mmdetection族的github项目编译时候出现的bug bug一:解决方法:g++ error cuda_runtime_api.h: No such file or directorybug二:安装基于mmdetection的solo时：unable to execute ':/usr/local/cuda-10.1/bin/nvcc': No such file or directory解决方法:安装 maskrcnn-benchmark: command ':/usr/local/cuda/bin/nvcc' failed wit...
使用ONNX来部署mmdetection中的模型 安装ONNXgithub:https://github.com/onnx/onnxconda install -c conda-forge protobuf numpysudo apt-get install protobuf-compiler libprotoc-devpip install onnxpip install pytest==2.8 nbval一开始我使用pip install pytestnbval，然后报出了如下的错误，然后我通过这句提示nbval 0.9..
MSE，MAE和CE的区别 MSE和MAE的区别异常值MSE对异常值敏感，因为它的Cost是平方的，所以异常值的loss会非常大，下面的公式中y表示标注，a表示网络预测值。MAE对异常之不敏感，不妨设拟合函数为常数，那么MSE就相当于所有数据的均值（列出loss对c求导即可），而MAE相当于所有数据的中位数，所以会对异常值不敏感。优化效率MAE不可导而且所有的导数的绝对值都相同，优化时无法确定更新速度，MSE可导，有closed-form解，只需要令偏导数为0即可。如何选择因为MSE对异常值敏感
GhostNet的主要代码理解及其注释 参考的知乎博客:CVPR 2020：华为GhostNet，超越谷歌MobileNet，已开源github:https://github.com/huawei-noah/ghostnet# 2020.06.09-Changed for building GhostNet# Huawei Technologies Co., Ltd. <foss@huawei.com>"""Creates a GhostNet Model as defined in:Ghos.
跑通MMDetection的MaskRCNN 初次跑通MMDetection的MaskRCNNDemo惯例先跑一下demo，新建一个HellowMMDection.py，将这个脚本放在./demo中去:# Check Pytorch installationimport torch, torchvisionprint(torch.__version__, torch.cuda.is_available())# Check MMDetection installationimport mmdetprint(mmdet.__ver
CUDA10.2+cudnn+Anaconda 默认显卡已经安装好1. CUDA10.2安装cudasudo sh cuda_10.2.89_440.33.01_linux.run 如果已经安装了显卡的话就将显卡那个选项给去掉(一下就装好了, 可能是时代变了)配置文件打开主目录下的 .bashrc文件添加如下路径，如果没有找到，则按Ctrl+H键显示隐藏文件。在文件的最后加上:export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-10.2/lib64export.
标签平滑的pytorch的简单实现 标签平滑的pytorch的简单实现import torchimport torch.nn as nndef CrossEntropyLoss_label_smooth(outputs, targets, num_classes=10, epsilon=0.1): N = targets.size(0) # torch.Size([8, 10]) # 初始化一个矩阵, 里面的值都是epsilon / (num_classes - 1) smoothed_labels
SiamMask阅读翻译笔记整理 SiamMask阅读翻译笔记整理我从作者的知乎文章中看到这篇文章的:[CVPR2019]我对Siamese网络的一点思考（SiamMask）论文链接:Fast Online Object Tracking and Segmentation: A Unifying Approach开源代码:https://github.com/foolwood/SiamMask之后阅读了该论文笔记SiamMask论文阅读: Fast Online Object Tracking and Segmenta...
pytorch与c++ 1. C++与Linux学习 经验总结：超详细的 Linux C/C++ 学习路线！大厂面试指南2.深度学习 与 C++ 的爱恨情仇 https://github.com/BIGBALLON/PyTorch-CPP window10下c++接口的opencv的安装与使用: OpenCV学习笔记（一） OpenCV简介及安装...
Stacking学习策略 Stacking学习策略1. 交叉验证KFold交叉验证——sklearn.model_selection.KFold2. Stacking理论Stacking 模型融合原理详解3. Stacking代码实践集成学习中的 stacking 以及python实现
pytorch模型移动端部署 pytorch转ONNXhttp://pytorch123.com/FourSection/ONNX/或许之后要用到安卓的工具https://cloud.tencent.com/developer/article/1619905ONNX(Pytorch) 模型转换为 TNN 模型https://github.com/Tencent/TNN/blob/master/doc/cn/user/onnx2tnn.md...
目标检测方面的面试题 目标检测怎么提升召回率1 提高采样密度（特征/图像增强、增多预设proposal .. ）。2 在对于误检不敏感任务中降低分类阈值。3 数据的增广，合成新的数据。4 使用聚类来设置anchor的大小和比例，使得边框有一个好的初始化。5 在测试的时候降低分类的阈值。6 使用基于IOU, 或者位置边框的损失函数，拉开不匹配的，拉近匹配的框。...
目标检测的标准的NMS # INPUT：所有预测出的bounding box (bbx)信息（坐标和置信度confidence）， IOU阈值（大于该阈值的bbx将被移除）for object in all objects: (1) 获取当前目标类别下所有bbx的信息 (2) 将bbx按照confidence从高到低排序,并记录当前confidence最大的bbx (3) 计算最大confidence对应的bbx与剩下所有的bbx的IOU,移除所有大于IOU阈值的bbx (4) 对剩下的bbx，循环执行(2)和(3)直.
LeetCode刷题 插分数组技巧 LeetCode刷题 插分数组技巧具体方法参考labuladong的论那些小而美的算法技巧：差分数组/前缀和1109. 航班预订统计方法一: 使用hashmap来辅助的暴力遍历叠加解法（超时）class Solution(object): # 用hash辅助的暴力法, 但是会超时 def corpFlightBookings(self, bookings, n): """ :type bookings: List[List[int]]
剑指offer刷题记录 剑指offer刷题记录2020/09/02链表中倒数第k个结点递归法：链表的后续遍历，并用self.k来记录倒数节点的位置，找到了就返回找到的节点，否则返回None# -*- coding:utf-8 -*-# class ListNode:# def __init__(self, x):# self.val = x# self.next = Noneclass Solution: def __init__(self): .
Leetcode刷题(25) 树的问题 Leetcode刷题(25) 树的问题剑指 Offer 68 - II. 二叉树的最近公共祖先# Definition for a binary tree node.# class TreeNode(object):# def __init__(self, x):# self.val = x# self.left = None# self.right = Noneclass Solution(object): def l
关注
