- 博客(218)
- 收藏
- 关注
RSS订阅原创 VScode配置MySQL
请键入 NET HELPMSG 2185 以获得更多的帮助。因为net start +服务名，启动的是win下注册的服务。此时，我系统中并没有注册mysql到服务中，即下面没有mysql服务。ZIP方式下载，选择本地的路径进行解压。即是解压位置后文件夹下的bin文件路径。这里我们搜索提示符，以管理员身份运行。后面的密码复制保存一下。输入刚才复制的密码。
2024-04-22 23:13:29
381
原创 Xception模型详解
Xception的名称源自于"Extreme Inception"，它是在Inception架构的基础上进行了扩展和改进。Inception架构是Google团队提出的一种经典的卷积神经网络架构，用于解决深度卷积神经网络中的计算和参数增长问题。与Inception不同，Xception的主要创新在于使用了深度可分离卷积（Depthwise Separable Convolution）来替代传统的卷积操作。深度可分离卷积将卷积操作分解为两个步骤：深度卷积和逐点卷积。Xception的pytorch代码实现
2024-04-01 16:01:06
1159
原创 yolov5训练并生成rknn模型部署在RK3588开发板上，实现NPU加速推理
RK3588是瑞芯微（Rockchip）公司推出的一款高性能、低功耗的集成电路芯片。它采用了先进的28纳米工艺技术，并配备了八核心的ARM Cortex-A76和Cortex-A55处理器，以及ARM Mali-G76 GPU。该芯片支持多种接口和功能，适用于广泛的应用领域。本篇为yolov5部署在RK3588的教程。接着将训练好的best.pt放在工程文件夹下，使用yolov5工程中的export.py将其转换为onnx模型。
2024-03-24 22:47:29
3183
11
原创 ShuffleNet模型详解
ShuffleNet 是专门为计算能力非常有限的移动设备设计的。架构采用了逐点分组卷积和通道shuffle两种新的运算，在保持精度的同时大大降低了计算成本。ShuffleNet 比 MobileNet 在 ImageNet 分类任务上的 top-1误差更低 (绝对7.8%) ，在基于arm的移动设备上，ShuffleNet比AlexNet实现了约13倍的实际加速，同时保持了相当的准确性。
2024-03-22 23:54:18
1114
原创 误删了Linux系统的libm.so.6文件与libm-2.27.so的软链接导致的开机出现kernel panic的解决方案（图文U盘救援详细教程）
误删了Linux系统的libm.so.6文件与libm-2.27.so的软链接导致的开机出现kernel panic的解决方案（图文U盘救援详细教程）期间也花了很多时间去试了其他的方法，均无效，我这里是使用U盘做了一个ubuntu的安装盘（版本应当与你的ubuntu系统相当）用惯了windows系统，做了最后悔的操作——重启。结果导致了ubuntu根本打不开，即使是recovery mode也无效了。有时候真的不要手贱去动这些文件，不然除了氪金或者重装系统，光凭网上这些不是很详细的教程，真的很难去抢救回来，
2024-03-21 21:39:09
926
原创 CBAM注意力机制详解（附pytorch复现）
CBAM（Convolutional Block Attention Module）是一种卷积神经网络模块，旨在通过引入注意力机制来提升网络的表示能力。CBAM包含两个顺序子模块：通道注意力模块和空间注意力模块。通过在深度网络的每个卷积块中自适应地优化中间特征图，CBAM通过强调通道和空间维度上的有意义特征，实现了对关键信息的关注和不必要信息的抑制。研究表明，CBAM在ImageNet-1K数据集上能够显著提高各种基线网络的准确性，通过grad-CAM可视化验证，CBAM增强的网络能够更准确地关注目标对象。
2024-02-29 15:33:37
3591
2
原创 部分卷积与FasterNet模型详解
部分卷积与FasterNet模型详解，为了设计快速神经网络，很多工作都集中于减少浮点运算（FLOPs）的数量上面，但是作者发现FLOPs的减少不一定会带来延迟的类似程度的减少。这源于每秒低浮点运算（FLOPs）的效率低下，而这源于FLOPs的运算符频繁访问内存，尤其是深度卷积，因此，提出了Partial Convolution，通过同时减少冗余计算和内存访问可以更有效地提取空间特征。并以此提出了FasterNet。
2024-02-27 23:52:43
2066
5
原创 从MobileNetv1到MobileNetv3模型详解
