- 博客(47)
- 收藏
- 关注
RSS订阅原创 《C++程序设计》 Y.Daniel Liang著 课后一百题
河大计算机院学生c++学习上学期课后100题作业，有需求可以私信我，我会私下免费发。
2024-07-12 11:30:34
86
原创 c++数据结构--图综合应用实验——校院导航
面向学校，构建一个校院导游软件。用无向图表示所在学校的校院景点平面图，图中顶点表示主要景点，存放景点的编号、名称、简介等信息，图中边表示景点之间的道路，存放路径距离等信息。该软件具有以下基本功能，学生可自行扩展功能。（1）按照实验要求编写代码，构造导游软件系统。2）查询图中任意两个景点之间的所有可能路径；3）查新图中任意两个景点之间的最短路径；（2）输入验收用例，验证其输出结果。4）增加、删除、更新景点与道路信息。1）查询各景点的详细信息；
2024-07-10 11:50:27
575
原创 c++数据结构--构造无向图（算法6.1），深度和广度遍历
实现教材算法6.2利用邻接矩阵构造无向图的算法，提供从邻接矩阵获得邻接表的功能，在此基础上进行深度优先遍历和广度优先遍历。（1）按照实验要求编写代码，构造无向图。（2）输入验收用例，验证其输出结果。屏幕输出： 1 2 3 4 5 6。屏幕输出：1 2 6 3 4 5。
2024-07-10 11:47:17
278
原创 c++数据结构--赫夫曼树的综合应用——发报机模拟器
（1）按照实验要求编写代码，构造赫夫曼树及其编码，体会网络发送端和接收端编码和译码过程及其工作原理。（2）输入模拟发送端和模拟接受端的验收用例，验证其输出结果。
2024-07-10 11:45:11
387
原创 c++数据结构--二叉树的应用
实现教材中算法5.4描述的二叉树创建算法，在此基础上实现二叉树的先序、后序递归遍历算法、两种非递归中序遍历、层序遍历、求二叉树的深度。（1）按照实验要求编写代码，构造二叉树。（2）输入验收用例，验证其输出结果。
2024-07-10 11:43:14
333
原创 c++数据结构--链队列
用链式存储结构，实现教材定义的队列的基本操作。（1）按照实验要求编写代码，构造队列。（2）输入验收用例，验证其输出结果。
2024-07-10 11:39:45
117
原创 c++数据结构--顺序栈
用顺序存储结构，实现教材定义的栈的基本操作，提供数制转换功能，将输入的十进制整数转换成二进制。（1）按照实验要求编写代码，构造顺序栈。（2）输入验收用例，验证其输出结果。
2024-07-10 11:34:57
112
原创 c++数据结构--员工通讯录管理系统
为某单位建立一个基于文件存储的员工通讯录管理系统，可以方便查询每个员工的办公电话、手机号、电子邮箱等信息。基本功能包括从通讯录文件中读取信息构建通讯录表（顺序表、链表均可），员工信息查询、修改、删除，整个通讯录显示输出，保存等。可以再基本功能基础上，自行扩充。（1）按照实验要求编写代码，构建系统。（2）输入验收用例，验证其输出结果。
2024-07-10 11:31:42
136
原创 c++数据结构--链表
编程实现链表下教材第二章定义的线性表的基本操作，最好用菜单形式对应各个操作，使其编程一个完整的小软件。3.分别求链表中元素的个数、求直接前驱、求直接后继。1.按照实验要求编写代码，构造链表，初始化链表。5.查看链表中元素的个数并输出所有链表元素。9.输入验收用例，验证其输出结果。6.初始化链表并重新输入链表元素。2.再插入元素1 2 3。7.输出所输入的链表元素。8.最后销毁链表，退出。
2024-07-10 11:24:42
160
原创 第N5周：调用Gensim库训练Word2Vec模型
[’ ', ‘像是’, ‘为’, ‘他’, ‘的’, ‘思路’, ‘做’, ‘注解’, ‘，’, ‘赵德汉’, ‘咀嚼’, ‘着’, ‘自由’, ‘时光’, ‘里’, ‘的’, ‘最后’, ‘一碗’, ‘炸酱面’, ‘，’, ‘抱怨’, ‘说’, ‘：’, ‘你们’, ‘反贪’, ‘总局’, ‘抓’, ‘贪官’, ‘怎么’, ‘抓到’, ‘我’, ‘这儿’, ‘来’, ‘了’, ‘？祁同伟 0.9995201741252625。高育良 0.9994417985196838。在这组词汇中不匹配的词汇：书。
