- 博客(15)
- 收藏
- 关注
RSS订阅原创 MySQL5.7 服务无法启动 服务没用报告任何错误
写这一句总是报错，直到我去电脑的管理后台才发现，根本不是写MySQL，而应该写MySQL57，这时候就能正常启动了。在CSDN上逛了一圈，试了很多种方法，但是都没有用，直到最后我发现是我的启动的名字没写对。选择服务和应用程序中的服务，此时就会发现是MySQL57正在运行。右键点击“我的电脑“选择”管理“。
2022-08-21 16:06:22
1709
原创 利用matplotlib绘制中文混淆矩阵（confusion_matrix）
from pylab import *import numpy as npimport matplotlib.pyplot as pltclasses = ['猫','猴子','狗','兔子']confusion_matrix = np.array([(666,7,43,18),(6,822,0,35),(24,1,668,1),(7,1,1,339)],dtype=np.float64)proportion=[]for i in confusion_matrix: for j in
2022-05-11 21:52:32
1251
原创 python利用PIL库在图像中画出多个矩形框
遇到一个任务，需要在图像中标出36个矩形框，已知矩形框左上角和右下角的坐标，利用PIL库实现在图像中圈出框的位置。首先，我选取的图像为我需要在图像中框出的坐标为[[222.62515 255.67302 364.9839 340.89417 ] [ 81.09717 211.92442 458.08273 335.30966 ] [223.8965 221.82928 289.1028 340.34943 ] [145.72527 151.60167 206.568
2022-02-14 17:26:36
7379
1
原创 an illegal memory access was encountered问题解决方法之一
作为一个刚入门深度学习的新手，我在把一个深度学习模型嵌入到另一个大的框架里面时，遇到了这个问题，耗时一天半才解决这个问题我遇到这个问题是把数据和模型送入gpu和cpu的问题，把原本送入cpu的数据在gpu中计算，才导致上面出现的内存非法占用问。我的本意是把模型送入gpu中计算，代码是这样写的self.modal.device = torch.device('cuda')但是调试发现，模型输出的数据device显示是在cpu上，所以造成是内存非法占用，然后我把模型送到GPU上改成以下语句，解决了错误
2021-11-17 12:06:43
5413
原创 利用SVM分类器批量分类图片颜色信息
本文所使用的SVM分类器，功能主要是来分类和识别图片中的特定颜色特征。我用来提取的是图像的荧光特征区域。在训练前，你首先需要有一张需要训练的图和它对应的标签，训练的图可以是RGBRGBRGB或者BMPBMPBMP图像，标签是一张黑白的二值图，形状与前面图片大小对应，白色区域对应你要提取的原图特征区域。from sklearn import svmimport ossince = time.time() # 时间戳，用来记录时间image_path = r'图片路径'label_path = r'
2021-04-15 16:20:32
1228
原创 小白都能学懂的支持向量机SVM (Support Vector Machines)
前言其实在支持向量机里面，涉及到很多凸优化和矩阵分析的知识，对于大部分同学来说并未深入接触过这两门课，所以总是学不懂支持向量机，一学到公式就蒙圈了，例如我本人。但是很幸运让我听到了一位清华大学老师讲的课，他在课的开头明确说明了支持向量机里面有几条重要公式，记住就行，记住就能懂得它的原理，重点是如何去使用它。所以下面讲解中，一些简单的公式我会进行推导讲解，复杂的我会标记直接记住就行，有兴趣的同学可以自行推导一遍。1.SVM的核心思想SVM的核心思想就是将输入空间(Input Space)向一个高维度的空
2021-04-08 17:17:38
512
原创 R-CNN，Fast R-CNN，Faster R-CNN演化过程与原理详解
文章来源于视频https://www.bilibili.com/video/BV1af4y1m7iL1 、R-CNN1.1 算法流程（可分为四个步骤）一张图像生成1K~2K个候选区域（使用Selective Search方法，以下简称SS方法）对每个候选区域，使用深度网络提取特征特征送入每一类的SVM(支持向量机)分类器，判断是否属于该类使用回归器精细修正候选框位置R-CNN的流程图如上图所示，输入原图像后，先使用SS方法在图像选中一千到两千个候选框，将这么多个候选框分别送入卷积神经