MobileNet系列包括V1、V2和V3，专注于轻量级神经网络。MobileNetV1采用深度可分离卷积，MobileNetV2引入倒残差模块，提高准确性。MobileNetV3引入更多设计元素，如可变形卷积和Squeeze-and-Excitation模块，平衡计算效率和准确性。这三个系列在移动设备和嵌入式系统上取得成功，为资源受限的环境提供高效的深度学习解决方案。mobilenetv1，mobilenetv2，mobilenetv3模型的pytorch实现与讲解。
2024-02-17 00:58:43
1128
3
原创 用Python来实现2024年春晚刘谦魔术
用Python来实现2024年春晚刘谦魔术。其实说实话，这种数学魔术在我小时候买的书里就曾经看到过许多。虽然现在了解了其中的数学原理，但当时的惊奇与欢乐感觉依然难以忘怀。刘谦老师在表演中展现了非凡的技艺，不仅仅是数学的巧妙运用，更是他善于抓住观众的好奇心，创造出让人难以置信的奇迹。St
2024-02-10 12:03:41
4939
6
原创 SqueezeNet模型详解
SqueezeNet相对于传统的深层CNN模型，如VGG或ResNet，具有更小的模型大小和更少的参数，但在一些任务上仍能取得不错的性能。这使得SqueezeNet成为在资源受限环境中进行实时图像分类等应用的有力选择。目前我也是在学习的阶段，学习这一部分也是为了积累轻量化模型的方法，因为因为轻量化模型在移动设备、嵌入式系统以及一些资源受限的环境中都具有重要的应用价值。
2024-02-01 02:11:52
1059
原创 GoogLeNet模型详解
GoogLeNet是谷歌工程师设计的深度神经网络结构，于2014年在ImageNet比赛中取得了冠军。它的设计特点在于既有深度，又在横向上拥有“宽度”，并采用了一种名为Inception的核心子网络结构。这个网络名字中的“GoogLeNet”是对LeNet的致敬，LeNet是早期由Yann LeCun设计的卷积神经网络。
2024-01-28 20:02:17
1258
原创 损失函数详细复现（pytorch版本）
损失函数（Loss Function）是在机器学习和深度学习中用于评估模型预测结果与实际标签之间差异的函数。它衡量了模型的性能，即模型对训练样本的预测与实际标签的偏差程度。目标是通过调整模型参数，使损失函数的值最小化，从而提高模型的准确性和泛化能力。
2024-01-25 19:54:13
845
原创 SE通道注意力机制模块
SE（Squeeze-and-Excitation）模块是一种引入通道注意力机制的方法，旨在让神经网络更加关注对当前任务重要的特征。首先是Squeeze操作，通过聚合跨空间维度(H × W)的特征映射来产生通道描述符，怎么理解呢？假设有一个输入的特征映射，它的维度是H × W × C，对于每个通道，执行全局平均池化操作，具体来说，对于第i个通道，计算该通道上所有空间位置的平均值。通过学习，全连接层得到的通道权重经过一个Sigmoid激活函数，将其范围限制在0到1之间。ResNet与SE-ResNet分类性能
2024-01-23 19:47:55
1776
原创 Haar小波下采样模块
深度卷积神经网络 （DCNN） 通常采用标准的下采样操作，例如最大池化、平均池化和跨步卷积，这可能会导致信息丢失。丢失的信息，如边界和纹理，对于语义分割可能是必不可少的。通过跳过连接到解码器子网（如U-Net、LCU-Net、CENet、LinkNet和RefineNet ）。提取具有空间金字塔池化或扩展卷积的多尺度特征图到融合模块中（如DeepLab、PSPNet、PCPLP-Net、BiSenet和ICNet）。下面是我做实验的代码，感兴趣的可以在自己的数据上面进行实验，我觉得用于交通和医学上应该会有比
2024-01-22 23:08:52
3452
7
原创 Pytorch将标签转为One-Hot编码
Pytorch将标签转为One-Hot编码。先进行标签映射，要为每个分类建立一个整数索引，对于每个样本的标签，使用整数索引创建一个长度为类别总数的二进制向量。这个向量的所有元素都是0，除了与整数索引相对应的位置，该位置的值为1。应用于分割网络当中，在保留输入标签张量形状的同时，将独热编码张量的最后一个维度设置为分类数num_classes，确保独热编码张量与输入标签张量具有相同的形状。
2024-01-11 01:55:37
1357
原创 模型的权值平均的原理和Pytorch的实现
