- 博客(244)
- 收藏
- 关注
![](https://csdnimg.cn/release/blogv2/dist/pc/img/listFixedTop.png)
原创 博客目录(python相关)
机器学习Python 模块之科学计算 numpyPython 模块之 matplotlibPython 模块之科学计算 Pandas机器学习机器学习入门机器学习之 拉格朗日乘子法 和 KKT机器学习之梯度下降法 GD机器学习之 MLE 和 MAP机器学习算法之线性回归机器学习之 线性回归 接口和代码机器学习算法之 logistic、Softmax 回归...
2020-03-22 12:20:30
505
原创 Python 之代码块和小数据池
换句话说:执行同一个代码块时,遇到初始化对象的命令时,他会将初始化的这个变量与值存储在一个字典中,在遇到新的变量时,会先在字典中查询记录,如果有同样的记录那么它会重复使用这个字典中的之前的这个值。其实,无论是缓存还是字符串驻留池,都是python做的一个优化,就是将~5-256的整数,和一定规则的字符串,放在一个"池"(容器,或者字典)中,无论程序中那些变量指向这些范围内的整数或者字符串,那么他直接在这个"池"中引用,言外之意,就是内存中之创建一个。代码块包括:一个模块,一个函数,一个类,一个文件等。
2023-01-18 23:24:27
377
原创 Linux 状态命令之网络状态 iftop - 查看实时带宽流量
Linux 中查看网卡流量工具有iptraf、iftop以及nethogs等,iftop 可以用来监控网卡的实时流量(可以指定网段)、反向解析IP、显示端口信息等。
2022-12-24 18:18:34
1640
原创 Linux 状态命令之文件状态 lsof
lsof(list opened files)命令负责列出系统中已经打开的文件,包括普通文件、目录、块特殊文件、字符特殊文件、正在执行的文本引用、库、流或网络文件(例如:网络套接字,NFS文件或UNIX域套接字)。在 linux 环境下,任何事物都以文件的形式存在,通过文件不仅仅可以访问常规数据,还可以访问网络连接和硬件。所以,lsof 的功能很强大。一般 root 用户才能执行 lsof 命令,普通用户可以看见/usr/sbin/lsof命令,但是普通用户执行会显示。
2022-12-24 17:57:22
2322
原创 Linux 状态命令之 top
top 命令是 Linux 下常用的性能分析工具,能够实时显示系统中各个进程的资源占用状况,类似于 Windows 的任务管理器。top 是一个动态显示过程,即可以通过用户按键来不断刷新当前状态。如果在前台执行该命令,它将独占前台,直到用户终止该程序为止。
2022-12-24 17:05:05
2489
2
原创 Linux 状态命令之 sar
sar文件的读写情况、系统调用的使用情况、磁盘 I/O、CPU 效率、内存使用状况、进程活动及 IPC 有关的活动等。我们可以使用sar命令来获得整个系统性能的报告。这有助于我们定位系统性能的瓶颈,并且有助于我们找出这些烦人的性能问题的解决方法。Linux 内核维护着一些内部计数器,这些计数器包含了所有的请求及其完成时间和 I/O 块数等信息,sar命令从所有的这些信息中计算出请求的利用率和比例,以便找出瓶颈所在。怀疑 CPU 存在瓶颈,可用sar -u和sar -q等来查看。
2022-12-24 16:20:14
3224
转载 深度学习目标检测之 YOLO v4
论文原文:https://arxiv.org/abs/2004.10934代码原版c++: https://github.com/AlexeyAB/darknetkeras:https://github.com/Ma-Dan/keras-yolo4pytorch:https://github.com/Tianxiaomo/pytorch-YOLOv4前言2020年YOLO系列的作者Redmon在推特上发表声明,出于道德方面的考虑,从此退出CV界。本以为YOLOv3已经是YOLO系列的终.
