- 博客(35)
- 资源 (17)
- 收藏
- 关注
RSS订阅原创 torch.autograd.Variable(target.cuda(async=True)) ---用async调用cuda()出现 SyntaxError: invalid syntax
直接把cuda（async=true）中的async=true去掉即可。
2020-09-27 11:22:18
2861
1
原创 Java面试题2
1.JavaSE基础(32) 遍历数组的3种方式？第一种：for循环第二种：增强for循环foreach第三种：利用jdk自带的方法 --> java.util.Arrays.toString()2.JAVA中循环遍历list有三种方式？JAVA中循环遍历list有三种方式for循环、增强for循环（也就是常说的foreach循环）、iterator遍历。3.面向对象特征有哪些方面？1. 封装，隐藏内部实现，只暴露公共行为2. 继承，提高代码的重用性3. 多态，体.
2020-09-24 23:46:31
631
原创 Java面试题
1. java中wait和sleep有什么区别？多线程条件下如何保证数据安全？wait会释放锁，线程时交互sleep会持有锁，用于暂停执行2.spring主要使用了哪些？IOC实现原理是什么？AOP实现原理是什么？spring主要功能有IOC，AOP，MVC。IOC实现原理：先反射生成实例，然后调用时主动注入。AOP原理：主要使用java动态代理3.mybatis与hibernate？都是轻量级ORM框架。hibernate实现功能比较多，通过HQL操作数据库，比较简..
2020-09-24 19:52:06
1387
原创 python批量删除文件名的前几个字符
1.创建一个记事本文件并更改后缀名为.bat2.写入：@echo offsetlocal enabledelayedexpansion ::批量去掉文件名前N个字符，如果有文件夹会搜索文件夹下的每个文件进行修改set /p format=请输入需要操作的文件格式：set /p deletenum=请输入需要删除文件名前多少个字符：for /r %%i in (.) do ( for /f "delims=" %%a in (' dir /b "%%i\*.%format%" 2
2020-09-21 16:03:44
3430
4
原创 Human3.6M数据集下载
# Download H36M annotations mkdir data cd data wget http://visiondata.cis.upenn.edu/volumetric/h36m/h36m_annot.tar tar -xf h36m_annot.tar rm h36m_annot.tar # Download H36M images mkdir -p h36m/images cd h36m/images wget http://visiondata.cis.upenn.edu/volu
2020-09-21 15:45:33
3430
原创 TypeError: unsupported operand type(s) for +: ‘NoneType‘ and ‘str‘
把对应文件夹里面_int_.py文件删除就好了。。。
2020-09-20 00:21:35
709
原创 智能数字图像处理之FastRCNN（pytorch）代码解读之faster_rcnn_framework.py
class FasterRCNNBase(nn.Module):广义R-CNN的主要类。参数:支柱(nn.Module):项(nn.Module):roi_heads (n . module):从RPN获取特性+建议并计算探测/遮罩。转换(n . module):执行从输入到feed的数据转换该模型def __init__(self, backbone, rpn, roi_heads, transform):-》参数重新赋值給变量 super(FasterRCNNBase, se...
2020-09-19 23:05:31
2642
3
原创 智能数字图像处理之FastRCNN（pytorch）代码解读之my_dataset.py
def __init__(self, voc_root, transforms, train_set=True):-》voc_root训练集所在根目录，transforms预处理方法，train_set boolean变量 self.root = os.path.join(voc_root, "VOCdevkit", "VOC2012") self.img_root = os.path.join(self.root, "JPEGImages")-》图像根目录 ...
2020-09-19 22:35:39
1243
1
原创 智能数字图像处理之FastRCNN（pytorch）代码解读之spilt_data.py
这是一个脚本生成train.txt等txt文件1.files_path = "./VOCdevkit/VOC2012/Annotations"-》记住文件路径2.if not os.path.exists(files_path): print("文件夹不存在") exit(1)-》检测路径存不存在3.val_rate = 0.5-》验证集比例4.files_name = sorted([file.split(".")[0] for file in os.listdir(fil...
2020-09-19 21:35:13
648
原创 智能数字图像处理之FastRCNN（pytorch）代码解读之predict.py
解读create_model方法：1.backbone = resnet50_fpn_backbone()-》默认使用resnet50_fpn_model的resnet50_fpn_backbone方法2. model = FasterRCNN(backbone=backbone, num_classes=num_classes)-》调用FasterRCNN建立模型3.device = torch.device("cuda:0" if torch.cuda.is_available() e..
