很随便的wei-CSDN博客

原创激光雷达：机械式、半固态、固态的总结

难点：悬臂梁转动角度有限，导致单个振镜视角太小，需要多台拼接才能实现大场视角覆盖，导致点云图像在叠加边缘出现不均匀的畸变和重叠，加大后续算法处理难度。无论是机械式还是半固态，都是收发模块搭配一种机械运动的扫描模块，只要内部有运动部件，就不能算是纯固态。优点：简化了扫描结构，只需要控制微振镜的偏转角度改变扫描路径，只需要几个激光器就能达到等效于机械式更多线束激光的覆盖区域和点云密度。MEMS：厘米尺度的振镜，通过悬臂梁在横纵两轴高速周期运动，从而改变激光反射方向，实现扫描。半固态可以分为一维扫描和二维扫描；

2023-12-27 15:13:38 1030

原创 Mac下使用vscode远程到服务器时解决opencv显示图像的问题

当你使用vscode远程到服务器进行开发的时候，想要显示图像会出现报错，时因为服务器没有GUI支持，不能直接显示图像。我在使用Mac的时候遇到了这个问题，给出解决的方案，搭建相关环境。

2023-09-23 16:23:45 624

原创利用python的opencv框架实现图像插值算法

插值算法图像常用的插值算法有两种，一种是最近邻插值算法，另外一种是双线性插值算法。最近邻插值算法，顾名思义最近邻插值，是指将目标图像中的点，对应到源图像中后，找到最相邻的整数点，作为插值后的输出。emsp;如上图所示，目标图像中的某点投影到原图像中的位置为点P,此时易知，f(P)=f(Q11)f(P) = f(Q11)f(P)=f(Q11). 如下图所示，将一幅3X3的图像放大到4X4，用f(x,y)f(x, y)f(x,y)表示目标图像，h(x,y)h(x, y)h(x,y)表示原图像，我们有如下

2021-09-14 22:31:47 781

原创 CNN的Pytorch实现(LeNet)

CNN的Pytorch实现(LeNet) 大家可以关注我的博客园：很随便的wei，第一时间获取我的更新信息~ 上次写了一篇CNN的详解，可是累坏了老僧我。写完后拿给朋友看，朋友说你这Pytorch的实现方式对于新人来讲会很不友好，然后反问我说里面所有的细节你都明白了吗。我想想，的确如此。那个源码是我当时《动手学pytorch》的时候整理的，里面有很多包装过的函数，对于新入门的人来讲，的确是个大问题。于是，痛定思痛的我决定重新写Pytorch实现这一部分，理论部分我就不多讲了，咱们直接分析代码，此代码

2021-08-30 10:35:19 730

原创 CNN网络详解

前言在学计算机视觉的这段时间里整理了不少的笔记，想着就把这些笔记再重新整理出来，然后写成Blog和大家一起分享。目前的计划如下（以下网络全部使用Pytorch搭建）：专题一：计算机视觉基础介绍CNN网络(计算机视觉的基础)浅谈VGG网络，介绍ResNet网络（网络特点是越来越深）介绍GoogLeNet网络（网络特点是越来越宽）介绍DenseNet网络（一个看似十分NB但是却实际上用得不多的网络）整理期间还会分享一些自己正在参加的比赛的Baseline专题二：GAN网络搭建普通的G

2021-08-28 23:41:42 9555 2

原创考研数学基础-极限知识点

1.求极限考虑左右极限的几种函数，可以看看函数的图可以得出左右极限不同的几何意义。可能结合复合函数考察，一般是对x所表示的内容做操作。（求渐近线，间断点也有考察）1）指数函数趋于无穷的时候2）arctanX/arccotX趋于无穷的时候3）含有偶次方根的函数趋于无穷的时候，因为数的绝对值受这个数的正负影响4）需要去绝对值的函数，本质上和3一样5）分段函数6）取整函数2.当出现绝对值的时候，函数(-1)^n可能是一个考点。3.数列可以看作一个定义域为正整数集N*或其有限子集{1，2

2021-08-18 23:11:31 795

原创一看就会(废)的最小二乘法推导

一、预备知识：方程组解的存在性及引入最小二乘法可以用来做函数的拟合或者求函数极值。在机器学习的回归模型中，我们经常使用最小二乘法。我们先举一个小例子来走进最小二乘法。某次实验得到了四个数据点(x,y):(1,6)、(2,5)、(3,7)、(4,10)(x,y):(1,6)、(2,5)、(3,7)、(4,10)(x,y):(1,6)、(2,5)、(3,7)、(4,10) (下图中红色的点)。我们希望找出一条与这四个点最匹配的直线 y=θ1+θ2xy = \theta_{1} + \theta_{

