- 博客(18)
- 收藏
- 关注
RSS订阅原创 Python 的 yield 和 yield from，生成器以及 classic coroutine
yield 有 2 个作用，第一个是用于创建生成器 generator，第二个是创建 classic coroutine 。重点关注生成器即可。对于大多数的 Python 用户，都不需要使用 classic coroutine 。
2024-05-02 20:53:52
871
3
原创 Python 的 super 函数， __mro__ 和多继承
先说结论 —— super 函数在继承中的作用：返回 MRO 中的下一个 class 。
2024-04-07 21:32:50
931
原创 嵌套函数，nonlocal，闭包 closure 和自由变量
先说结论嵌套函数和自由变量的 2 种常见使用场景如下：1. 使用自由变量来记录状态量，或是用来登记 registration 一些输入的对象。这种用法的好处是不需要用 class ，也不需要用全局变量（正如 Google Python Style Guide 的建议，不要用全局变量）。2. 当函数内有部分代码，被重复使用次数大于等于 2 次时，就可以把这部分代码写成一个内部函数，形成嵌套函数。然后调用该嵌套函数即可。并且结合使用自由变量，还可以避免过多的参数传递。
2024-01-28 15:59:43
824
原创 Python 中赋值操作符 = 的作用
先说结论，赋值操作符 = 实际上有 2 个作用：1. 绑定 binding。即将变量和内存中的数据进行绑定。2. 修改可变对象的元素。
2024-01-22 23:20:02
370
原创 Python 中的浮点数比较，以及 decimal 模块
2 个结论：1. 在 Python 中比较浮点数的大小时，必须先用 round() 进行圆整，再比较大小。否则可能出错。2. 如果对精度要求很高，可以使用 decimal 模块。
2023-12-03 19:44:48
690
1
原创 使用 TensorRT 对 YOLOv8 模型进行 int8 量化
对 YOLOv8 模型进行 int8 量化，主要用到 Python 版的 TensorRT。
2023-09-27 23:54:39
3714
72
原创 用 Vision Transformer 做物体探测任务 object detection
Transformer 最开始是应用于 NLP 的翻译任务，而后续的实践则证明了 Vision Transformer 也能够用于物体探测等 CV 任务。下面是用 Vision Transformer 实现了一个不使用卷积、无预设框 anchor free 的物体探测器，用该探测器在 COCO 数据集上做探测任务的效果。训练环境配置： Keras/TensorFlow 2.9，Python 3.10，WIN 10，Anaconda，Pycharm 以及 Jupyter Lab.
2022-09-17 22:00:44
2350
1
原创 cooperative multitasking 和 preemptive multitasking
Python 的并发编程中，主要使用 2 种多任务机制：cooperative multitasking 和 preemptive multitasking。协程并发用到 cooperative multitasking，而多线程和多进程则用到 preemptive multitasking。
2022-08-23 17:05:07
377
原创 Python 中的并发编程和异步编程
在程序中，如果有大量的 CPU bound 任务，或是有大量的 I/O bound 任务，则可以使用并发编程和异步编程，极大地提高代码的运行速度。
2022-08-22 18:15:10
1140
原创 用 Keras/TensorFlow 2.9 创建深度学习模型的方法总结
前言Keras 中有 3 种方法可以创建深度学习模型：1. keras.Sequential 模型。 2.函数式 API。3.子类法 subclassing keras.Model。因为可用的方法很多，灵活性大，实际使用时容易出错。但是如果建模的目标，是能够表达任意结构的深度学习模型，并且能够看到模型的完整内部结构，那么在创建模型时，有 3 个简单的原则可以使用。.........