2024-06-21 17:07:37
276
原创 第N3周：Pytorch文本分类入门
AG News数据集是一个用于文本分类任务的广泛使用的数据集，包含了来自AG新闻网站的四个类别的新闻文章。这些类别分别是：World (世界)， Sports (体育)， Business (商业)和 Sci/Tech (科学/技术)。每个类别都包含约30,000篇新闻文章，总共有约120,000篇新闻文章。AG News数据集是一个用于自然语言处理和机器学习的常用基准数据集，可以用于测试文本分类算法的性能。大规模：AG News数据集包含大量的新闻文章，可以用于训练深度学习模型。
2024-05-30 10:15:37
485
原创 第N2周：Embeddingbag与Embedding详解
Embedding是一种将离散的数据（如词汇）映射到连续向量空间中的技术。在自然语言处理中，Embedding通常用于将单词或短语转换为固定维度的向量，这些向量可以捕获词汇之间的语义关系。
2024-05-20 10:34:23
732
原创 第N1周：one-hot编码
One-Hot编码是一种常用于机器学习中的特征编码方式，主要用于处理分类数据。它的基本思想是将分类变量转换为机器学习算法易于处理的形式。假设你有一个数据集，其中有一个特征叫“颜色”，它有三个可能的值：红色、绿色和蓝色。在机器学习中，我们不能直接让算法处理这些文本值，因为算法需要数值型的数据。这时，One-Hot编码就可以派上用场了。One-Hot编码的基本思想是为“颜色”这个特征中的每一个可能的值创建一个新的二进制列。在这个例子中，我们将为红色、绿色和蓝色分别创建三列。
2024-05-13 10:17:33
921
原创 第G8周：ACGAN任务
GAN: 传统的GAN结构由两部分组成：生成器（G）和判别器（D）。生成器接收一个随机噪声向量（z），并试图生成看起来真实的数据（G(z)）。判别器的任务是分辨输入是来自真实数据集（Real）还是生成器产生的伪造数据（Fake）。生成器和判别器通过对抗过程进行训练，生成器努力生成更真实的数据，而判别器则努力更好地分辨真假。ACGAN中的生成器接收随机噪声（z）和类别标签（c），生成特定类别的数据。CGAN: 条件生成对抗网络在传统GAN的基础上增加了条件变量（c），这允许模型生成特定条件下的数据。
2024-04-22 08:54:32
571
原创 第G7周：Semi-Supervised GAN 理论与实战
参考论文：《Semi-Supervised Learning with Generative Adversarial Networks》SGAN被提出用于解决半监督学习问题。什么是半监督学习？举个例子，半监督学习就像是在学习时，有一部分作业是老师给了标准答案，但还有一大部分作业是没有答案的。你要尽力根据已知的答案来学习，然后猜测其他作业的答案。这就是半监督学习。SGAN利用生成对抗网络（GAN）的框架，结合生成器和判别器的协同训练，通过生成器生成样本来扩充训练数据，从而提高模型在半监督学习任务上的性能。在
2024-04-15 09:27:34
827
原创 第G6周：CycleGan实战
CycleGAN的核心思想是通过两个生成器和两个判别器的组合，实现图像的风格转换，即将一种领域的图像转换为另一种领域的图像，同时保持内容不变。其中，CycleGAN的生成器和判别器分别如下：生成器：包括一个从A到B的生成器GA→BGA→B和一个从B到A的生成器GB→AGB→A。这两个生成器分别负责将A领域的图像转换为B领域的图像，以及将B领域的图像转换为A领域的图像。判别器：包括一个针对A领域的判别器DAD_ADA和一个针对B领域的判别器DB。
2024-04-12 12:26:57
1096