2021-11-09 22:45:00
1167
转载 深度学习目标检测之 YOLO v3
论文名:《YOLOv3: An Incremental Improvement》论文地址https://pjreddie.com/media/files/papers/YOLOv3.pdfhttps://arxiv.org/abs/1804.02767v1论文代码https://github.com/yjh0410/yolov2-yolov3_PyTorchkeras:https://github.com/qqwweee/keras-yolo3YOLOv3在Pascal Tit.
2021-11-05 17:31:42
759
转载 深度学习目标检测之 YOLO v2
论文名:《YOLO9000: Better, Faster, Stronger》原文:https://arxiv.org/pdf/1612.08242v1.pdf代码:http://pjreddie.com/darknet/yolo/YOLO v2 斩获了CVPR 2017 Best Paper Honorable Mention。在这篇文章中,作者首先在YOLOv1的基础上提出了改进的YOLOv2,在继续保持处理速度的基础上,从预测更准确(Better),速度更快(Faster),识别对象更多(.
2021-11-04 20:47:12
405
转载 深度学习之 OHEM (Online Hard Example Mining)
论文 《Training Region-based Object Detectors with Online Hard Example Mining》链接 https://arxiv.org/pdf/1604.03540.pdfAstract摘要主要讲了四点:(1) 训练过程需要进行参数的空间搜索(2) 简单样本与难分辨样本之间的类别不平衡是亟需解决的问题(3) 自动地选择难分辨样本来进行训练不仅效率高而且性能好(4) 提出了OHEM算法,不仅效率高而且性能好,在各种数据集上表现优越.
2021-11-03 14:59:32
2901
转载 深度学习之双线性插值(Bilinear interpolation)
1. 什么是插值Interpolation is a method of constructing new data points within the range of a discrete set of known data points. Image interpolation refers to the“guess”of intensity values at missing locations.图片放大是图像处理中的一个特别基础的操作。在几乎每一个图片相关的项目中,从传统图像处理到深度学习,都
2021-11-02 21:29:29
15150
2
转载 深度学习之 DCN(Deformable Convolution)-可变形卷积
Paper link:http://openaccess.thecvf.com/content_ICCV_2017/papers/Dai_Deformable_Convolutional_Networks_ICCV_2017_paper.pdfhttps://arxiv.org/pdf/1703.06211Code link: https://github.com/msracver/Deformable-ConvNetsAbstract如何有效地对几何图形的变化进行建模一直是一个挑战,大.
2021-11-02 14:40:24
9905
1
转载 深度学习之 Cascade R-CNN
Zhaowei Cai, Nuno Vasconcelos. 《Cascade R-CNN: Delving into High Quality Object Detection》. CVPR 2018.论文链接:https://arxiv.org/abs/1712.00726代码链接:https://github.com/zhaoweicai/cascade-rcnn前言IOU阈值被用来定义正负例,当使用一个较低的IOU阈值训练object detector, 通常会导致noisy detec.
2021-10-28 16:32:40
4159
转载 深度学习之 soft-NMS
论文:《Improving Object DetectionWith One Line of Code》soft-NMS 英文论文链接:https://arxiv.org/pdf/1704.04503.pdfsoft-NMS github 链接:https://github.com/bharatsingh430/soft-nms绝大部分目标检测方法,最后都要用到 NMS 非极大值抑制进行后处理。 通常的做法是将检测框按得分排序,然后保留得分最高的框,同时删除与该框重叠面积大于一定比例的其它框。这.