2020-09-19 21:02:42
1495
1
原创 智能数字图像处理之FastRCNN（pytorch）代码解读之train_mobilenet.py
首先看一下系统架构:解读create_model方法1.backbone = MobileNetV2(weights_path="./backbone/mobilenet_v2.pth").features-》加载MobileNetV2预训练模型 backbone.out_channels = 1280-》设置输出通道2.anchor_generator = AnchorsGenerator(sizes=((32, 64, 128, 256, 512),), ...
2020-09-17 22:29:08
2479
1
原创 智能数字图像处理之FastRCNN（pytorch）代码解读之train_resnet50_fpn.py
解读create_model方法1.num_classes：分类数2.backbone = resnet50_fpn_backbone() model = FasterRCNN(backbone=backbone, num_classes=91)-》调用faster_rcnn_framework的FasterRCNN方法，传入分类数num_classes为91
2020-09-17 18:30:05
3709
原创 计算机视觉知识点之RCNN/Fast RCNN/Faster RCNN
Rcnn第一步：输入图像，采用Selective Search 从原始图片中提取2000个左右区域候选框第二步：划分区域提案，进行归一化：将所有候选框变为固定大小的（227*227）区域，对每个候选区域，使用深度网络提取特征第三步：CNN网络提取特征 送入每一类的SVM分类器，判别是否属于该类第四步：NMS(非极大值抑制)区域边框，采用DPM精修边框的位置先模型输入为一张图片，然后在图片上提出了约2000个待检测区域，然后这2000个待检测区域一个一个地(串联方式)通过卷积...
2020-09-17 16:46:04
1822
原创 计算机视觉知识点之COCO数据集和pytorch
COCO数据集方面：COCO数据集现在有3种标注类型：1, object instances（目标实例）, 2, object keypoints（目标上的关键点）, 3, image captions（看图说话）使用JSON文件存储。每种类型又包含了训练和验证，所以共6个JSON文件。Object Instance 类型的标注格式1，整体JSON文件格式数据集中的instances_train2017.json、instances_val2017.json这两个文件就.
2020-09-17 16:36:21
1558
原创 《机器学习》实战之分类
1.k-means优点：精度高，对异常值不敏感，无数据输入假定缺点：计算复杂度高，空间复杂度高适用范围：数值型和标称型最近的邻居输入:inX:与现有数据集进行比较的向量(1xN)数据集:大小m已知向量的数据集(NxM)标签:数据集标签(1xM向量)k:用于比较的邻居的数量(应该是奇数)输出:最流行的类标签创建数据集和标签：def createDataSet(): group = array([[1.0,1.1],[1.0,1.0],[0,0],[0,0.1]])...
2020-09-17 13:19:17
590
原创 智能数字图像处理：图卷积SGN代码（pytorch）之main.py解读
1.os.environ["CUDA_VISIBLE_DEVICES"] = '0'->目的：使用CUDA环境变量CUDA_VISIBLE_DEVICES来限定CUDA程序所能使用的GPU设备.2.parser = argparse.ArgumentParser(description='Skeleton-Based Action Recgnition')-》创建解析器，使用 argparse 的第一步是创建一个 ArgumentParser 对象。fit.add_fit_args(parser
2020-09-15 15:51:40
2712
1
原创 智能数字图像处理：图卷积SGN代码（pytorch）之fit.py和util.py解读
fit.py作用：解析器:argparse.ArgumentParser返回一个添加了fit所需参数的解析器args = parser.add_argument_group('Training', 'model training')-》对命令行参数进行概念型分组。 args.add_argument('--network', type=str, help='the neural network to use')-》用于命令项选项与参数解析的模块...
2020-09-15 14:00:31
605
原创 智能数字图像处理：图卷积SGN代码（pytorch）之data.py解读
解读NTUDataset类：定义3个方法：初始化方法，求长度方法，求x,y索引def __init__(self, x, y): self.x = x self.y = np.array(y, dtype='int') def __len__(self): return len(self.y) def __getitem__(self, index): return [self.x[index], int(self....
