Ztomepic的博客

现状：A机器经常需要登录B机器，每次输密码很麻烦，B机器此前已经完成允许私钥登录root等相关配置；目标：配置A机器（windows）使用私钥免输密码登录B机器（linux）；步骤：1.打开putty路径下的puttygen，点generate，鼠标在空白区域滑动，generate完成后，分别save public key和private key；2.打开A机器上保存的public key，复制内容，复制范围如下图：3.ssh登录B机器，vi ~/.ssh/authorized_keys ，在文

参考 《实践篇（四）：Apache jena SPARQL endpoint及推理》（方法不完全一样），搭建了一个知识图谱，在fuseki的web页面上传从结构化数据构建而来的本体实体后，能够正常使用，但是有几个问题：我默认使用OWLFBRuleReasoner推理机，开启后查询速度太慢，慢到只能被迫关闭推理机的程度；知识图谱的结构化数据源定时刷新，相应的知识图谱也应该定时刷新，这需要代码化的更新fuseki的本体和实体的方法；知识图谱保存在服务器的内存里，如何保存到磁盘中？本文是针对问题1的。

参考 《实践篇（四）：Apache jena SPARQL endpoint及推理》（方法不完全一样），搭建了一个知识图谱，在fuseki的web页面上传从结构化数据构建而来的本体实体后，能够正常使用，但是有几个问题：OWLFBRuleReasoner推理机开启后查询速度太慢，慢到只能被迫关闭推理机的程度；知识图谱的结构化数据源定时刷新，相应的知识图谱也应该定时刷新，这需要代码化的更新fuseki的本体和实体的方法；知识图谱保存在服务器的内存里，如何保存到磁盘中？本文是针对问题2的。查阅官方文

进程：操作系统分配资源的最小单元，每个进程之间独立内存。内含一个或多个线程。线程：系统调度的最小单元，一个进程内的各线程共享内存。多进程：创建多个子进程，绕过Python的GIL，利用多个CPU并行计算。能够提升cpu密集型任务的运行效率。https://zhuanlan.zhihu.com/p/46368084多线程：对python的多进程来说，由于GIL（全局解释锁）的限制，同一时刻CPU执行的任务只有一个，CPU在不同的线程间切换执行。多线程能够提高IO密集型任务的效率。IO密集型时，大部分

今天有个刚学pandas的朋友问了我关于矩阵乘的问题，我发现自己好久没用pandas已经忘了。写代码试验后才想起来，记下笔记，防止又忘了。。重点：1.元素乘：df1*df2, df1.mul(df2)2.矩阵乘：df1.dot(df2)a = np.array([[1, 2, 3], [4, 5, 6]])b = np.array([[1,2], ...

Python*argsdef test(a,b,c,*args): print("a = ", a) print("b = ", b) print("c = ", c) print("args = ", args)test(1,2,3,4,5)输出：a = 1b = 2c = 3args = (4, 5)*args会将所有多余参数以元祖的形式保存。**ar...

已有的代码：import torchimport torch.nn as nnimport torch.nn.functional as Fimport torchvisionimport torchvision.transforms as transformstorch.set_printoptions(linewidth=120)train_set = torchvisio...

继承 nn.Module ，建立一个 network class在 network class 的构造函数中定义== layers 为 类的属性（attributes）==用 layers 属性和 nn.functional 的方法来定义forward()torch.nn.Module 类神经网络 和 神经网络的layers 都继承自 torch.nn.module 。forward...

TensorTensor-张量，是一种数据类型，基本上来说是多维array的别名，这里的“多维”可以是任何维数，也就是说1d-tensor → vector。Rank，Axes and shapeTensor的三个基本属性：Rank，Axes and shape。**Rank:**维数，其大小恰好说明了需要多少个Index来取得Tensor里的一个数。Axes： axis复数形式，sh...

ETLExtract : 获得图片数据Transfrom :将图片转换为tensor形式Load : 将数据转为对象，以便于使用为了实现以上流程，PyTroch提供这两个类：torch.utils.data.Dataset : 抽象类(abstract class)，代表datasettorch.utils.data.DataLoader : 包装dataset，从而方便诸...

Element-wise Operation是多个 tensor 间的操作，Reduction Operation 是一个tensor内部的操作。Reduction OperationReduction Operation的返回值总是使 tensor 的元素数量变小。t = torch.tensor([[0, 1, 0],[2, 0, 2],[0, 3, 3]], dtype=tor...

Element-wise operationElement-wise 也称为 Componet-wise 或者 Point-wise这种操作在匹配的元素间起作用，“匹配”的含义是:张量有同样的shape元素的“位置”相同t1 = torch.tensor([ [1, 2], [3, 4] ])t2 = torch.tensor([ [9, 8], [7, 6] ])...

flattenreshapesqueeze explainedreshape

GPU相比CPU，GPU有上千个cores，在并行计算方面有巨大优势，与深度学习的计算需求一致。例如卷积，卷积可以并行计算kernal的中心点不同位置的情况。cuDNN如何利用GPU？CUDA为开发者们提供利用GPU并行计算的API。CUDNN，CUDA Deep Neural Network Library.Example(Pytorch)t = torch.tensor([1,...

nn.UpsampleCLASS torch.nn.Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None)参数：size – 根据不同的输入类型制定的输出大小scale_factor – 指定输出为输入的多少倍数。如果输入为tuple，其也要制定为tuple类型。注意：size跟sca...

深度可变卷积把传统的卷积过程分成两步：depthwise convolution和pointwise convolution。depthwise convolution：过滤器的层数等于输入通道数，输出的featuremap的层数也就等于输入的通道数。pointwise convolution：类似常规卷积操作，filter尺寸是1×1×M×N。M是上层输入通道数，输出featuremap数...

Kaggle官方提供的GPU频繁断开，被迫在自己的机器上跑Kernal，显卡是贫民配置1050TI，显存4GB。训练无法开始，直接报错RuntimeError: CUDA out of memory，尝试多种方法后解决，现在能够龟速训练了。1.修改Dataloader中的num_worker参数为0（似乎仅针对windows系统下）2.缩小batch_size3.把训练的代码块放入if __...

YOLOYOLO是stage one和real-time detector检测方法的鼻祖。速度高达45fps，fast YOLO达到155fps。将图片划分为S x S的网格，在每个网格中预测B个Bounding box和一个confidence score，这个score由所有box 共享。故YOLO最终输出tensor个数是S * S * (B*5 + C)，其中C是class的个数。Y...

采用组合梯度阈值和色彩信息来检测车道，组合梯度阈值组合x灰度梯度、yx灰度梯度、xy灰度梯度和方向梯度信息。基于梯度：Sobel算子X方向的Sobel算子检测X方向的梯度；Y方向的Sobel算子检测Y方向的梯度。Sobel算子对灰度图进行操作，故需要进行灰度转换：灰度转换的公式：Gray=R0.299+G0.587+B*0.114gray = cv2.cvtColor(img, cv...

整体思路1.传统视觉检测车道2.透视变换为鸟瞰3.多项式拟合透视变换接受原点和目标点，计算透视变换M注意：原点是原图上的四个点，目标点是想要这四个点前往的位置M = cv2.getPerspectiveTransform(src, dst)接受原图和目标图，计算逆透视变换MMinv = cv2.getPerspectiveTransform(dst, src)使用M进行透视...