2021-10-18 14:18:43
3094
转载 深度学习之RetinaNet
总述Focal loss主要是为了解决one-stage目标检测中正负样本比例严重失衡的问题。该损失函数降低了大量简单负样本在训练中所占的权重,也可理解为一种困难样本挖掘。目标识别有两大经典结构:第一类是以Faster RCNN为代表的两级识别方法,这种结构的第一级专注于proposal的提取,第二级则对提取出的proposal进行分类和精确坐标回归。两级结构准确度较高,但因为第二级需要单独对每个proposal进行分类/回归,速度就打了折扣;第二类结构是以YOLO和SSD为代表的单级结构,它们摒
2021-10-12 17:15:16
3992
转载 Python 之打包工具 setup.py
1. 为什么需要对项目分发打包?平常我们习惯了使用 pip 来安装一些第三方模块,这个安装过程之所以简单,是因为模块开发者为我们默默地为我们做了所有繁杂的工作,而这个过程就是 打包。打包,就是将你的源代码进一步封装,并且将所有的项目部署工作都事先安排好,这样使用者拿到后即装即用,不用再操心如何部署的问题(如果你不想对照着一堆部署文档手工操作的话)。不管你是在工作中,还是业余准备自己写一个可以上传到 PyPI 的项目,你都要学会如何打包你的项目。Python 发展了这么些年了,项目打包工具也已经很成熟
2021-08-01 12:17:40
4674
转载 Python 包管理之 poetry
poetry是一个Python虚拟环境和依赖管理的工具。poetry和pipenv类似,另外还提供了打包和发布的功能。官方文档:python-poetry.org/docs/python项目部署:poetry管理本地环境,上线用dockerpoetry 安装poetry提供多种安装方式,个人推荐从以下2种方式中选择:方式一:(推荐)$ curl -sSL https://raw.githubusercontent.com/python-poetry/poetry/master/get-poetr
2021-07-30 17:16:39
1994
转载 深度学习之 FPN (Feature Pyramid Networks)
目标检测近年来已经取得了很重要的进展,主流的算法主要分为两个类型:(1)two-stage方法,如R-CNN系算法,其主要思路是先通过启发式方法(selective search)或者CNN网络(RPN)产生一系列稀疏的候选框,然后对这些候选框进行分类与回归,two-stage方法的优势是准确度高;(2)one-stage方法,如Yolo和SSD,其主要思路是均匀地在图片的不同位置进行密集抽样,抽样时可以采用不同尺度和长宽比,然后利用CNN提取特征后直接进行分类与回归,整个过程只需要一步,所以其优势是速
2021-07-07 12:00:40
9271
2
转载 深度学习目标检测之 YOLO v1
YOLO v1这是继RCNN,fast-RCNN和faster-RCNN之后,rbg(RossGirshick)针对DL目标检测速度问题提出的另外一种框架。YOLO V1其增强版本GPU中能跑45fps,简化版本155fps。论文:http://arxiv.org/abs/1506.02640代码:https://github.com/pjreddie/darknet1. YOLO的核心思想YOLO的核心思想就是利用整张图作为网络的输入,直接在输出层回归bounding box的位置和boun
2021-07-06 17:12:39
1146
原创 Linux 修改系统编码
linux服务器的字符集设置可能影响到网站页面出现 “???” 等问号乱码,还有可能导致文件中的汉字部分出现乱码。有两个原因服务器没有安装 zh_CN.UTF-8 字符集,导致不支持中文!服务器虽然装了 zh_CN.UTF-8 字符集,但是未设置成系统默认的字符集查看 linux 安装的字符集运行命令loacle -a结果CC.UTF-8POSIX安装 zh_CN.UTF-8 字符集# 安装 localesapt-get install locales# 安装 zh_CN
2021-07-05 15:09:53
4528
2
转载 cookie 和 session
Cookiecookie 是一个非常具体的东西,指的就是浏览器里面能永久存储的一种数据,仅仅是浏览器实现的一种数据存储功能。cookie由服务器生成,发送给浏览器,浏览器把cookie以kv形式保存到某个目录下的文本文件内,下一次请求同一网站时会把该cookie发送给服务器。由于cookie是存在客户端上的,所以浏览器加入了一些限制确保cookie不会被恶意使用,同时不会占据太多磁盘空间,所以每个域的cookie数量是有限的。浏览器发送 cookie 规则浏览器在发送请求之前,首先会根据请求url中
