人工智能
文章平均质量分 86
淡定的炮仗
好好学习天天向上
展开
-
CUDA call failed lazily at initialization with error: device >= 0 && device < num_gpus INTERNAL ASSE
安装环境运行模型时报错:CUDA call failed lazily at initialization with error: device >= 0 && device < num_gpus INTERNAL ASSERT FAILED at “…/aten/src/ATen/cuda/CUDAContext.cpp”:50, please report a bug to PyTorch.原创 2024-04-29 18:34:02 · 1353 阅读 · 0 评论 -
(二十六)深度学习目标检测:Fast-RCNN
Fast-RCNNRCNN存在的问题:1、一张图像上有大量的重叠框,所以这些候选框送入神经网络时候,提取特征会有冗余!2、训练的空间需求大。因为RCNN中,独立的分类器和回归器需要很多的特征作为训练。RCNN中提取候选框,提取特征和分类回归是分开的,可独立。Fast-RCNN主要贡献在于对RCNN进行加速,快是我们一直追求的目标(更快、更准、更鲁棒),相比于RCNN,Fast-RCNN在以下方面得到改进:1)借鉴SPP思路,提出简化版的ROI池化层(注意,没用金字塔),同时加入了候选框映射功能,使原创 2021-05-05 12:09:33 · 370 阅读 · 0 评论 -
(二十五)深度学习目标检测:RCNN
RCNNRCNN主要分为3个大部分第一部分产生候选区域;第二部分对每个候选区域使用CNN提取长度固定的特征;第三个部分使用一系列的SVM进行分类;第四个部分使用回归器精细修正候选框位置;RCNN的检测流程:(1)首先输入一张自然图像;(2)使用Selective Search提取大约2000个候选区域(proposal);(3)对每个候选区域的图像进行拉伸形变,使之成为固定大小的正方形图像;(4)将步骤(3)得到的图像输入到CNN中提取特征;(5)使用线性的SVM对提取的特征进行分类原创 2021-05-03 21:46:24 · 495 阅读 · 4 评论 -
(二十四) 手推BP神经网络的前向传播和反向传播
手推BP神经网络的前向传播和反向传播一、基本术语1、监督学习与非监督学习Supervised Learning有监督式学习: 输入的数据被称为训练数据,一个模型需要通过一个训练过程,在这个过程中进行预期判断,如果错误了再进行修正,训练过程一直持续到基于训练数据达到预期的精确性。其关键方法是分类和回归,比如逻辑回归(Logistic Regression)和BP神经网络(Back Propagation Neural Network)。Unsupervised Learning无监督学习: 没有任何训原创 2021-03-11 17:04:03 · 5068 阅读 · 5 评论 -
git学习(五) github和码云(gitee)使用
一、使用GitHub我们一直用GitHub作为免费的远程仓库,如果是个人的开源项目,放到GitHub上是完全没有问题的。其实GitHub还是一个开源协作社区,通过GitHub,既可以让别人参与你的开源项目,也可以参与别人的开源项目。在GitHub出现以前,开源项目开源容易,但让广大人民群众参与进来比较困难,因为要参与,就要提交代码,而给每个想提交代码的群众都开一个账号那是不现实的,因此,群众也仅限于报个bug,即使能改掉bug,也只能把diff文件用邮件发过去,很不方便。但是在GitHub上原创 2020-12-03 20:08:49 · 374 阅读 · 0 评论 -
Git学习(四)标签管理
标签管理git学习参考廖雪峰官方网站git基本操作,一篇文章就够了!一、标签管理发布一个版本时,我们通常先在版本库中打一个标签(tag),这样,就唯一确定了打标签时刻的版本。将来无论什么时候,取某个标签的版本,就是把那个打标签的时刻的历史版本取出来。所以,标签也是版本库的一个快照。Git的标签虽然是版本库的快照,但其实它就是指向某个commit的指针(跟分支很像对不对?但是分支可以移动,标签不能移动),所以,创建和删除标签都是瞬间完成的。Git有commit,为什么还要引入tag?原创 2020-12-03 15:14:56 · 117 阅读 · 0 评论 -
git学习(三)分支管理
分支管理git学习参考廖雪峰官方网站git基本操作,一篇文章就够了!一、分支作用分支在实际中有什么用呢?假设你准备开发一个新功能,但是需要两周才能完成,第一周你写了50%的代码,如果立刻提交,由于代码还没写完,不完整的代码库会导致别人不能干活了。如果等代码全部写完再一次提交,又存在丢失每天进度的巨大风险。现在有了分支,就不用怕了。你创建了一个属于你自己的分支,别人看不到,还继续在原来的分支上正常工作,而你在自己的分支上干活,想提交就提交,直到开发完毕后,再一次性合并到原来的分支上,这样,既安全,原创 2020-12-03 13:41:51 · 434 阅读 · 0 评论 -
Git学习(二)远程仓库建立与克隆
