HuanCaoO的博客

前言一直以来都是使用的virtualenv和virtualenvwrapper来管理Python虚拟环境，个人觉得非常好使。今天换个口味，安装一次anaconda，记录如下。下载前往清华大学开源软件镜像站（https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/）下载anaconda的安装包。因为我的系统为Ubuntu，所以我这里选择的是Anaconda3-5.3.1-Linux-x86_64.sh。wget https://mirrors.tun

先import相关库import torchimport torch.nn as nnimport torch.nn.functional as F第一种情况：当想要对Tensor上下和左右padding的数量不一样时例如，想要对Tensor左右padding各一列，而上下padding各两行，有以下三种方式。将padding数量作为创建padding后所要执行的函数（如卷积）对象的输入参数：conv = nn.Conv2d(in_channels=3, out_channels=3,

用于实时实例分割的deep snake算法Sida Peng1，Wen Jiang1，Huaijin Pi1，Xiuli Li2，Hujun Bao2，Xiaowei Zhou1*1Zhejiang University，2Deepwise AI Lab摘要      本文提出了一种基于轮廓的实时实例分割方法——deep snake。与最近一些直接从图像回归目标边界点坐标的方法不同，deep snake使用神经网络迭代变形最初的轮廓以匹配目

符号定义令 ω\omegaω 为需要求解的模型参数集合，D={D1,D2,⋯ ,Dn}D = \{ D_1, D_2, \cdots, D_n \}D={D1​,D2​,⋯,Dn​} 为训练样本集合。极大似然估计（MLE）极大似然估计可认为是求解以下公式：mle=arg⁡max⁡p(ω∣D)=arg⁡max⁡p(ω∣{D1,D2,⋯ ,Dn})=arg⁡max⁡∏i=1np(ω∣Di)=arg⁡max⁡∑i=1nlog⁡p(ω∣Di)\begin{aligned}mle &= \arg\

celebA数据集的mean和std计算结果mean: (0.50612009, 0.42543493, 0.38282761)std: (0.26589054, 0.24521921, 0.24127836)另附计算代码import numpy as npimport cv2import ospath = './img_align_celeba'means = [0, 0, 0]stdevs = [0, 0, 0]index = 1num_imgs = 0img_names