模型权值平均是一种用于改善深度神经网络泛化性能的技术。通过对训练过程中不同时间步的模型权值进行平均，可以得到更宽的极值点（optima）并提高模型的泛化能力。首先介绍指数移动平均（EMA）方法，它使用一个衰减系数来平衡当前权值和先前平均权值。其次，介绍了随机加权平均（SWA）方法，它通过将当前权值与先前平均权值进行加权平均来更新权值。最后，介绍了Tanh自适应指数移动EMA算法（T_ADEMA），它使用Tanh函数来调整衰减系数，以更好地适应训练过程中的不同阶段。我还在ResNet18模型上进行了简单的实验
2024-01-10 18:02:02
1275
1
原创 Opencv与PyQt5设计一个摄像头界面
这是我见过很详细的教你如何使用的PyQt5来完成UI界面设计的，专注于UI界面设计。对我而言，这教程就像是一个实用工具，因为我只需要能够显示图像并展示模型推理的结果即可。最近一直在努力改进网络和编写脚本，已经有一段时间没写博客了。因此，我打算重新整理这位博主的内容，争取以更简单的方式呈现。
2024-01-07 19:00:31
1690
原创 Conv2Former：一种transformer风格的卷积特征提取方式
Conv2Former，这是一种新型的卷积神经网络架构，其核心是卷积调制操作，通过卷积和Hadamard乘积简化了自注意力机制。在ImageNet分类、目标检测和语义分割任务中，Conv2Former相对于先前的CNN和Transformer模型表现更优。作者强调了对大内核卷积的更有效利用，如何将提出的卷积调制块与Transformer结合起来，这是将来的研究方向。
2024-01-01 12:12:15
1145
原创 K-means 聚类算法分析
算法简述算法简述K-means算法原理我们假定给定数据样本 X ，包含了 n 个对象，其中每一个对象都具有 m 个维度的属性。而 K-means 算法的目标就是将 n 个对象依据对象间的相似性聚集到指定的 k 个类簇中，每个对象属于且仅属于一个其到类簇中心距离最小的类簇中。对于 K-means 算法，首先需要初始化 k 个聚类中心, 然后通过计算每一个对象到每一个聚类中心的欧式距离，如下式所示：这里的表示第i个对象表示第j 个聚类中心表示第i个对象的第t个属性，
2023-12-29 23:04:12
1863
原创 基于MINIST的手写数字体识别
基于MINIST的手写数字体识别，通过创建MnistNet类，定义了包含两个卷积层和两个全连接层的深度神经网络。这个网络的设计灵感来自于经典的CNN结构，其中卷积层用于提取图像特征，而全连接层则用于将这些特征映射到最终的类别。通过加载保存的模型权重进行验证，我们成功地对随机选择的五张手写字符图像进行了测试，所有测试样本均被正确分类。这表明我们的模型在实际应用中表现良好。在分析混淆矩阵时，发现对角线上的值比其他地方大，说明模型在训练数据集上表现良好，能够正确地预测大多数样本的类别。手写字符识别模型在设计和实现
2023-12-29 22:29:03
1434
原创 基于MPU6050的跌倒检测项目设计
基于MPU6050的跌倒检测项目设计，本设计致力于解决老年人跌倒检测问题，采用了STM32F103C8T6主控制器，搭配蜂鸣器模块、MPU6050三轴加速度传感器、0.96寸OLED显示模块以及ESP8266-01s模块等组件，以实现全面的跌倒监测与通信功能。技术指标方面，STM32F103C8T6主控制器具备高性能、低功耗、丰富的I/O端口和通信端口等特点。MPU6050传感器具备消除敏感度、陀螺仪积分等先进特性，而0.96寸OLED屏为系统提供实时数据显示和系统调试支持。
2023-12-25 17:06:27
4737
17
原创 Histcite下载教程
Histcite下载教程。这里输入3，它会跳转页面到浏览器，这里选择tools下面的Graph Masker。解压后，将savedress_for_test.txt放入TXT文件当中。双击main.exe文件，输入1或2或3。
2023-12-22 12:40:15
697
原创 VOSviewer安装教程
VOSviewer安装教程。输入java -version 还有 javac，出现下面内容即可表示环境没有问题。他这个就很方便，下载下来后解压就能运行使用了。这个也是需要java环境的，关于这一部分我在。进入下面的网站，安装VOSviewer。中也描述了怎么下载java。
2023-12-22 12:22:17
475
原创 CiteSpace最新安装教程
2024年CiteSpace最新安装教程。CiteSpace是一种用于分析学术文献的可视化工具，旨在帮助研究人员理解学术领域的演化、发现研究热点和趋势。CiteSpace通过生成时空演化图，可视化学术文献的发展历程。这有助于用户了解某一领域的研究重点是如何随时间演变的。该工具能够提取文献中的关键词并分析它们之间的关联关系。这有助于识别某一主题或领域内的关键概念。CiteSpace能够识别文献之间的共被引用关系，揭示研究领域内的经典作品和重要学术观点。