原创 关于jupyter notebook上使用matplotlab绘图时显示内核挂掉的解决办法
选择你自己安装anaconda的驱动盘，点击自定义大小，分出一些空间，点击设置后确定，可能提示要重启计算机。这种情况一般是分配的虚拟内存不够，需要根据自己安装anaconda情况来进行虚拟内存分配。重启之后在jupyter notebook上再次使用matplotlab就没问题了。我安装在c盘上，那么需要做的是右键我的电脑，点击属性。高级选项点击性能栏设置。虚拟内存一栏点击更改。
2024-04-11 10:53:06
442
原创 第G5周：Pix2Pix理论与实战
Pix2Pix通过结合UNet的特征提取和跳跃连接机制以及生成对抗网络（GAN）的对抗训练机制，实现了高质量的图像到图像的转换。生成器试图生成足够逼真的图像来欺骗判别器，而判别器试图准确区分真实图像和生成图像。在图像翻译中，不同的图像域可能表示不同的特征或属性，如黑白图像域、彩色图像域、草图图像域等。Pix2Pix结合了UNet结构和生成对抗网络（GAN）的特点，实现了高质量的图像到图像的转换。生成器通过最小化生成图像被判别为假的概率来优化自身参数，使得生成的图像更加逼真，同时欺骗判别器。
2024-03-25 11:08:23
1143
原创 第G4周：CGAN｜生成手势图像 | 可控制生成
进行生成器的架构构建。# 自定义权重初始化函数，用于初始化生成器和判别器的权重# 获取当前层的类名# 如果当前层是卷积层（类名中包含 'Conv' ）= -1:# 使用正态分布随机初始化权重，均值为0，标准差为0.02# 如果当前层是批归一化层（类名中包含 'BatchNorm' ）= -1:# 使用正态分布随机初始化权重，均值为1，标准差为0.02# 将偏置项初始化为全零# 定义条件标签的生成器部分，用于将标签映射到嵌入空间中# n_classes：条件标签的总数。
2024-03-18 09:33:49
834
原创 第G3周：CGAN入门｜生成手势图像
CGAN是一种生成对抗网络（GAN）的变体，它引入了条件信息，以指导生成器生成具有特定属性的逼真样本，从而在生成数据的过程中更具有控制性和可解释性。在CGAN中，生成器和判别器仍然是两个关键组件，生成器负责根据给定的条件信息生成合成数据，而判别器则努力区分真实数据和生成数据。与普通的GAN相比，CGAN在模型架构和训练过程中引入了额外的条件信息，这一信息可以是任何有助于生成具有特定属性的数据的附加输入，比如类别标签、文本描述等。
2024-03-15 11:50:21
936
原创 第G2周：人脸图像生成（DCGAN）
深度卷积对抗网络（Deep Convolutional Generative Adversarial Network，DCGAN）是一种生成对抗网络（GAN）的变体，它结合了深度卷积神经网络（CNN）的特性和生成对抗网络的架构。生成对抗网络是由生成器（Generator）和判别器（Discriminator）组成的模型。生成器尝试生成与真实数据相似的样本，而判别器则尝试区分生成的样本和真实样本。两者通过博弈的方式不断优化，使生成器生成更逼真的样本。DCGAN引入了卷积神经网络的结构，以处理图像生成任务。
2024-02-26 12:57:00
1079
原创 第G1周：生成对抗网络（GAN）入门
GAN（生成对抗网络）是一种神经网络架构，它的设计灵感来自于博弈论的思想。这种网络由两个关键组件组成：生成器（Generator）和判别器（Discriminator）。生成器的任务是从随机噪声中生成与真实数据相似的合成样本，而判别器则负责辨别给定的样本是真实数据还是生成器产生的人工样本。这两个组件通过反复对抗性的训练相互影响和提升。在训练过程中，生成器努力生成越来越逼真的样本，而判别器则不断提高辨别真实与生成样本的能力。
2024-02-23 18:26:20
1134
原创 YOLOv8第Y9周：重要模块解读
