- 博客(30)
- 收藏
- 关注
RSS订阅原创 四行指令给jetson nano安装OpenCV
给jetson系列安装其实没有这么复杂，下载脚本安装就好了。注意内存容量，然后webget，chmod，./ .sh
2021-10-11 12:01:17
1195
原创 string to char*
5中std::string到char * 的转换。返回的数组应包含与字符串对象存在的字符序列相同的字符序列，最后跟一个终止字符('\0')
2021-08-17 10:07:35
406
原创 sudo rosdep init和rosdep update的报错
安装ros的问题：sudo rosdep inithttps://blog.csdn.net/qq_44830040/article/details/106049992?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522162800953916780265474646%2522%252C%2522scm%2522%253A%252220140713.130102334…%2522%257D&request_id=16280095391
2021-08-04 01:55:39
142
原创 第五、六课：数与图【C++】
文章目录树树的定义树的基本术语树的存储法链式存储法数序存储法二叉树二叉树性质满二叉树完全二叉树二叉树的遍历、操作实现二叉查找树（二叉搜索树）二叉查找树的查找、插入、删除操作二叉查找树的其他操作二叉查找树对比散列表树的直径、最近公共祖先树的变形（基环树）图图的定义图的存储图的操作图的遍历深度优先遍历DFS广度优先遍历BFS实战树树的定义 树是由一个集合以及在该集合上定义的一种关系构成的，集合的元素称为树中的结点，所定义的关系成为父子关系。父子关系在树的结点之间建立了一个层次结构，在这种层次结构中有一个
2021-07-25 16:02:18
277
原创 第四课：递归、分治【C++】
递归recursion（实现形式）函数自身调用自身通过函数体来进行循环以相似的方法重复进行的过程例子：def factorial(n): # 要注意边界 if n <= 1: return 1 return n * factorial(n - 1)递归的三个关键定义需要递归的问题（重叠子问题）——数学归纳法确定递归边界保护与还原现场全局变量要还原，局部变量不用分治（算法）把原问题划分为若干个子问题，分别解决后，再把结果合并关键
2021-07-25 16:01:18
148
原创 第三课：哈希表、集合、映射【C++】
文章目录1. 哈希表2. 集合与映射实战set、map的使用及其特性和区别1.set2. multiset3.map4.multimap1. 哈希表哈希表(hash table)又称散列表，是一种可以通过“关键码”(key)直接进行访问的数据结构。哈希表由两部分组成一个数据结构，通常是链表、数组hash函数，输入“关键码”(key)，返回数据结构的索引对外表心啊喂可以通过关键码直接访问：hash_table[key] = value实际上是在数据结构的hash(key)位置存储了value
2021-07-25 16:00:44
693
原创 第二课：前缀和、差分、双指针
文章目录1 前缀和1.2 二维前缀和2. 差分3. 双指针扫描，滑动窗口3.1 双指针扫描4. 单调栈、单调队列5.算法对比实战1 前缀和一维数组A通常将其下标变为1～n，在前面补一个0，防止计算S[r]-S[l-1]时越界nums = [0] + nums;前缀和数组S：s[i]=s[i−1]+A[i]s[i] = s[i-1] + A[i]s[i]=s[i−1]+A[i] // 递归思想子段和——A中第l个数到第r个数的和sum(l,r)=∑i=lrA[i]=S[r]−S
2021-07-25 15:59:58
467
原创 第一课：链表、栈、队列
文章目录第一周：链表、栈、队列1. 数组vector可变长动态数组2. 链表3. 栈stack4. 队列queue5. 双端队列deque6. 优先队列priority queue实战第一周：链表、栈、队列1. 数组数组操作时间复杂度：Look up >> O(1)Insert >> O(n)Delete >> O(n)Append (push back) >> O(1)Prepe
2021-07-25 15:58:56
189
原创 2021-06-21
目录第一周：链表、栈、队列1. 数组vector可变长动态数组2. 链表3. 栈stack4. 队列queue5. 双端队列deque6. 优先队列priority queue实战第一周：链表、栈、队列1. 数组数组操作时间复杂度： Look up >> O(1) Insert >> O(n) Delete >> O(n) Append (push back) >> O(1)
2021-06-21 02:31:33
189
原创 报错：RuntimeError: cuDNN error: CUDNN_STATUS_EXECUTION_FAILED
cudnn出问题了，暂时禁用torch.backends.cudnn.enabled = False
2021-04-20 15:38:22
237
1
转载 faster r-cnn实现--backbone
backbone的意思就是骨干网络，backbone+head subnet就可以组成一个目标检测网络，为了有一个好的初始值以及加快训练，往往会使用imagenet的预训练模型作为backbone，以vgg16作为backbone为例。上节说到就是在vgg中间塞一个rpn，也就是在分类的全连接层之前加rpn，那么我们把这两部分分开。用的是torchvision的实现和预训练模型。def load_backbonevgg16(pretrained=True,**kwargs):model=vgg16(p