2022-06-04 19:30:13
4908
2
原创 使用 COCO 数据集训练 YOLOv4-CSP 模型
前言如果完全按照 YOLO 的论文，并不能直接训练出一个好用的物体探测 object detection 模型。这是因为我们并不知道原作者使用的超参数是什么。所以需要自行编写损失函数，尝试各种超参，对模型进行训练。下面是我用 COCO 2017 数据集中的少量图片，对 YOLOv4-CSP 模型进行训练的结果。 使用框架为 Keras/TensorFlow 2.9。
2022-06-01 17:56:30
3019
原创 用 Keras/TensorFlow 2.8 创建 COCO 的 average precision 指标
文章目录前言1. AP 的算法原理。2. 在 Keras 中的实现。3. 创建状态量。4. update_state 方法。4.1 更新第一个状态量 showed_up_classes 。4.2 更新另外两个状态量。5. result 方法。6. 测试盒 testcase。7. 使用方法。8. 下载链接。THE END前言YOLO 系列（包括 YOLOv4-CSP，YOLOv4 等）的探测器 detector，它们的损失函数由 3* 部分组成。如果这 3 部分的每一个部分都使用一个指标，将得到 3
2022-03-22 16:04:28
1828
原创 用 DeepLab-V3+ 模型做 Cityscapes 的 segmentation 任务，in Keras/TensorFlow 2.8
文章目录前言1. DeepLab-V3+ 的主体架构。2. 使用 Cityscapes 数据集。3. 环境配置和使用方法。4. 参考代码。5. github 下载链接。前言DeepLab-V3+ 是一个很好的 segmentation 架构。→ arXiv 论文链接在此可以用 Inception-ResNet V2 作为脊柱 backbone，搭建一个 DeepLab-V3+ 模型，在 Cityscapes 数据集上做 segmentation 任务，效果如下。在训练集上的效果：说明：每一行
2022-03-08 22:55:47
6078
原创 Keras/TensorFlow 交叉熵损失函数中的 from_logits 参数
文章目录1. from_logits 的两种使用方法。2. from_logits=True 是一个简便操作。3. logit 与 sigmoid 互为反函数。1. from_logits 的两种使用方法。在 Keras 的二元交叉熵损失函数（binary crossentropy，下面简称为 bce）中，有 from_logits 这个参数。在使用时需要分下面 2 种情况：如果输入给 bce 的是一个 logit 值（大小范围 [-∞, +∞] ），则应该设置 from_logits=Tru
2022-03-03 11:05:16
5504
4
原创 用 Keras/TensorFlow 2.8 创建 YOLOv4-CSP 模型
用 Keras/TensorFlow 2.8 创建 YOLOv4-CSP 模型前言1. YOLOv4-CSP 的整体结构图。2. 脊柱部分 backbone。3. 颈部 neck。4. 头部 head。5. 使用方法。6. TF 2.8 和环境配置。7. 参考博客。8. 下载地址。前言YOLOv4 的原作团队，把 YOLOv4 升级到了 Scaled-YOLOv4，用 COCO 数据集训练，最高能够实现 55.5% AP。2021 年的第二版 Scaled-YOLOv4 论文地址链接Scaled
2022-03-02 22:11:38
1389
原创 使用混合精度 mixed precision 给 Keras 加速
可以使用混合精度 mixed precision 给 Keras 加速，3个操作步骤如下：使用算力在 7.0以上的GPU，比如 NVIDIA的 RTX 3090, 3080等。在建立模型之前，设置 global_policy 为 mixed_float16。policy = tf.keras.mixed_precision.Policy('mixed_float16')tf.keras.mixed_precision.set_global_policy(policy)# 另一种写法是只用下面这
2021-11-16 22:58:29
2148
原创 Python 和 Numpy 的阶乘函数，以及对数组求阶乘
最近用Python求阶乘，发现3点：Python 的阶乘函数在内置的数学库中，即 math.factorial()。只对标量scalar进行计算，即只能针对一个数进行计算。Numpy 没有自身的阶乘函数，它是直接调用Python的阶乘函数。即 numpy.math.factorial() 等于Python的 math.factorial()。如果要对数组计算阶乘，要用Scipy的 special.factorial() 函数。使用 Python 的数学库计算阶乘，如下图。要对数组计算阶乘时，
2021-09-14 12:06:18
6837
3
原创 TensorFlow 2.4， Cuda11， Ubuntu 20.04 和 3090 显卡安装
2022 年 5 月更新 Win10 相关内容：经过 1 年多的实际使用，认为还是 Anaconda 最为方便，并且便于在 Win10 环境下使用。使用 Anaconda 的主要好处在于，能够轻松安装多个虚拟环境，比如 TensorFlow 2.9，TensorFlow 2.8 等等。使用时可以根据需要，自由地切换不同版本。例如在 Win10 中，之前使用 TF 2.8，现在要在 Anaconda 中新装一个 TF 2.9 的虚拟环境，运行 conda create -n tf2.9 python=3
2021-01-10 20:43:28
1299
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