2020-09-13 18:30:35
1159
1
原创 智能数字图像处理：图卷积SGN代码（pytorch）之model.py解读
1.self.dim1 = 256 self.dataset = dataset self.seg = seg num_joint = 25-》关节数为252.if args.train: self.spa = self.one_hot(bs, num_joint, self.seg)-》独热编码 self.spa = self.spa.permute(0, 3, 2, 1).cuda()-》转置 ...
2020-09-13 17:51:09
2265
1
原创 智能数字图像处理：图卷积SGN代码（pytorch）之get_raw_denoised_data.py解读
1.root_path = './'raw_data_file = osp.join(root_path, 'raw_data', 'raw_skes_data.pkl')save_path = osp.join(root_path, 'denoised_data')-》载入上一个文件处理后的.pkl文件路径2.if not osp.exists(save_path): os.mkdir(save_path)-》如果保存路径不存在则创建此路径3.rgb_ske_path = osp.jo..
2020-09-13 16:18:27
1120
原创 智能数字图像处理：图卷积SGN代码（pytorch）之seq_transformation.py解读
1.加载前面处理的各种文件路径root_path = './'stat_path = osp.join(root_path, 'statistics')setup_file = osp.join(stat_path, 'setup.txt')camera_file = osp.join(stat_path, 'camera.txt')performer_file = osp.join(stat_path, 'performer.txt')replication_file = osp.join(s
2020-09-13 16:14:20
3046
1
原创 成功解决Windows MemoryError: Unable to allocate 6.38 GiB for an array with shape (38
因为运行文件所在的磁盘分配内存不够问题造成的，解决方法如下：打开我的电脑-右键属性-高级-性能设置-选择高级-更改-点击E盘-点击自定义大小-设置分配内存，我选择6G,6144kb.点击确定完成，再次运行文件，问题解决！...
2020-09-12 19:00:06
54089
17
原创 智能数字图像处理：图卷积SGN代码（pytorch）之get_raw_denoised_data.py解读
1.root_path = './'raw_data_file = osp.join(root_path, 'raw_data', 'raw_skes_data.pkl')save_path = osp.join(root_path, 'denoised_data')-》载入上一个文件处理后的.pkl文件路径2.if not osp.exists(save_path): os.mkdir(save_path)-》如果保存路径不存在则创建此路径3.rgb_ske_path = osp...
2020-09-11 20:09:11
702
原创 智能数字图像处理：图卷积SGN代码（pytorch）之get_raw_skes_data.py解读
主目录：data文件夹目录：首先介绍main函数1. skes_path = './nturgb+d_skeletons/' stat_path = osp.join(save_path, 'statistics')-》定义数据集路径，准备传参。2. if not osp.exists('./raw_data'): os.makedirs('./raw_data')-》如果不存在raw_data这个文件夹的话，递归创建目录raw_data3....
2020-09-11 19:12:26
1277
1
原创 论文翻译：混合维在庞加莱几何三维骨架的动作识别
Graph Convolutional Networks (GCNs)已经展示了其对不规则数据(如人体动作识别中的骨骼数据)建模的强大能力，这提供了一种令人兴奋的新方法，为居住在图中不同部分的节点融合丰富的结构信息。在人类动作识别中，现有的研究引入了动态图形生成机制，以更好地捕捉隐含的语义骨架连接，从而提高了识别性能。在本文中，我们提供了一种正交的方法来探索底层连接。而不是引入昂贵的动态。我们认为这是一个更适合对图数据进行建模的空间，可以使提取的表示与嵌入矩阵相匹配。具体来说，我们提出了一种新的时空GCN
2020-09-11 11:48:31
1009
原创 智能数字图像处理：MobileNetV2代码（pytorch）之train.py解读
1.net = MobileNetV2(num_classes=5)-》实例化模型2.torch.load()函数载入预训练模型。3.pre_dict = {k: v for k, v in pre_weights.items() if "classifier" not in k}-》遍历权重字典，看是否有classifier整个参数，如果不在层名称当中则进行一个保存。4.missing_keys, unexpected_keys = net.load_state_dict(pre_dict,
2020-09-10 14:44:54
1615
原创 智能数字图像处理：MobileNetV2代码（pytorch）之model.py解读
1. def __init__(groups=1):-》group=1表示是普通卷积，group=2表示Depthwise(DW)卷积。2.padding = (kernel_size - 1) // 2-》padding由kernel_size来决定。3.然后定义网络结构：super(ConvBNReLU, self).__init__( nn.Conv2d(in_channel, out_channel, kernel_size, stride, padding, ...