2021-06-24 15:33:59
120
转载 使用 Django + Wusgi + Nginx 部署 Django
如何在生产上部署Django?Django的部署可以有很多方式,采用 nginx+uwsgi 的方式是其中比较常见的一种方式。uwsgi介绍uWSGI是一个Web服务器,它实现了WSGI协议、uwsgi、http等协议。Nginx中HttpUwsgiModule的作用是与uWSGI服务器进行交换。WSGI / uwsgi / uWSGI 这三个概念的区分。WSGI是一种Web服务器网关接口。它是一个Web服务器(如nginx,uWSGI等服务器)与web应用(如用Flask框架写的程序)通信的一
2021-06-23 20:27:34
362
转载 使用 gunicorn 部署flask项目
1、WSGI协议Web框架致力于如何生成HTML代码,而Web服务器用于处理和响应HTTP请求。Web框架和Web服务器之间的通信,需要一套双方都遵守的接口协议。WSGI协议就是用来统一这两者的接口的。2、WSGI容器常用的WSGI容器有Gunicorn和uWSGI,但Gunicorn直接用命令启动,不需要编写配置文件,相对uWSGI要容易很多3、gunicorn介绍gunicorn是一个python Wsgi http server,只支持在Unix系统上运行,来源于Ruby的unicorn项目
2021-06-23 20:26:19
1360
转载 深度学习之 TensorRT
1 简介TensorRT是一个高性能的深度学习推理(Inference)优化器,可以为深度学习应用提供低延迟、高吞吐率的部署推理。TensorRT可用于对超大规模数据中心、嵌入式平台或自动驾驶平台进行推理加速。TensorRT现已能支持TensorFlow、Caffe、Mxnet、Pytorch等几乎所有的深度学习框架,将TensorRT和NVIDIA的GPU结合起来,能在几乎所有的框架中进行快速和高效的部署推理。TensorRT 是一个C++库,从 TensorRT 3 开始提供C++ API和Pyt
2021-06-21 11:51:22
1685
1
转载 深度学习之 RPN(RegionProposal Network)- 区域候选网络
RPN的本质是 “ 基于滑窗的无类别obejct检测器 ” :对于提取候选框最常用的SelectiveSearch方法,提取一副图像大概需要2s的时间,改进的EdgeBoxes算法将效率提高到了0.2s,但是这还不够。候选框提取不一定要在原图上做,特征图上同样可以,低分辨率特征图意味着更少的计算量,基于这个假设,MSRA的任少卿等人提出RPN(RegionProposal Network, 区域候选网络),完美解决了这个问题,它的主要功能是生成区域候选(Region Proposal)(可以看做是许多潜在
2021-06-15 11:50:37
28183
7
转载 深度学习之 ROI Pooling
什么是ROI?ROI是Region of interest的简写,指的是faster rcnn结构中,经过rpn层后,产生的proposal对应的box框。ROIs Pooling顾名思义,是pooling层的一种,而且是针对ROIs的pooling。整个 ROI 的过程,就是将这些 proposal 抠出来的过程,得到大小统一的 feature map。ROI Pooling 该层有两个输入:从具有多个卷积核池化的深度网络中获得的固定大小的feature maps;一个表示所有ROI的N*5的
2021-06-13 22:13:14
16511
1
转载 深度学习之非极大值抑制(Non-maximum suppression,NMS)
非极大值抑制(Non-maximum suppression,NMS)是一种去除非极大值的算法,常用于计算机视觉中的边缘检测、物体识别等。算法流程给出一张图片和上面许多物体检测的候选框(即每个框可能都代表某种物体),但是这些框很可能有互相重叠的部分,我们要做的就是只保留最优的框。假设有N个框,每个框被分类器计算得到的分数为Si,(1<=i<=N)S_i, (1<=i<=N)Si,(1<=i<=N)。建造一个存放待处理候选框的集合H,初始化为包含全部N个框;建造
2021-06-13 11:57:50
1993
转载 深度学习之 hard negative mining (难例挖掘)