2021-06-13 13:24:37 1420

原创最大似然估计详解

一、引入极大似然估计，我们也把它叫做最大似然估计(Maximum Likelihood Estimation)，英文简称MLE。它是机器学习中常用的一种参数估计方法。它提供了一种给定观测数据来评估模型参数的方法。也就是模型已知，参数未定。在我们正式讲解极大似然估计之前，我们先简单回顾以下两个概念：概率密度函数(Probability Density function),英文简称pdf似然函数(Likelyhood function)1.1 概率密度函数连续型随机变量的概率密度函数

2021-06-09 15:12:03 23279 2

原创优化模型之指派问题(整数规划)

一、前言优化模型主要有线性规划、非线性规划、动态规划和整数规划。而指派问题是整数规划中一类重要的问题：有nnn项任务，由nnn个人来完成，每个人只能做一件，第iii个人完成第jjj项任务要cijc_{ij}cij小时，如何合理安排时间才能使总用时最小？二、指派问题的数学模型我们引入 0 - 1变量 xijx_{ij}xijxij={1,表示指派第i个人完成第j项工作0,表示不指派第i个人完成第j项工作x_{ij} = \begin{cases}1, & \text{表示指派

2021-06-06 13:17:18 15262 8

原创机器学习之K近邻(K-NN)算法 (二)

一、k-近邻算法回顾在第一部分，我们已经讲解了k-近邻算法。简单来说，k-近邻算法就是采用测量不同特征值之间的距离的方法来进行分类。优点：精度高、对异常值不敏感、无数据输入假定缺点：计算复杂度高、空间复杂度高使用数据范围：数值型和标称型二、k-近邻算法的一般流程kNN算法实现步骤：计算已知类别的数据集中的点与当前点之间的距离按照距离递增次序排序选取与当前点距离最小的k个点确定前k个点所在类别出现的频率返回前k个点出现频率最高的类别作为当前点的预测分类下面我们将用根据以上步

2021-06-03 01:22:14 203

原创如何正确理解维度灾难

一、前言博主最近在学习机器学习的PCA降维算法的时候，对于维度灾难和特征稀疏有了新的认识。这篇文章主要讲解什么是维度灾难，并从几何的角度来对其进行形象的解释。二、维度灾难的概念维度灾难(Curse of Dimensionality)，什么是维度呢？在机器学习的表示中,我们常常用XXX表示数据集,xix_{i}xi表示其中的一个样本，xi(j)x_{i}^{(j)}xi(j)表示第i个样本汇总的第j个特征。==样本的特征个数也就是维度。==而维度灾难就是说，我们在训练样本的时候，在样本数目

2021-06-02 22:34:52 4849 3

原创机器学习之K近邻(K-NN)算法 (一)

前言 kNN(k -Nearest Neighbours)算法是非常简单易懂的算法，它的适用范围很广，并且在样本量足够大的情况下获得很好的模型效果。它是一种用于分类和回归的非参数统计方法。 knn算法的理论和实战将会分为三个部分进行讲解，这是第一部分。本部分具体内容如下：讲解K-NN算法的基本概念、原理k的选取、特征归一化一、 k近邻算法的基础参考维基百科，我们给出以下解释：在k-NN分类中，输出是一个分类族群。一个对象的分类是由其邻居的"多数表决"确定的，k个最近邻中最多的分类决

2021-05-26 18:17:09 897

原创机器学习基础知识

一、机器学习分类机器学习或者统计学习一般包括监督学习、无监督学习、强化学习。有时还包括半监督学习、主动学习。监督学习(superivised learning)：是指从标注数据中学习预测模型的机器学习问题。标注数据表示输入输出的对应关系，预测模型对给定的输入产生相应的输出。监督学习的本质是学习输入到输出的映射的统计规律。无监督学习(unsupervised learning)是指无标注数据中学习预测模型的机器学习问题。无标注数据是自然得到的数据，预测模型表示数据的类别、转换或概率。无监督学习的本

