fksfdh的博客

通过floor函数找到下限，floor+1找到上限，但是要防止超过图像的像素坐标值。通过最邻近找到P点，然后需要找到出四个相邻像素点。原公式是右偏移的，新公式中心对其了。使用下面公式，寻找最近一个像素值。将y视为像素值的函数；...

opencv

opencv

config.pyclass Hyperparameter: # ################################################ # data # ################################################ device = 'cpu' trainset_path = './data/train.txt' testset_path = './dat

import torchimport numpy as npimport matplotlib.pyplot as pltimport matplotlibmatplotlib.rcParams['font.family'] = 'SimHei'#softmaxdef softmax(input): # input = torch.tensor([1,2,3],dtype=torch.float32) sum = np.sum([torch.exp(i) for i in in

交叉熵损失函数：softmax：import torchfrom torch import nnmodel_out = torch.tensor([[1,2,3], [4,5,6]],requires_grad=True,dtype=torch.float32)#类别y = torch.tensor( [0,2])ce_mean = nn.CrossEntropyLoss(reduction='mean')loss =

1、shape与size()print('*' * 100)print('查看数据形状')data1 = torch.randn((7,3,32,32))print("shape:",data1.shape)print("size:",data1.size())查看数据形状shape: torch.Size([7, 3, 32, 32])size: torch.Size([7, 3, 32, 32])2、squeeze与unsqueeze#压缩print('*' * 100)p

公式：代码：import mathimport numpy as npimport matplotlib.pyplot as pltdef sigmoid(x): e1 = 1 + pow(math.e,-(x)) e2 = pow(e1,-1) return e2 #导数def d_sigmoid(x): e = sigmoid(x) * (1 - sigmoid(x)) return ex_ = np.arange(-10.

N叉树的遍历的迭代和递归实现1、先序遍历//迭代class Solution {public: vector<int> preorder(Node* root) { if(root == NULL) return vector<int>(); vector<int> res; stack<Node*> mystack; mystack.push(root); w

1、网络整体架构在之前首先要知道三个概念：先验框，真实框和预测框在a图中：蓝色和红色框就是真实框，是人为标注的标签。在b图和c图中，因为通过网络进行了下采样后，下采样不同的倍数，得到的每个feature map中每个格子(点)叫做anchor，然后在anchor的基础上，人为定义一些宽高比，图中定义了三种宽高比，然后每个格子都对应了三个先验框。而预测框是在有了先验框之后，通过网络前向计算得到宽高和中心的调整值，然后作用在先验框后，最后得到了预测框。前向预测的解码：在R

1、从101个数中找到出现一次的那1个数？//101void demo01() { int arr[5] = { 5,7,6,7,5 }; int result; result = 0; for (int i = 0; i < 5; i++) { result ^= arr[i]; } printf("出现一次的那个数=%d\n", result);}2、从102个数中找到出现一次的那2个数？//101int d