2020-09-10 12:58:36
1690
原创 智能数字图像处理：ResNet代码（pytorch）之train.py解读
导入pytorch官方的预训练模型：from model import resnet34, resnet101载入预训练模型方法：model_weight_path = "./resnet34-333f7ec4.pth"missing_keys, unexpected_keys = net.load_state_dict(torch.load(model_weight_path), strict=False)# for param in net.parameters():# par..
2020-09-10 00:37:45
1412
1
原创 智能数字图像处理：VGGNet代码（pytorch）之train.py解读
唯一与其他模型的train.py不同的是VGGNet有一个实例化模型的方法，即能选择model.py中不同的模型进行实例化再训练。model_name = "vgg16"net = vgg(model_name=model_name, num_classes=5, init_weights=True)net.to(device)loss_function = nn.CrossEntropyLoss()optimizer = optim.Adam(net.parameters(), lr=0.00
2020-09-09 16:00:41
1079
原创 智能数字图像处理：VGGNet代码（pytorch）之model.py解读
1.self.features = nn.Sequential()：精简模块代码，提高复用。放入conv层代码或者全连接层代码。2.分类层classifier：Dropout层：nn.Dropout(p=0.5)-》随机损失一半权重参数全连接层：nn.Linear(128 * 6 * 6, 2048),-》输入128通道的6*6图像，连接层节点个数为2048个ReL激活层：nn.ReLU(inplace=True),-》减少计算量，防止梯度消失。Dropout层：nn.Dr...
2020-09-09 15:51:26
1819
1
原创 数字图像处理：GoogleNet代码（pytorch）之train.py解读
解释顺序就是代码阅读顺序训练数据集处理：1.device = torch.device()->调用GPU还是CPU进行训练2.传入参数其实是一个判断函数：cuda:0" if torch.cuda.is_available() else "cpu"-》如果有GPU使用GPU进行计算训练，否则使用CPU。3.预处理函数：transforms.Compose()4.transforms.RandomResizedCrop(224)-》随机裁剪，裁剪到224x224大小。5.tran
2020-09-09 10:58:40
2759
3
原创 数字图像处理：GoogleNet代码（pytorch）之model.py解读
GoogleNet网络结构：1.首先定义一个基本卷积模块包含一个卷积层和一个Relu激活层和一个正向传播函数。class BasicConv2d(nn.Module): def __init__(self, in_channels, out_channels, **kwargs): super(BasicConv2d, self).__init__() self.conv = nn.Conv2d(in_channels, out_channels,...
2020-09-09 01:42:33
931
原创 数字图像处理：AlexNet代码（pytorch）之train.py解读
解释顺序就是代码阅读顺序训练数据集处理：1.device = torch.device()->调用GPU还是CPU进行训练2.传入参数其实是一个判断函数：cuda:0" if torch.cuda.is_available() else "cpu"-》如果有GPU使用GPU进行计算训练，否则使用CPU。3.预处理函数：transforms.Compose()4.transforms.RandomResizedCrop(224)-》随机裁剪，裁剪到224x224大小。5.tran
2020-09-08 20:24:54
1899
2
原创 数字图像处理：AlexNet代码（pytorch）之model.py解读
首先看一下网络架构：非常简单的一个训练文件，一个测试文件，一个模型文件。模型结构图：亮点（2012）：缺点：1.model.py对照表：self.features = nn.Sequential()：精简模块代码，提高复用。放入conv层代码或者全连接层代码。第一层：Conv1-》nn.Conv2d(3, 48, kernel_size=11, stride=4, padding=2), 卷积核大小=11，卷积核个数=48，RGB图像：3通道...
2020-09-08 17:43:15
1292
res10_300x300_ssd
2021-02-10
VirtualBoxSDK-5.2.32-132073.zip
2019-08-26
vc6精简版[中文版]
2018-09-06
apache-tomcat-7.0.57
2018-09-06
Navicat_Premium_11.0.10
2018-09-06
hibernate-3.2源码
2017-09-20
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人