2021-05-26 00:46:47 188

原创集成学习实战 - 幸福感预测

一、赛题来源该案例为幸福感预测的经典课题，希望在现有科学研究之外有其它维度的算法尝试。具体来说，这个案例是数据挖掘类型的比赛 – 幸福感预测的baseline。我们需要使用个体变量（性别、年龄、地域、职业、健康、婚姻与政治面貌等）、家庭变量（父母、配偶、子女、家庭资本等等）、社会态度（公平、信用、公共服务等等）等139维度的信息来预测其对幸福感的影响。这个比赛是来自天池的训练赛，地址为：https://tianchi.aliyun.com/competition/entrance/231702/in

2021-05-18 23:42:11 278 4

原创集成学习之Stacking方法（数据挖掘竞赛利器）

集成学习的方法主要分成三种，boagging,boosting和Stacking，Stacking是一种有层次的融合模型。下面会先对Stacking过程进行解读，然后通过代码来实现Stacking。一、Stacking的步骤 Stacking的思想是训练模型去学习使用底层学习器的预测结果，然后次学习器会基于模型的预测结果再次进行训练。单个基模型生成预测结果的过程我们先把数据集分为测试集和训练集(设训练集数量为10000，测试集数量为2500)。这里我们在上层去采用5折交叉验证来训练，同时我们

2021-05-13 22:03:41 1381 1

原创集成学习-Blending算法

一、理论将训练数据进行划分，划分之后的训练数据一部分训练基模型，一部分经模型预测后作为新的特征训练元模型。测试数据同样经过基模型预测，形成新的测试数据。最后，元模型对新的测试数据进行预测。Blending框架图如下所示：步骤：第一步：将原始训练数据划分为训练集和验证集。第二步：使用训练集对训练T个不同的模型。第三步：使用T个基模型，对验证集进行预测，结果作为新的训练数据。第四步：使用新的训练数据，训练一个元模型。第五步：使用T个基模型，对测试数据进行预测，结果作为新的测试数据。第六步：

2021-05-12 00:19:32 701

原创集成学习之前向分步算法

1. 前向分布算法1.1 算法介绍我们在上一篇文章中简单介绍并实现了Adaboost算法，我们需要通过M个基本分类器，每个分类器的错误率、样本权重以及模型权重。即每次Adaboost都是在学习单一分类器以及单一分类器的权重。(解决的是分类问题)。我们通过去抽象Adaboosts算法的整体框架逻辑，构建集成学习的一个重要框架—前方分布算法，**通过此算法，我们不仅可以解决分类问题，也可以解决回归问题。**这里将简单。1.2 AdaBoost算法模型抽象化 AdaBoost算法模型是模型加法模型、

2021-04-23 22:31:44 195

原创 Boosting方法及代码实战

1. Boosting基本思路 Boosting（提升）方法是一种常用的统计学习方法，应用广泛且有效，在分类问题中，它通过改变训练样本的权重，学习多个分类器，并将这些分类器进行线性组合，提高分类的性能。它是不断的重复学习以达到最终的要求。 Boosting中有"强可学习"和"弱可学习"两个概念。在概率近似正确PAC学习的框架下:弱学习：识别错误率小于1/2（即准确率仅比随机猜测略高的学习算法）强学习：识别准确率很高并能在多项式时间内完成的学习算法对于Boosting方法来说，有两个问题

2021-04-20 22:55:09 4082 1

原创 Bagging方法在机器学习中的应用

1. Bagging1.1 Bagging概述要想获得泛化性能强的集成，集成中的个体学习器应尽可能相互独立。而“独立”在现实任务中比较难以做到，为了解决这些问题，我们去使用相互有交叠的采样子集。1.2 Bagging思路与投票法不同的是，Bagging不仅仅集成模型最后的预测结果，同时采用一定策略来影响基模型训练，保证基模型可以服从一定的假设虽然我们希望各个模型之间具有较大的差异性来进行集成，但是在实际操作中模型却往往是同质的。一个简单的思路就是我们通过不同的采样增加模型的差异性。1.3

2021-04-19 21:57:25 725

原创集成学习投票法

1. 集成学习概述集成学习(ensemble learning)它并不是一个独立的机器学习算法，而是通过构建并结合多个机器学习器完成学习任务，也就是我们常说的“博采众长”。集成学习可以用于分类问题集成、回归问题集成、特征选取集成、异常点检测集成等。2. 投票机制2.1 思路投票机制(voting)是集成学习里面针对分类问题的一种结合策略，基本思想是融合多个数据来降低误差。对于回归模型：投票法最终的预测结果是多个其他回归模型预测结果的平均值。对于分类模型：硬投票法的预测结果是多个模型预测结果中出现