首先是negative,即负样本,其次是hard,说明是困难样本,也就是说在对负样本分类时候,loss比较大(label与prediction相差较大)的那些样本,也可以说是容易将负样本看成正样本的那些样本,例如roi里没有物体,全是背景,这时候分类器很容易正确分类成背景,这个就叫easy negative;如果roi里有二分之一个物体,标签仍是负样本,这时候分类器就容易把他看成正样本,即假阳性(false positive),这时候就是had negative。hard negative mining就是
2021-06-13 11:17:48
7228
转载 深度学习之卷积神经网络 ResNet
Resnet差不多是当前应用最为广泛的CNN特征提取网络。它的提出始于2015年,作者中间有大名鼎鼎的三位人物He-Kaiming, Ren-Shaoqing, Sun-Jian。绝对是华人学者的骄傲啊。VGG网络试着探寻了一下深度学习网络的深度究竟可以深几许以能持续地提高分类准确率。我们的一般印象当中,深度学习愈是深(复杂,参数多)愈是有着更强的表达能力。凭着这一基本准则CNN分类网络自Alexnet的7层发展到了VGG的16乃至19层,后来更有了Googlenet的22层。可后来我们发现深度CNN网络
2021-06-08 19:36:00
2743
转载 深度学习之卷积神经网络 VGGNet
2014年,牛津大学计算机视觉组(Visual Geometry Group)和Google DeepMind公司的研究员一起研发出了新的深度卷积神经网络:VGGNet,并取得了ILSVRC2014比赛分类项目的第二名(第一名是GoogLeNet,也是同年提出的)和定位项目的第一名。VGGNet探索了卷积神经网络的深度与其性能之间的关系,成功地构筑了16~19层深的卷积神经网络,证明了增加网络的深度能够在一定程度上影响网络最终的性能,使错误率大幅下降,同时拓展性又很强,迁移到其它图片数据上的泛化性也非常好
2021-06-08 19:22:27
1751
转载 深度学习之卷积神经网络 GoogleNet
GoogLeNet Incepetion V1这是GoogLeNet的最早版本,出现在2014年的《Going deeper with convolutions》。之所以名为“GoogLeNet”而非“GoogleNet”,文章说是为了向早期的LeNet致敬。深度学习以及神经网络快速发展,人们不再只关注更给力的硬件、更大的数据集、更大的模型,而是更在意新的idea、新的算法以及模型的改进。一般来说,提升网络性能最直接的办法就是增加网络深度和宽度,这也就意味着巨量的参数。但是,巨量参数容易产生过拟合也会
2021-06-08 19:12:10
1779
转载 深度学习之卷积神经网络 ZF Net
ZFNet出自论文《 Visualizing and Understanding Convolutional Networks》,作者Matthew D. Zeiler和Rob Fergus——显然ZFNet是以两位作者名字的首字母命名的。ZFNet通常被认为是ILSVRC 2013的冠军方法,但实际上ZFNet排在第3名,前两名分别是Clarifai和NUS,不过Clarifai和ZFNet都出自Matthew D. Zeiler之手,见ILSVRC2013 results。ZFNet的网络架构是在A
2021-06-08 18:30:22
1751
原创 深度学习之卷积神经网络 AlexNet
AlexNet 是 2012年ILSVRC 比赛冠军,远超第二名的CNN,比LeNet更深,用多层小卷积叠加来替换单个的大卷积。结构如下图所示。结构原始图片:2562563图像处理:随机的剪切,将256256的图片剪切成为224224的图片对224*224的图像做了一些旋转和位置变换对224224的图像做了一个图像大小的扩大,变成227227的图片备注:实际输入AlexNet网络的图片是一个2272273的图片信息"激励函数:论文中是:sigmoid,但是实际比赛的时候,使用的是
2021-06-03 19:30:27
1647
转载 深度学习之 SSD(Single Shot MultiBox Detector)
前言目标检测近年来已经取得了很重要的进展,主流的算法主要分为两个类型:(1)two-stage方法,如R-CNN系算法,其主要思路是先通过启发式方法(selective search)或者CNN网络(RPN)产生一系列稀疏的候选框,然后对这些候选框进行分类与回归,two-stage方法的优势是准确度高;(2)one-stage方法,如Yolo和SSD,其主要思路是均匀地在图片的不同位置进行密集抽样,抽样时可以采用不同尺度和长宽比,然后利用CNN提取特征后直接进行分类与回归,整个过程只需要一步,所以其优