2023-12-22 12:11:33
1140
1
原创 Altium Designer20软件简单的安装与使用教程
在我原先的电脑上是安装的有AD20的，因为要完成课程设计，所以今天就正好记录一下AD20的安装过程。这里我是通过软件管家获取的安装包。右键，选择管理员身份运行文件。选择我们的母语，并接受许可协议。更改文件存放位置。接下来就是一路next就行了。4暂时不立即运行AD。复制此文件，粘贴到我们的安装路径当中。然后打开Altium Designer任意选择一个都能够使用。然后关闭重启。安装成功！
2023-12-20 23:15:28
2129
原创 Keil5创建基于标准库的工程
基于江协科技的讲解，写的关于keil5新建工程的文字教程。再新建一个Library文件夹，在大概是下面这个路径中，将src和inc里面的内容全部复制到Library中。但目前这个库函数还无法使用，这里就需要使用到配置文件，进入下面的目录复制到User文件夹中。现在md.s文件，其余全部的.s和.h文件都有添加进来。外部路径也能看到这个文件。
2023-12-04 16:49:12
711
原创 keil5软件安装
LIC Added Successfully表示注册成功，并且时间可以用到2032年。直接Next就完事了，另外一种是在线安装的方式，这里因为我不需要，这里直接跳过。右键File，选择License Management，复制CID。通过江科大视频讲解安装的keil5，本篇根据视频步骤写的文字笔记。由于后面需要做的是F1系列的，这里安装这个就行了。这里双击里面的exe文件，这样安装就算是完成了。这里我们选择安装JLINK驱动。JLINK也是常见的调试器。直接双击运行安装即可。
2023-11-15 13:53:42
1741
原创 网络训练时参数解析的三种方式（yaml、argparser、class属性）
stc = {"log_dir": "存放训练模型.pth的路径","Cuda": "是否使用Cuda,如果没有GPU,可以使用CUP,i.e: Cuda=False","EPOCHS": "训练的轮次,这里默认就跑100轮","batch_size": "批量大小,一般为1,2,4","warm": "控制学习率的'热身'或'预热'过程"实例化类对象：args = parser_args()这种方式相对简洁，易于理解，并且在实例化类对象后可以直接访问这些参数。
2023-11-12 17:23:32
344
1
原创 学习率范围测试（LR Finder）脚本
深度学习中的学习率是模型训练中至关重要的超参数之一。合适的学习率可以加速模型的收敛，提高训练效率，而不恰当的学习率可能导致训练过慢或者无法收敛。为了找到合适的学习率，LR Finder成为了一种强大的工具。学习率范围测试（LR Finder）是一种通过逐渐增加学习率来观察模型在不同学习率下的性能变化的方法。这个过程可以帮助我们找到一个合适的初始学习率，有助于训练过程的稳定和加速。在本文中，我们将深入探讨 LR Finder 的原理、实现和应用，以及如何在实际的分类项目中充分利用这个强大的工具。
2023-11-12 15:57:25
226
原创 分类网络搭建示例
本章我们来学习一下如何搭建网络，初始化方法，模型的保存，预训练模型的加载方法。本专栏需要搭建的是对分类性能的测试，所以这里我们只以VGG为例。本章只是对网络的定义进行一个简单的示例，具体的部分我们会在另外一个专栏讲解，这里只是为了让读者了解网络定义的流程。在实际项目中，通常需要更详细的网络结构，包括适当的初始化方法、损失函数的选择、优化器的设置等。如果读者了解掌握了基本的网络定义过程，你可以在本专栏中深入讲解这些方面，以及如何训练和评估模型等内容。
2023-11-12 10:24:08
966
原创 CIFAR-100数据集的加载和预处理教程
dataset类需要继承import torch.utils.data.dataset。dataset的作用是将任意格式的数据，通过读取、预处理或数据增强后以tensor的形式输出。其中任意格式的数据指可能是以文件夹名作为类别的形式、或以txt文件存储图片地址的形式。而输出则指的是经过处理后的一个 batch的tensor格式数据和对应标签。dataset类需要重写的主要有三个函数要完成：__init__函数、__len__函数和__getitem__函数。
2023-11-12 00:38:10
4094
原创 深度学习环境搭建入门环境搭建（pytorch版本）
