csg3140100993的博客

直接放YoLoV3的网络结构图，让我们稍微看一下YoLov3的网络结构。YoLoV3网络主要分成两大部分： 1.主干网络 DarkNet53 2.多尺度预测 1.主干网络DarkNet53首先是主干网络DarkNet53，结合网络图我们看到它主要是使用了残差块Residual block，这里残差块就是进行一次3X3、步长为2的卷积，然后保存该卷积layer，再进行一次1X1的卷积和一次3X3的卷积，并把这个结果加上layer作为最后的结果.此外，主干网络DarkNet5

上采样/反卷积/上池化的区别上采样是指将图像上采样到更高分辨率的任何技术。最简单的方法是使用重新采样和插值。即取原始图像输入，将其重新缩放到所需的大小，然后使用插值方法（如双线性插值）计算每个点处的像素值。在CNN上下文中，上池化通常指代最大池化的逆过程。在CNN中，最大池化操作是不可逆的，但是我们可以通过使用一组转换变量记录每个池化区域内最大值的位置来获得一个近似的逆操作结果。在反卷积（网络）中，上池化操作使用这些转换变量从前一层输入中安放这些复原物到（当前层）合适的位置，从而一定程度上保护了原

写完前面关于python接口的文章发现忘了写训练自己的数据集的文章了，这里补上，用的还是AlexeyAB版本的darknet。第一步:首先就是用labelimg做标注，这一步是最费时间的，注意这里一张图片是可以同时标注多个物体的，只是要做好对照关系，我之前网上找了一些教程都只标注了一个物体，这里说明一下标注多个物体也是可以的。第二步:构建训练时可以读取的文件夹目录格式，如下所示：将xml文件放入Annotations文件夹，将图片放入JPEGImages文件夹，利用下面的代码1生成的mytr

首先说一下俺搭建的环境是什么样子的：win10+anaconda+python3.6+VS2015+GTX960+运行CUDA版本10.1+驱动版本CUDA11.1+opencv3.4+C语言版本darknet AlexeyAB简单说明一下，这里用的方法类似于我上一篇文章中提到的第二种方法，将darknet从github上面拉下来之后用VS2015编译生成yolo_cpp_dll.dll这个链接库，可以生成不包含GPU的dll，但是不包含gpu的dll速度就很慢，10s的视频要跑1分多钟，很是心累，而g

windows平台下python接口调用darknet训练的模型进行视频中的目标检测的两种办法(待实践)。一个方法是可以直接用opencv的python接口进行调用，参考文章：1、opencv的python接口修改https://blog.csdn.net/qq_27158179/article/details/81915740?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-

1、首先是查看自己的电脑的GPU，通过查看GPU版本来选择安装CUDA+cudnn我的电脑GPU是GTX960，打开NVIDIA控制面板可以查看得到CUDA需要安装的版本，我的对应版本的CUDA10.1可以查找下载安装教程，下载完成之后离线安装即可。CUDA直接双击之后以此安装即可，cudnn的安装更加简单，解压之后将对应文件复制到CUDA对应的文件夹下面即可，详细操作网上有很多教程。安装完成之后，打开cmd命令窗口，输入ncvv -V检查即可。2、visual studio 2

后备知识：make_heap(first ,last)make_heap(first ,last, cmpObject)将[ first, last )范围进行堆排序，cmpobject默认使用less < int>(大顶堆)，小顶堆为greater<int>。pop_heap(first ,last)pop_heap(first ,last, cmpObject)将front（即第一个最大元素）移动到end的前部(堆删除)，同时将剩下的元素重新构造成（堆

//之字形打印二叉树,栈+队列,根节点设为第0层/*struct TreeNode { int val; struct TreeNode *left; struct TreeNode *right; TreeNode(int x) : val(x), left(NULL), right(NULL) { }};*/class Solution {public: vector<vector<int> .

题目描述统计一个数字在升序数组中出现的次数。class Solution {public: int GetNumberOfK(vector<int> data ,int k) { int first=binaryseachfirst(data,0,data.size()-1,k); int last=binaryseachlast(data,0,data.size()-1,k); if(first==-1&&.

题目描述在数组中的两个数字，如果前面一个数字大于后面的数字，则这两个数字组成一个逆序对。输入一个数组,求出这个数组中的逆序对的总数P。并将P对1000000007取模的结果输出。 即输出P%1000000007输入描述:题目保证输入的数组中没有的相同的数字数据范围：对于%50的数据,size<=10^4对于%75的数据,size<=10^5对于%100的数据,size<=2*10^5示例1输入复制1,2,3,4,5,6,7,0输出.

题目描述输入n个整数，找出其中最小的K个数。例如输入4,5,1,6,2,7,3,8这8个数字，则最小的4个数字是1,2,3,4。class Solution {public: vector<int> GetLeastNumbers_Solution(vector<int> input, int k) { vector<int> res; if(input.size()<=0) return res; ...

输入一个字符串,按字典序打印出该字符串中字符的所有排列。例如输入字符串abc,则按字典序打印出由字符a,b,c所能排列出来的所有字符串abc,acb,bac,bca,cab和cba。class Solution {public: set<string> res;//set去重加排序 void swap(vector<char>& a,int x,int y){//交换char数组中的元素位置，参数引用 char temp=a[x];

题目描述请实现一个函数，将一个字符串中的每个空格替换成“%20”。例如，当字符串为We Are Happy.则经过替换之后的字符串为We%20Are%20Happy。class Solution {public: void replaceSpace(char *str,int length) { string st=str;//char*转为string string temp; for(int i=0;i<st.length();i++)

1）特征并行lgbm特征并行的前提是每个worker留有一份完整的数据集，但是每个worker仅在特征子集上进行最佳切分点的寻找；worker之间需要相互通信，通过比对损失来确定最佳切分点；然后将这个最佳切分点的位置进行全局广播，每个worker进行切分即可。xgb的特征并行与lgbm的最大不同在于xgb每个worker节点中仅有部分的列数据，也就是垂直切分，每个worker寻找局部最佳切分点，worker之间相互通信，然后在具有最佳切分点的worker上进行节点分裂，再由这个节点广播一下被切分到左右节.

学好算法全靠套路，认准 labuladong 就够了。读完本文，你不仅学会了算法套路，还可以顺便去 LeetCode 上拿下如下题目：78.子集46.全排列77.组合-----------今天就来聊三道考察频率高，而且容易让人搞混的算法问题，分别是求子集（subset），求排列（permutation），求组合（combination）。这几个问题都可以用回溯算法模板解决，同时子集问题还可以用数学归纳思想解决。读者可以记住这几个问题的回溯套路，就不怕搞不清了。PS：我认真写了

/*struct TreeNode { int val; struct TreeNode *left; struct TreeNode *right; TreeNode(int x) : val(x), left(NULL), right(NULL) { }};*/class Solution {public: vector<vector<int> > Print(TreeNode* pRoot) {.

https://blog.csdn.net/LuckyJune34/article/details/54599655

TCN这里有个博客写的很不错：https://www.cnblogs.com/USTC-ZCC/p/11734436.html

保存模型时from sklearn.externals import joblibjoblib.dump(clf, 'model.pkl',compress=3)报错cannot import name 'joblib' from 'sklearn.externals'这是sklearn的版本的问题，最新版本需要pip install joblib

这是因为在python3中keys不允许切片，先转List再切片就好了示例： 将下行的代码：firstStr = inputTree.keys()[0]转为：firstStr = list(inputTree.keys())[0]即可