2021-03-21 08:08:24
1074
原创 看懂这一篇，你就入门机器学习了
文章目录一、引言inreoduction1. 1监督学习Supervised learning1.2 无监督学习Unsupervised learning二、单变量线性回归Linear Regression with One variable2.1 模型表述Model Representantion2.2 算法Algorithm2.3 注意点Attention point三、多变量线性回归Linear Regression with Multiple variable3.1 模型描述Model Repres
2020-11-02 16:10:13
224
原创 《machine learning》11 机器学习系统的设计
11.1 邮件分类实例监督学习supervised learning：x = 邮件的特征 ，y = 标签1或0（是否为垃圾邮件）特征features x: 选择100个出现频率最高的单词。例如 deal,now…更可能是非垃圾邮件提取特征单词，按字典排序，特征向量为0/1，判断特征单词是否出现如何快速的使邮件分类器有低误差：收集更多数据使用更复杂的特征变量描述邮件 （发件人、地址…）关注邮件主题，并使用更复杂的特征变量（标点，大小写）检测邮件中的拼写错误在机器学习中，可以想尽办法去想
2020-10-30 15:30:12
171
原创 《machine learning》10 机器学习算法诊断
10.1 正确选择如果预测出现很大偏差，需要尝试去：收集更多的训练样本尝试使用更少的特征尝试使用更多的特征增加特征的多项式，例如增加x12,x22,x1x2,etc.x^2_1,x^2_2,x_1x_2,etc.x12,x22,x1x2,etc.尝试增大或减小正则化参数λ\lambdaλ值诊断法：是一种测试方法，通过测试可以了解算法问题所在，如何改进10.2 评估假设函数将样本分为训练集mmm和测试集mtestm_{test}mtest 7:3（样本需随机分布）线性回
2020-10-30 15:29:40
303
原创 《机器学习》9神经网络
9.1 神经网络损失函数神经网络数据集：(x(1),y(1)),(x(2),y(2)),...,(x(m),y(m)){(x^{(1)},y^{(1)}),(x^{(2)},y^{(2)}),...,(x^{(m)},y^{(m)})}(x(1),y(1)),(x(2),y(2)),...,(x(m),y(m))神经网络层数：LLL第lll层的神经元数（lll层特征数）：sls_lsl（不包括偏差特征）cost function:∑i=1m\sum^m_{i=1}∑i=1m: 样本从1到m的
2020-10-26 14:35:51
168
原创 《machine learning》8神经网络：表述
8.1 传统机器学习非线性假设逻辑回归适用于特征类别少的数据集，当特征类别数多的时候，使用逻辑回归会产生非常多的特征项，会过拟合。上图5050像素的灰度图像，在一张图像中会产生5050*255个特征类别，在使用传统的机器学习中的逻辑回归，将不同的特征类别按最高二次进行组合，会产生3百万个不同的特征。显然这是不实用的。8.2 神经元与大脑8.3 神经网络的假设输入层input layer输出层output layer隐藏层hidden layer模型参数parameter = 权重wight
2020-10-22 14:52:08
149
原创 《machine learning》7正则化
7.1 过拟合欠拟合：模型没有很好的拟合数据集。或称高偏差。过拟合：高阶多项式，变量太多，数据集不够约束这些变量。或称高方差。过拟合在参数过多时发生，假设训练出的模型能很好的拟合训练集，误差函数非常接近0，但这样的曲线无法泛化到新样本。泛化：一个假设模型应用到新样本的能力调试和诊断过拟合解决办法：减少选取变量的数量，人工选择保留重要的变量，使用算法选择变量保留所有变量，减少量级，或参数θj\theta_jθj的大小7.2 正则化损失函数变量过多出现过拟合后，引入惩罚项。训练使损失
2020-10-20 00:23:17
614
原创 《machine learning》6逻辑回归
6.1 离散分类问题线性回归算法不适用分类问题。6.2 假设表示（方程）逻辑函数（sigmoid函数）：g(z)=11+e−zg(z)={1\over 1+e^{-z}}g(z)=1+e−z1逻辑回归假设函数：hθ(x)=g(ΘTx)=11+e−ΘTxh_\theta(x)=g(\Theta^Tx)={1\over 1+e^{-\Theta^Tx}}hθ(x)=g(ΘTx)=1+e−ΘTx1h(x)指的是在给定参数Θ\ThetaΘ的前提下，y=1（患病）的概率条件概率：hθ(x)=P
2020-10-19 20:24:39
164
原创 算法实现——多元梯度
y = 2 + 3✖️size - 4✖️years + 2✖️floors#y = theta_0 + theta_1 * size - theta_2 * years + theta_3 * floorsimport numpy as npm = 10size = np.random.randint(80,120,10)years = np.random.randint(1,10,10)floors = np.random.randint(1,20,10)labels = 2 + 3*si
2020-10-19 09:31:43
167
原创 《machine learning》4 多变量线性回归