Conv: 使用普通卷积操作的模块。Conv2: 使用2D卷积操作的模块。LightConv: 使用轻量级卷积操作的模块。DWConv: Depth-wise卷积操作的模块。DWConvTranspose2d: 反卷积操作的深度卷积模块。ConvTranspose: 反卷积操作的普通卷积模块。Focus: YOLOv4中的焦点机制模块，用于提升小物体检测精度。GhostConv: 使用Ghost卷积操作的模块。
2024-02-01 09:34:37
1470
1
原创 YOLOv8第Y8周：yolov8.yaml文件解读
👉 本周任务： ● 请根据YOLOv8n、YOLOv8s模型的结构输出，手写出YOLOv8l的模型输出。
2024-01-26 09:55:24
947
原创 YOLOv8第Y7周：训练自己的数据集
在paper_data文件夹下创建一个包含main空文件夹的ImageSets文件夹。（注：环境有些小异常，没有调用GPU，所以使用cpu时epoch数设的较小，见谅。在主目录下创建paper_data文件夹，将自己的数据集放入此文件夹。运行后生成.txt文件。
2024-01-19 16:33:54
378
1
原创 YOLOv5第Y6周：模型改进
🍨 本文为🔗365天深度学习训练营 中的学习记录博客🍖 原作者：K同学啊 | 接辅导、项目定制🚀 文章来源：K同学的学习圈子本周任务：请根据修改后的YOLOv5s的网络结构图以及第Y1～Y5周的内容修改对应代码，并跑通程序。以下两张图来源于K同学，如有需要，请标明出处后使用。修改前的YOLOv5模型：修改后的YOLOv5模型：可以看出，只有图片左边发生了变化，将原先序号四部分的C32修改为C22，并将原先序号六七八部分进行修改。一、修改yolov5s.yaml文件原先：修改
2024-01-04 08:56:29
473
1
原创 YOLOv5第Y5周：yolo.py文件解读
🍨 本文为🔗365天深度学习训练营 中的学习记录博客🍖 原作者：K同学啊 | 接辅导、项目定制🚀 文章来源：K同学的学习圈子本周任务：将YOLOv5s网络模型中的C3模块按照下图方式修改形成C2模块，并将C2模块插入第2层与第3层之间，且跑通YOLOv5s。一、导入所需包import argparseimport contextlibimport osimport platformimport sysfrom copy import deepcopyfrom pathlib i
2023-12-19 22:29:45
204
1
原创 解决问题：OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized
今天跑代码时遇见一个小问题，上面显示OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized。解决方法很简单：在导入包的部分加入以下代码。
2023-12-19 22:24:51
71
1
原创 YOLOv5第Y4周：common.py文件解读
接下来，我们详细解析。例如，在 YOLOv5 的模型中，可能会从不同的层面提取特征，然后将这些不同层的输出拼接起来，以此来保留高分辨率的精细特征和低分辨率但是语义信息更丰富的特征。在 YOLOv5 模型的构建中，正确的 padding 确保特征图尺寸的一致性有助于维护不同层输出之间的对齐，这一点对于模型检测性能至关重要，因为 YOLOv5 依赖不同尺度的特征图来检测不同大小的物体。这是典型残差连接的特征，允许网络直接传递输入，与经过转换的输出相加，有利于梯度的反向传播，让网络更容易学习身份映射。
2023-12-15 20:01:58
269
原创 YOLOv5白皮书-第Y3周：yolov5s.yaml文件解读
1表示使用默认值(上一层的输出)作为输入通道数，3表示重复3次这个模块，C3表示使用C3模块，[128]是模块的参数，表示输出通道数为128。但并不能确保这三组anchor就适用于所有的数据集，YOLOv5还有anchors进化策略，使用聚类中的k-means和演化计算中的遗传算法（GA），找到与当前数据集最吻合的anchors。number:表示当前模块的理论重复次数，实际的重复次数还要由上面的参数 depth_multiple共同决定，该参数影响整体网络模型的深度。这是每个层的通道数的倍数。