2021-04-14 20:32:13 3051

原创利用Tensorflow2搭建CNN网络（Tensorflow2入门）

1. 前言：自从Google发布了TensorFlow2.0后，个人觉得与TensorFlow1相比是一个重大的突破，它不仅仅删除了许多旧的库并进行整合，还促进了Keras在搭建模型中的使用，通过高级API Keras让模型构建和部署变得简单。我们在用TensorFlow2.0创建模型时，可以使用Keras函数API定义模型或者顺序API定义模型。本文将使用Keras函数API来定义CNN模型，并将介绍TF2.0的新功能@tf.function来修饰高级计算。2. CNN网络的简单介绍卷积神经网络(

2021-04-11 16:05:37 2579

原创通过Keras回调函数和Tensorboard来检查并监控深度学习模型

Tensorboard在深度学习中的必要性我们在训练模式的时候，很多事情一开始都无法预测。尤其是我们不知道需要多少轮才能够得到最佳验证损失。我们常常采用的策略是：训练足够多的轮次，这时模型已经开始过拟合，根据这一次运行来确定训练所需要的正确轮数，然后使用这个最佳轮数从头开始再启动一次新的训练。无疑，这种方法是非常浪费时间和资源的。处理这个问题的更好方法是，当我们观察到模型的验证损失值不再改善的时候就停止训练。我们可以通过使用Keras设计**回调函数(callback)**来实现这个过程。callbac

2021-04-10 22:58:02 798

原创盲运动去模糊之Deblur GAN网络专题前言

前言GAN网络我们知道，Deblur GAN网络目前有V1和V2两个版本；对于其中”将去模糊算法运用到目标检测上，当待检测图像是模糊的的时候，先对图像去模糊能提高目标检测的准确率“的方法，由于当下精力有限，就不过多对于目标检测的内容进行解读（目前也做不到）。等完成整个GAN专题后会去尝试写一篇有关目标检测的文章，来和读者共同探索目标检测这个神奇的领域。同时，在专题的进行过程中，我会将文章中所用的代码放在个人Github上进行开源；文章中所用数据集将会通过百度网盘进行分享。我将根据这张框架图来分享

2021-03-28 21:11:11 752

原创 windows下如何搭建深度学习tensorlofw-gpu环境（详细全解）

安装tensorflow-gpu当我们进行大型神经网络模型训练的时候，我们就不可避免的需要用到GPU训练。然而，对于tensorflow来讲，*如果想要在跑模型时调用机器的GPU，我们需要下载代码相应GPU版本，才能够使用。我们先讲一下如何去下载制定版本的GPU：在下载GPU时，我们要先清楚自己的要跑的模型需要什么版本的GPU。我们一般去根据自己的python版本来使用对应的tf-gpu版本。CPU中tensorflow和python对应关系GPU中tensorflow-gpu和python对应关

2021-03-28 20:55:23 370

原创在windows系统下使用jupyter notebook如何切换盘？Mac呢？

jupyter notebook进行盘符切换在使用jupyter notebook的时候，常常都是默认以C盘进入，如图：那么你此时也只能够在C盘进行操作。但是由于C盘是系统盘，我们在进行工作时，一般都会将资料放入D盘E盘等其它盘，那么我们该如何切换到指定的盘呢？其实很简单，比如我们想要切换到D盘，那么只需要在终端执行以下指令：d:这样就成功切换到d盘啦～至于Mac系统，作为老牌Mac用户，想豪迈说一句咱Mac用户不需要！！咱不需要哈哈哈哈，切什么切，不切～...

2021-03-19 21:26:13 2605 4

原创通过Anaconda完成python及深度学习环境搭建

使用conda管理python环境在进行深度学习的环境搭配中，我们常常会因项目要求，需要下载不同版本的python或者搭建不同版本的tensorflow、pytorch环境。好在有anaconda，我们可以通过anaconda进行不同环境的搭建，下面我将介绍anaconda常用的几个功能使用conda配置不同Python环境我们可以在终端直接采用以下指令搭建新的Python环境，我将创建Python=3.6的新虚拟环境，并将其命名为my_name(可随意更改)。conda create -n my_

2021-03-17 12:15:39 519 1

guowei_huai的博客