2021-06-02 15:47:01
3222
转载 python 第三方模块之 pandas 操作 excel
python 解析 excel 对比包版本xls读xlsx读xls写xlsx写备注xlrd1.1.0(2017年8月22日)√√2.0 之后不支持xlsxxlwt1.3.0(2017年8月22日)√openpyxl2.6.2(2019年3月29日)√√XlsxWriter1.2.1(2019年9月14日)√xlutils2.0.0(2019年6月9日)√√√需xlrd/xlwt配合pan
2021-06-02 11:32:35
932
转载 深度学习之边框回归(Bounding Box Regression)
从rcnn, fast rcnn, faster rcnn, yolo, r-fcn, ssd,到cvpr的yolo9000。这些paper中损失函数都包含了边框回归,除了rcnn详细介绍了,其他的paper都是一笔带过,或者直接引用rcnn就把损失函数写出来了。前三条网上解释比较多,后面的两条我看了很多paper,才得出这些结论。为什么要边框回归?什么是边框回归?边框回归怎么做的?边框回归为什么宽高,坐标会设计这种形式?为什么边框回归只能微调,在离Ground Truth近的时候才能生效?
2021-05-31 11:51:41
3611
转载 深度学习之目标检测:R-CNN、Fast R-CNN、Faster R-CNN
object detection就是在给定的图片中精确找到物体所在位置,并标注出物体的类别。object detection要解决的问题就是物体在哪里,是什么 这整个流程的问题。然而,这个问题可不是那么容易解决的,物体的尺寸变化范围很大,摆放物体的角度,姿态不定,而且可以出现在图片的任何地方,更何况物体还可以是多个类别。object detection技术的演进:RCNN->SppNET->Fast-RCNN->Faster-RCNN传统的目标检测方法传统的目标检测方法一般分为
2021-05-28 18:00:18
3532
原创 深度学习之生成式对抗网络 GAN(Generative Adversarial Networks)
一、GAN介绍生成式对抗网络GAN(Generative Adversarial Networks)是一种深度学习模型,是近年来复杂分布上无监督学习最具前景的方法之一。它源于2014年发表的论文:《Generative Adversarial Nets》,论文地址:https://arxiv.org/pdf/1406.2661.pdf。模型通过框架中(至少)两个模块:生成模型(Generative model)和判别模型(Discriminative model)的相互博弈学习产生相当好的输出。原始
2021-05-27 17:52:44
6720
9
转载 Python 第三方模块之 numpy.random
本文概述随机数是NumPy库中存在的模块。该模块包含用于生成随机数的功能。该模块包含一些简单的随机数据生成方法, 一些排列和分布函数以及随机生成器函数。简单随机数据简单随机数据具有以下功能:1)p.random.rand(d0, d1, …, dn)随机模块的此功能用于生成给定形状的随机数或随机数。import numpy as npa=np.random.rand(5, 2)a# array([[0.74710182, 0.13306399], [0.01463718, 0.476188
2021-05-26 19:04:49
3639
转载 Python 第三方模块之 imgaug (图像增强)
imgaug是一个封装好的用来进行图像augmentation的python库,支持关键点(keypoint)和bounding box一起变换。项目主页: imgaug doc1. 安装和卸载# 通过github安装sudo pip install git+https://github.com/aleju/imgaug # 通过pypi安装sudo pip install imgaug # 本地安装, 下面的VERSION变成自己想要安装的version, 例如: imgaug-0.
2021-05-18 18:35:45
12291
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