2023-12-07 21:45:33
161
原创 YOLOv5白皮书-第Y2周：训练自己的数据集
images中存放的图片格式为png，官方的为jpg，后面修改一下代码即可。先进入自己创建的虚拟环境。
2023-12-01 17:43:21
129
1
原创 YOLOv5白皮书-第Y1周：调用官方权重进行检测
它是YOLO（You Only Look Once）系列模型的最新版本，采用了一种名为"Bag of Freebies"的方法，包括强大的数据增强、模型改进和训练技巧，以提高目标检测的性能。数据增强：YOLOv5引入了一系列强大的数据增强方法，包括随机缩放、横向翻转、色彩扭曲等，以增加训练数据的多样性，提高模型的泛化能力。训练技巧：YOLOv5还采用了一些新的训练技巧，包括自适应图像大小、模型蒸馏、增量训练等，以提高模型的训练效率和准确性。–weight yolov5s.pt：指定使用的权重文件。
2023-11-23 17:22:16
204
原创 P9周：YOLOv5-Backbone模块实现
YOLOv5的backbone采用了CSPDarknet53，其中CSP表示Cross Stage Partial网络，Darknet是一个轻量级的卷积神经网络。YOLOv5的默认主干网络是CSPDarknet53，它是一个深层的卷积神经网络，具有较强的特征提取能力。CSP结构是指将输入特征图分成两个分支，一个分支直接进行卷积操作，另一个分支进行通道分割和再连接操作，从而减少了计算量和内存占用。将下载好的数据集放在同一文件夹下，设置好路径，读取所有图片，随机打印出五张图片信息，并随机打印出二十张图片。
2023-11-10 18:49:33
165
1
原创 P8周：YOLOv5-C3模块实现
size = len(dataloader.dataset) # 获取训练集的大小num_batches = len(dataloader) # 训练批次数量，结果上取整train_loss, train_acc = 0, 0 # 初始化训练损失和正确率for images, labels in dataloader: # 获取图片及其标签# 计算预测误差pred = model(images) # 网络输出。
2023-11-03 18:11:09
111
1
原创 P7周：咖啡豆识别
设置好图片路径，并在总的图片基础上划分训练集与测试集，这里我把训练集与测试集中的图片比例设为0.8:0.2，加载训练集与测试集，获取并打印出总的图片数。将图片裁剪为统一尺寸并转化为张量，并将张量进行归一化，然后进行标准化处理。前面设置的网络模型进行引用，启用交叉熵损失函数与优化函数，并设置学习率。导入一些即将用到的库，定义一个cuda设备并进行打印。本次数据集由K同学提供，如有需要，请联系K同学。设置所选图片的路径，使用训练的权重。更新最佳精度并保存到权重文件中。导入所需的包并进行预处理。
2023-10-27 20:34:47
93
1
原创 P6周：好莱坞明星识别
真的很抱歉，这周事情比较多，周五下午才开始做这周的任务，在进行调用时不知道为什么老是调用不了要求的使用categorical_crossentropy（多分类的对数损失函数）完成本次选题，只能慌慌张张沿用上一次的模型。我会在周末的时候学习并掌握多分类的对数损失函数，尝试自己搭建VGG-16网络框架，并进行优化。进行数据预处理：将图片裁剪为统一尺寸并转化为张量，并将张量进行归一化，然后进行标准化处理，再使用datasets.ImageFolder 加载图像数据集，按照顺序将类别定义索引；
2023-10-13 21:06:25
57
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人