2021-03-26 11:13:07
1493
原创 cv2.bitwise_and()算法详解
cv2.bitwise_and()这里主要讲两种用法1 RGB图像选取掩膜选定的区域cv2.bitwise_and(iamge,image,mask=mask)import cv2 as cvdef image_and(image,mask)#输入图像和掩膜 area = cv2.bitwise_and(iamge,image,mask=mask) #mask=mask表示要提取的区域 cv.imshow("area",area) return area输入图像image：输入掩膜m
2021-03-24 11:04:43
37207
6
原创 cv2.drawContours()和cv2.findContours()函数用法解析
cv2.drawContours()函数的功能是绘制轮廓，输入变量如下：cv2.drawContours(image, contours, contourIdx, color, thickness=None, lineType=None, hierarchy=None, maxLevel=None, offset=None)第一个参数image表示目标图像，第二个参数contours表示输入的轮廓组，每一组轮廓由点vector构成，第三个参数contourIdx指明画第几个轮廓，如果该参数为负值，
2021-03-22 22:22:04
13098
4
原创 os.listdir()用法示例解析
os.listdir()用于返回一个由文件名和目录名组成的列表，需要注意的是它接收的参数需要是一个绝对的路径读入数据集如图代码实现效果如下:
2021-03-17 10:45:23
1551
原创 马尔可夫链基本定义
基本定义(马尔可夫链)考虑一个随机变量的序列X={Xo,X1,...,Xt,...}X = {\{X_o,X_1,... ,X_t,...\}}X={Xo,X1,...,Xt,...}这里XtX_tXt表示时刻t的随机变量，t=0,1,2… 每个随机变量Xt(t=0,12...)X_t(t=0,12... )Xt(t=0,12...)的取值集合相同，称为状态空间，表示为S。随机变量可以是离散的，也可以是连续的。以上随机变量的序列构成随机过程( stochastic process)。假设在时刻
2021-03-08 23:29:52
2942
原创 蒙特卡罗法三种一般抽样方法（直接抽样法、接受-拒绝抽样法、重要性抽样法）
1. 概率分布采样假如p(z)p(z)p(z)是我们要采样的分布。若可以得到p(z)p(z)p(z)的概率密度pdfpdfpdf,对pdfpdfpdf的求积分得到分布函数cdfcdfcdf有u(i)u^{(i)}u(i)~U(0,1)U(0,1)U(0,1),即u是（0，1）分布，则取得样本x(i)x^{(i)}x(i)x(i)=cdf−1(u(i))x^{(i)}=cdf^{-1}(u^{(i)})x(i)=cdf−1(u(i))图例：假设pdfpdfpdf为高斯分布对pdfpdfpdf求积分
2021-03-07 22:42:25
6397
原创 论文 Stacked Cross Attention for Image-Text Matching 浅析（SCAN方法）
论文 Stacked Cross Attention for Image-Text Matching 浅析1.前言 这篇文章是2018年发表在ECCV上的一篇文章，文章主要研究了图像-文本的匹配问题，将不同模态的区域图像和段落中的单词进行对齐，最终进行图像-句子和句子-图像双向检索。作者提出了SCAN的方法，接下来将对论文原理进行解读。2.原理先上论文的框架图：2.1 Stacked Cross Attention(SCAN)网络有两个输入，分别是图像特征集V = {v1, …, vk}和
2021-03-03 11:01:16
2507
10
原创 argparse模块parser.add_argument() 示例
argparse模块 .add_argument 示例1.作用 是python用于解析命令行参数和选项的标准模块2.使用步骤1：import argparse2：parser = argparse.ArgumentParser()3：parser.add_argument()4：parser.parse_args()解释：首先导入该模块；然后创建一个解析对象；然后向该对象中添加你要关注的命令行参数和选项，每一个add_argument方法对应一个你要关注的参数或选项；最后调用parse_
2021-02-27 16:24:15
6343
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