Git远程仓库建立与克隆十五、在github上创建自己的远程git仓库1、创建github账户2、创建SSH Key创建SSH Key。在用户主目录下,看看有没有.ssh目录,如果有,再看看这个目录下有没有id_rsa和id_rsa.pub这两个文件,如果已经有了,可直接跳到下一步。如果没有,打开Shell(Windows下打开Git Bash),创建SSH Key:命令:ssh-keygen -t rsa -C “youremail@example.com”你需要把邮件地址换成你自己的邮件原创 2020-12-01 16:37:50 · 302 阅读 · 0 评论 -
Git学习(一)本地操作
Git教程廖雪峰官方网站git基本操作,一篇文章就够了!一、打开git在指定要作为仓库的文件下打开 Git Bash Here二、确定用户信息第一次使用git,配置用户信息。目的是确定本地仓库的使用者身份配置用户名:git config --global user.name “your name”;配置用户邮箱:git config --global user.email “youremail@github.com”;三、创建git仓库在git命令框输入一下命令回车 结果会出现一个原创 2020-12-01 14:52:49 · 280 阅读 · 0 评论 -
拉格朗日对偶性
说明在约束优化问题中,常常用拉格朗日对偶性来将原始问题转为对偶问题,通过解对偶问题的解来得到原始问题的解。0 为什么要利用对偶?首先要明确,对偶问题的解不一定直接等于原问题的解(弱对偶),但是,对偶问题有两点性质。1.1 满足某些条件时,对偶问题直接等于原问题的解(强对偶)1.2 无论原始问题是否是凸的,对偶问题都是凸优化问题1.3(重点)凸优化问题的局部最优就是全局最优显然,在某些情况下,直接对对偶问题求解可以得到原问题的解,而且对偶问题是凸优化,易于求解。所以利用对偶来求解是很有用的。1原创 2020-11-12 22:23:22 · 627 阅读 · 0 评论 -
凸优化相关问题
支持向量机(SVM)必备知识(KKT、slater、对偶)一、凸集和凸函数在讲解凸优化问题之前我们先来了解一下凸集和凸函数的概念1、凸集凸集: 在点集拓扑学与欧几里得空间中,凸集是一个点集,其中每两点之间的直线上的点都落在该点集中。千言万语不如一张图来的明白,请看下图:简单地说,没有空洞和凹入部分的集合叫做凸集。凸组合:凸集中任意两点的连线部分(包括这两个点)叫做这两个点的凸组合,严格凸组合: 不包括这两个点叫做严格凸组合。凸集的性质: 凸集的并集、加减法、数乘,仍是凸集。凸集的例子: 欧原创 2020-11-12 20:52:02 · 4350 阅读 · 0 评论 -
李航统计学习方法笔记第一章
1、 统计学习及监督学习概论1、什么是统计学习统计学习是关于计算机基于数据构建的统计模型并运用模型进行预测分析的一门学科2、什么是学习如果一个系统能够通过执行某个过程来改进它的性能,这就是学习3、统计学习的对象是什么统计学习的对象是数据(data)4、数据是什么数字、文字、图像、视频、音频以及他们的组合5、统计学习的目的是什么对数据的预测和分析,特别是对未知新数据的预测和分析6、统计学习的方法有哪些监督学习无件督学习强化学习7、统计学习的过程2、监督学习学习输入到输出的原创 2020-11-07 13:19:59 · 133 阅读 · 0 评论 -
人工智能学习(三)Anaconda与PyCharm的结合
Anaconda与PyCharm的结合一、准备工作在安装完Anaconda与pycharm之后,找到安装目录打开如下图标(这里是使用命令行的方式进入,推荐;也可以使用打开Anaconda界面的方法进入,即上图中绿色的Anaconda Navigator 图标)这里的base是安装完Anaconda后,自动创建的环境,可以输入conda命令如:conda list查看base环境下安装的一些包二、搭建环境要学习conda 命令操作:资料链接 https://zhuanlan.zhihu.com原创 2020-11-01 19:45:51 · 869 阅读 · 0 评论 -
人工智能学习(二)安装tensorflow与pytorch
安装tensorflow与pytorch前提: 已安装完Anaconda这⾥主要使⽤ Windows 中的Anaconda Prompt 进⾏安装,因为在Linux、Mac通⽤也是⼤同⼩异的第一步:打开Anaconda Prompt配置镜像源打开后,可以看到现在是base环境,就是安装完anaconda之后的自带环境(⾸先进⾏镜像源的配置,因为咱们⼤部分⼩伙伴在国内,但是tensorflow和pytorch却在国外,为了防⽌下载的时候出现⽹络问题,所以需要配置⼀下)conda config -原创 2020-11-01 19:02:15 · 257 阅读 · 2 评论 -
人工智能学习(一)Anaconda介绍、安装及使用教程
Anaconda介绍、安装及使用教程〇、序Python是一种面向对象的解释型计算机程序设计语言,其使用,具有跨平台的特点,可以在Linux、macOS以及Windows系统中搭建环境并使用,其编写的代码在不同平台上运行时,几乎不需要做较大的改动,使用者无不受益于它的便捷性。此外,Python的强大之处在于它的应用领域范围之广,遍及人工智能、科学计算、Web开发、系统运维、大数据及云计算、金融、游戏开发等。实现其强大功能的前提,就是Python具有数量庞大且功能相对完善的标准库和第三方库。通过对库的引原创 2020-10-31 20:47:54 · 2067 阅读 · 0 评论