本文介绍了如何从零开始如何搭建深度学习环境的过程。先是介绍了Anaconda的安装，这是一个用于创建Python虚拟环境的工具，使环境管理更加便捷。接下来是PyCharm的安装，这是一个Python集成开发环境，适用于编码和项目管理。同时请关注显卡驱动、Python版本、深度学习框架版本和CuDNN版本之间的兼容性，还介绍了Jupyter Notebook，一种交互式编程环境，用于实验和笔记，并且讨论了在GitHub上创建代码库和协同工作的过程。
2023-11-07 23:51:14
556
原创 基于改进细化法的线激光中心提取方法
线激光条纹中心线提取的精度和速度是线激光三维测量技术的关键，针对现有的激光条纹中心提 取方法在速度快和精度高之间的矛盾，提出一种改进细化法的线激光条纹中心线提取方法。首先对图像进行 滤波操作，阈值分割，再基于改进的细化算法，对提取中心进行冗余去除和补线处理，实现了线激光条纹中心快速和高精度的提取。通过实验结果表明，相比灰度重心法，所提方法在精度上提高近 1 倍，相较于 Steger 算法，在运行速度上提高近 15 倍。因此，所提算法具有复杂度低，且具有提取速度和精度高的优点。
2023-11-07 21:33:41
341
原创 3D 线激光相机的激光条纹中心提取方法
线激光条纹中心提取是实现线激光相机三维扫描的关键，根据激光三角测量法研制了线激光相机，基于传统 Steger 法对其进行优化并提出一种适用于提取线激光相机光条中心的方法。对图像进行预处理，结合 Canny 算子找出光条边缘，求取光条边缘极值并计算确定ROI区域，利用高斯滤波处理提取后的图像，利用 Hessian 矩阵求取光条中心法线方向，在法线方向进行二阶泰勒展开确定光条中心点，最后对中心点连接并平滑处理，实现中心线精确提取。
2023-11-06 19:38:04
1169
原创 复杂物体线结构光中心线提取方法研究
针对复杂物体动态三维测量中条纹图像过曝光、欠曝光以及环境光照干扰引起激光中心线提取速度慢、提取 不准确的问题，提出一种基于深度学习语义分割技术的光条中心线提取方法,该方法使用改进的 UNet++模型进行图像分割,粗提光条中心区域,得到1~2个像素宽度的光条中心线,再利用灰度重心法精确提取亚像素中心。经实验证明，该方法能够有效克服因光条图像曝光不均以及外部干扰噪声带来的不良影响，准确、快速地提取出了复杂物体完整、光滑的亚像素光条中心线,满足工业中动态三维测量的要求。
2023-11-05 21:30:55
405
原创 Ubuntu下安装vscode，并解决终端打不开vscode的问题
Ubuntu下安装vscode，并解决终端打不开vscode的问题You are trying to start Visual Studio Code as a super user which isn't recommended. If this was intended, please add the argument `--no-sandbox` and specify an alternate user data directory using the `--user-data-dir` argu
2023-11-04 15:06:40
4524
2
原创 解决虚拟机开机黑屏piix4_smbus：host smbus controller not enable 与/dev/sda1：clean，***files,***blocks的问题
虚拟机被卡住，出现问题，但是Xshell可以正常连接。解决虚拟机开机黑屏piix4_smbus：host smbus controller not enable 与/dev/sda1：clean，***files,***blocks的问题
2023-11-04 14:45:33
1179
2
原创 理解训练深度前馈神经网络的难度【PMLR 2010】
这篇论文比较久了，但仍能从里面获得一些收获，论文主要是讨论并研究了不同的非线性激活函数的影响，sigmoid函数它的非零均值会在Hessian中诱发重要的奇异值，很容易导致在隐藏层中达到饱和区域，且也证实了sigmoid激活函数在随机初始化的深度网络并不是很合适。不过却又发现，处于处于饱和的神经元能够自己“逃脱出”饱和状态。这可能是由于训练算法中的一些机制，例如学习率的调整或梯度剪切。此外，论文还讨论了雅可比矩阵的奇异值与训练困难之间的关系。
2023-11-03 21:41:29
206
基于opencv的物体计数与表单信息系统.docx
2023-08-21
用于FPGA的学习资料
2023-06-07
基于matlab的食堂优化报告
2022-11-15
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人