pubDate><description><![CDATA[参考pytorch官方教程记的笔记]]></description><category></category></item><item><title><![CDATA[3. TRANSFORMS]]></title><link>https://blog.csdn.net/Snakewood/article/details/131782784</link><guid>https://blog.csdn.net/Snakewood/article/details/131782784</guid><author>Snakewood</author><pubDate>Tue, 18 Jul 2023 11:05:53 +0800</pubDate><description><![CDATA[数据并不总是以训练机器学习算法所需的最终处理形式出现，因此我们使用transforms对数据进行一些操作，使其适合训练。transform用于修改特性，用于修改标签。它们接受包含转换逻辑的可调用文件。模块提供了几种常用的开箱即用转换。FashionMNIST功能采用PIL图像格式，标签为整数。为了训练，需要将特征作为归一化张量，并将标签作为独热编码张量（one-hot tensor）。为了进行这些转换，我们使用ToTensor和Lambda。]]></description><category></category></item><item><title><![CDATA[2. DATASETS & DATALOADERS]]></title><link>https://blog.csdn.net/Snakewood/article/details/131773143</link><guid>https://blog.csdn.net/Snakewood/article/details/131773143</guid><author>Snakewood</author><pubDate>Mon, 17 Jul 2023 19:15:46 +0800</pubDate><description><![CDATA[参考pytorch官方教程记的笔记]]></description><category></category></item><item><title><![CDATA[1.Tensor]]></title><link>https://blog.csdn.net/Snakewood/article/details/131764133</link><guid>https://blog.csdn.net/Snakewood/article/details/131764133</guid><author>Snakewood</author><pubDate>Mon, 17 Jul 2023 13:21:58 +0800</pubDate><description><![CDATA[参考pytorch官方教程记的笔记]]></description><category></category></item><item><title><![CDATA[mmpose训练自定义模型]]></title><link>https://blog.csdn.net/Snakewood/article/details/131472457</link><guid>https://blog.csdn.net/Snakewood/article/details/131472457</guid><author>Snakewood</author><pubDate>Fri, 30 Jun 2023 11:11:14 +0800</pubDate><description><![CDATA[直接将数据集标注转为 mmpose 支持的数据集格式（例如 MS COCO）。在 mmpose 中使用对应的数据集类（例如 TopdownCOCODataset）训练。]]></description><category></category></item><item><title><![CDATA[Windows安装Pytorch3d]]></title><link>https://blog.csdn.net/Snakewood/article/details/131205972</link><guid>https://blog.csdn.net/Snakewood/article/details/131205972</guid><author>Snakewood</author><pubDate>Wed, 14 Jun 2023 13:33:55 +0800</pubDate><description><![CDATA[pytorch和pytorch3d版本对应关系如下：https://github.com/facebookresearch/pytorch3d/releasescuda和NVIDIA CUB版本对应关系如下：https://github.com/NVIDIA/cub/releases?page=1本人配置如下：GPU：1050TiCUDA：11.1python：3.8。]]></description><category></category></item><item><title><![CDATA[MMPose安装及推理验证]]></title><link>https://blog.csdn.net/Snakewood/article/details/131129332</link><guid>https://blog.csdn.net/Snakewood/article/details/131129332</guid><author>Snakewood</author><pubDate>Fri, 09 Jun 2023 16:20:21 +0800</pubDate><description><![CDATA[进入网址：https://visualstudio.microsoft.com/zh-hans/visual-cpp-build-tools/，下载vs_BuildTools，下载完成后点击。MMPose 中的一些推理示例脚本需要使用 MMDetection (mmdet) 检测人体，所以这里也先安装下。（这里下载的模型权重文件，文件名可能会有一点点不同），执行完上面的命令后，在当前目录下就可以找到两个文件。进行安装，安装完成后重新执行上述命令，安装成功。要执行推理可以直接复制下面的命令。]]></description><category></category></item><item><title><![CDATA[ffmpeg下载及ffmpy3安装使用]]></title><link>https://blog.csdn.net/Snakewood/article/details/130976371</link><guid>https://blog.csdn.net/Snakewood/article/details/130976371</guid><author>Snakewood</author><pubDate>Wed, 31 May 2023 20:12:54 +0800</pubDate><description><![CDATA[进入网址：https://www.gyan.dev/ffmpeg/builds/在中下载。]]></description><category></category></item><item><title><![CDATA[2.labelme转yolo格式和MS COCO格式]]></title><link>https://blog.csdn.net/Snakewood/article/details/130874859</link><guid>https://blog.csdn.net/Snakewood/article/details/130874859</guid><author>Snakewood</author><pubDate>Thu, 25 May 2023 20:37:54 +0800</pubDate><description><![CDATA[MS COCOObject Detection（[主要处理人、车、大象等]）DensePose（姿态密度检测）Keypoints（关键点检测）Stuff（[主要处理草、墙、天等]）Panoptic（场景分割）Captions（字幕标注）]]></description><category></category></item><item><title><![CDATA[1.标注自己的关键点检测数据集]]></title><link>https://blog.csdn.net/Snakewood/article/details/130874692</link><guid>https://blog.csdn.net/Snakewood/article/details/130874692</guid><author>Snakewood</author><pubDate>Thu, 25 May 2023 20:31:18 +0800</pubDate><description><![CDATA[labelme GitHub项目地址：https://github.com/wkentaro/labelme。]]></description><category></category></item><item><title><![CDATA[3.keypoint关键点检测-COCO格式转为YOLO格式]]></title><link>https://blog.csdn.net/Snakewood/article/details/130872407</link><guid>https://blog.csdn.net/Snakewood/article/details/130872407</guid><author>Snakewood</author><pubDate>Thu, 25 May 2023 20:15:21 +0800</pubDate><description><![CDATA[网上没找到有关 关键点检测-COCO格式转为YOLO格式的相关代码，就自己参考其他人基于目标检测的进行了改写，话不多说，直接上代码。]]></description><category></category></item><item><title><![CDATA[COCO-Annotator安装和使用 [非常详细]]]></title><link>https://blog.csdn.net/Snakewood/article/details/130831339</link><guid>https://blog.csdn.net/Snakewood/article/details/130831339</guid><author>Snakewood</author><pubDate>Tue, 23 May 2023 17:20:37 +0800</pubDate><description><![CDATA[如果有公网IP，则外网可以访问，如果是局域网IP，则只能在局域网内访问，想要在外网访问还需要进行IP地址映射。下载的比较慢，可以换成国内的镜像（虽然是这么说，但我换了国内的镜像也没快多少），因为我下载的是Windows桌面版的docker，所以在界面中点击。这里还有个小问题，从图中可以看到右边的人的面部和右耳并没有露出来，对于看图片的人来说是不可见的，这里以鼻子为例，点击这个小齿轮按钮。填写好数据集名称，以及数据集中的分类，创建新的数据集。，会弹出如下页面，选择要导出的类别，单击。]]></description><category></category></item></channel></rss>