多维特征x(i)x_{(i)}x(i)表示n个特征中的第i个特征x(i)x^{(i)}x(i)表示m个样本中的第i个样本的n个特特征。是一个n维向量如x2x^2x2表示第二个房子的四个特征x2=[14162240]x^2=\begin{bmatrix}1416 \\ 2 \\2 \\40\\ \end{bmatrix}x2=⎣⎢⎢⎡14162240⎦⎥⎥⎤xj(i)x^{(i)}_jxj(i)表示第i个样本中第j个特征值。x2(3)=2x^{(3)}_2=2x2(3)=2假设函数：h
2020-10-18 11:13:16
464
1
原创 《machine learning》3线性代数
3.1 矩阵和向量矩阵Matrix : Recrangular array of numbersR4∗2R^{4*2}R4∗2：4行2列矩阵矩阵的项：Ai,jA_{i,j}Ai,j矩阵A第i行j列的元素A=[A1,1A1,2A2,1A2,2A3,1A3,2]A=\begin{bmatrix}A_{1,1}&A_{1,2}\\A_{2,1}&A_{2,2}\\A_{3,1}&A_{3,2}\\ \end{bmatrix}A=⎣⎡A1,1A2,1A3,1A1,2A2
2020-10-16 10:03:01
313
原创 算法实现——梯度下降python实现
y=theta0∗x+theta1y = theta0 *x + theta1y=theta0∗x+theta1y=2∗x+96y = 2 * x + 96y=2∗x+96# 构造数据集X=list(range(1,21))Y=[98,100,102,104,106,108,110,112,114,116,118,120,122,124,126,128,130,132,134,136]m = len(X)def sgd(m, theta0, theta1, X, Y, lr): gra
2020-10-15 15:32:04
128
原创 《machine learning》2单变量线性回归
二、单变量线性回归Linear Regression woth One Variable2.1 模型描述训练数据集=>学习任务=>输出假设函数h(x)h(x)h(x)mmm 训练样本数xxx 输入变量/特征yyy 输出变量(x(i),y(i))( x^{(i)} , y^{(i)} )(x(i),y(i))第i个样本2.2 代价函数选择合适的模型参数parameters使(h(x)−y)2(h(x)-y)^2(h(x)−y)2（预测值和真实值的误差）尽可能的小。对于回
2020-10-13 15:03:19
228
原创 《machine learning》引言
一、引言introduction1.2 什么是机器学习解决任务T，进行性能度量P，通过P测定在任务T上的表现因经验E而提高1.3 监督学习教计算机完成某事，给定一个带标签（正确解）的数据集。房价预测问题：给定一组带正确售价的房价数据集。通过算法预测其他想要卖掉房子的房价回归问题：预测输出连续的数值输出（单个价格输出）分类问题：预测一个离散值输出（多个输出值）1.4 非监督学习数据集无标签，计算机自己找到某种结构。（分类算法等）如：自动将客户分类，自动分类市场...
2020-10-13 12:21:14
146
原创 《动手学深度学习》基础篇
《动手学深度学习》读书笔记摘要前言如何使用本书内容和结构简介核心原则。特点预备知识安装准备win:mac/linux更新代码和环境使用GPU数据操作创建NDArray运算广播机制索引运算的内存NDArray和NumPy互相转换自动求梯度深度学习基础线性回归线性回归基本要素模型（model）：设面积为x1，房龄为x2，出售价格为y。模型训练(model training)模型预测（模型推断、模型测试）线性回归的表示方法神经网络图矢量计算表达式线性回归利用NDArray、autograd实现线性回归利用gluo
2020-09-27 21:34:30
721
转载 PID学习笔记
小明接到这样一个任务：有一个水缸点漏水(而且漏水的速度还不一定固定不变)，要求水面高度维持在某个位置，一旦发现水面高度低于要求位置，就要往水缸里加水。 小明接到任务后就一直守在水缸旁边，时间长就觉得无聊，就跑到房里看小说了，每30分钟来检查一次水面高度。水漏得太快，每次小明来检查时，水都快漏完了，离要求的高度相差很远，小明改为每3分钟来检查一次，结果每次来水都没怎么漏，不需要加水...
2018-10-28 23:01:02
286
原创 1-2 四轴飞行器基本原理
关于基本原理这里只作简单的介绍 无刷电机转动都会有个反扭力，但是显然飞机必须平衡才能好好飞行，所以四旋翼无人机一般都会有两个正转的电机，两个反转的电机，且处于对角线位置，这样的布局就是为了平衡每个电机反扭力。所以大家一定要记住各位置电机的正反转，最简单的记忆方法就是电机都往飞机的中心转。垂直运动 无人机利用旋翼实现前进和停止。力的相对性意味着旋翼推动空气时，空气也会反向推动旋翼。这是无人...
2018-04-16 21:17:52
5061
原创 1-1无人机工程师（无人机基本构成）
文章将主要分为五个部分一、无人机的基本构成、原理二、机械结构设计三、传感器扩展四、机器视觉五、机器学习这里介绍构成一架四轴的最基本构成部件。遥控、飞控、电调、电机、螺旋桨、电池1， 遥控器 首先，不管是玩航模还是无人机甚至车模，遥控器都是必备的，这里为小白推荐几款入门级较好的遥控：天地飞7、天地飞9、乐迪AT9S。我后面的文章应该用AT9S比较多，不过都一样殊途同归。遥控一般有PPM...
2018-04-16 00:59:02
2064
1
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