- 博客(73)
- 收藏
- 关注
RSS订阅
原创 YOLOV5训练自己的数据集教程（万字整理，实现0-1）
YOLOv5是一种单阶段目标检测算法，该算法在的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。YOLOv5是Glenn Jocher等人研发，它是Ultralytics公司的开源项目。YOLOv5根据参数量分为了n、s、m、l、x五种类型，其参数量依次上升，当然了其效果也是越来越好。从2020年6月发布至2022年11月已经更新了7个大版本，在v7版本中还添加了语义分割的功能。
2024-03-31 20:24:33
3447
22
原创 【论文解读系列】卷积神经网络(CNN)创新综述
大量数据的可用性和硬件处理单元的改进加速了 CNN 的研究，最近也报道了非常有趣的深度 CNN 架构。2015 年，为了训练深度 CNN，Resnet 引入的残差连接概念变得很有名，并且，后来的大多数网络像 Inception-ResNet，WideResNet，ResNext 等都在使用它。与此类似，一些像 WideResnet、Pyramidal Nets、Xception 这样的架构都引入了多层转换的概念，通过额外的基数和增加的宽度来实现。不同的抽象级别在定义神经网络的鉴别能力方面有着重要的作用。
2024-05-20 08:52:36
1148
4
原创 在python中嵌入C++程序的方法及opencv中的算术操作
在其最基本的形式中，该运算符将两个相同大小的图像作为输入，并输出与前两个相同大小的第三个图像，每个像素值是两个输入图像中每个图像中对应像素值的总和. 更高级的版本允许在一次操作中组合多个图像。AND 运算符（以及类似方式的 NAND 运算符）通常将两个二进制或整数灰度级图像作为输入，并生成第三个图像，其像素值只是第一个图像的像素值与来自第二个图像的相应像素相乘。图像算法对于分析输入图像的属性是必要的，可以将操作后的图像用作增强的输入图像，并且可以对图像应用更多操作，以进行阈值化、膨胀等。
2024-05-20 07:35:50
1218
1
原创 【论文解读系列】深度学习的缺陷检测
该架构包含两条路径。因此，它是一个端到端的，完全卷积的网络（FCN），即它只包含卷积层，不包含任何稠密层，因此它可以接受任何大小的图像。如果你好奇，那么在计算Dice系数的分子中有一个2，是因为我们的分母“双重计算”了两个集合之间的公共元素。这就有了一个根据目标掩码的大小来归一化损失的效果，以便平滑的Dice损失不会在图像中具有较少空间表示的类中学习。对于图像分割任务，一个常见的损失函数是基于Dice系数的，它本质上是两个样本之间重叠的度量。这个式子的更高值，也就是分子中的部分，会导致更好的Dice系数。
2024-05-19 21:51:15
862
原创 计算机操作系统第六章 虚拟存储器
文章目录6.1 概述6.1.1 虚拟存储器的定义和特征6.1.2 虚拟存储器的实现方法6.2 请求分页存储管理方式6.2.1 内存分配6.2.2 页面调入策略6.2.3 页面置换算法6.2.4 访问内存的有效时间6.3 抖动与工作集6.4 请求分段存储管理6.4.1 硬件支持6.4.2 分段的共享与保护
2024-05-19 21:44:12
1076
原创 【论文解读系列】全球首篇综述全面解析通用世界模型
基于自回归建模的模型（下图 (c)）使用预测下一个视觉 Token 的方法，逐步生成下一个时间对应的视频内容，这种方法能够捕捉时间序列中的依赖关系，生成连贯和真实的视频。最后，智能体世界模型是指利用视频生成和预测技术在动态环境中建立智能体与环境的交互，与自动驾驶模型不同，智能体世界模型构建的是适用于各种环境和情境的智能策略网络；World Models 是第一篇在强化学习领域引入世界模型概念的研究，其从智能体的经验中对世界的知识进行建模，并获得预测未来的能力。高质量的数据是训练深度学习模型的基石。
2024-05-18 21:59:46
901
4
原创 【论文解读系列】采用频谱修剪和神经补偿的SUNDAE
此外，我们还提出了一个连续剪枝的策略来降低峰值存储，与训练后剪枝不同，后者从一个完全密集的高斯场中剪除基元，连续剪枝涉及在整个训练过程中的预定义间隔定期移除特定数量或比例的基元。一方面，我们基于高斯基元的空间信息构建了一个图，用于模拟它们之间的关系，并设计了一个基于图信号处理的降采样模块来剪枝，同时保留所需信号。结果表明，这个参数对渲染质量有显著影响，50% 的比率提供了最佳的结果，而对低频或高频信号的不成比例强调会导致质量下降，因为通 50% 的比率保留了均衡的高频细节和低频背景所以效果更优。
2024-05-18 21:48:40
1095
原创 计算机操作系统第五章 存储器管理
【例题】内存按照地址递增的顺序排列 15k, 28k, 10k,226k, 110k,分配给10k,15k,102k, 26k, 180k。[例子2]: 共有32个页面，每页1kB,内存16KB， 0，1，2，3页对应物理块号 5 ，10，4，7 , 0A5C对应的物理地址。给定从指定的逻辑地址，经过地址变换，到内存中找到对应的物理地址单元，并且取出数据所用的时间。：管理简单，只需要少量的软件和硬件支持，便于用户的了解和使用，主存的利用率有所提高。块表： Cache，存放的是部分或者全部页表中的内容。
2024-05-17 19:14:07
1087
3
原创 计算机组成原理第七章 指令系统
其实，机器在运行过程中，没有必要将每次运算结果都存入主存，中间结果可以暂时存放在CPU的寄存器(如ACC)中，这样又可省去一个地址字段A1，从而得出。有些机器还具有操作功能，如。，而程序计数器PC既能存放当前欲执行指令的地址，又有计数功能，因此它能自动形成下一条指令的地址。这样，指令字中的第四地址字段。但是由图可知，主程序调用两次子程序之后，返回的位置，一次是81，一次是202，所以A的位置是变化的。零地址指令在指令字中无地址码，例如进栈(PUSH)、出栈(POP)这类指令，其操作数的地址隐含在。
2024-05-17 15:24:08
967
1
原创 机器学习中的GPU和显存
nvidia-smi是Nvidia显卡命令行管理套件，基于NVML库，旨在管理和监控Nvidia GPU设备。nvidia-smi的输出这是nvidia-smi命令的输出，其中最重要的两个指标：显存占用GPU利用率显存占用和GPU利用率是两个不一样的东西，显卡是由GPU计算单元和显存等组成的，显存和GPU的关系有点类似于内存和CPU的关系。gpustat,直接即可安装，gpustat基于nvidia-smi，可以提供更美观简洁的展示，结合watch命令，可以动态实时监控GPU的使用情况。
2024-05-16 18:10:54
738
2
原创 数字图像的几种处理算法
上面的代码同样是遍历每一个像素将前一个像素和后一个像素相加，然后将获得的值右移一位，这样就能实现除以2的效果，之所以做位运算，是因为位运算的速度比除法运算要快很多。在上述代码中，通过遍历每一个像素，然后计算该像素的三个分量的加权平均值，将三个分量设置成同一个值，这样就实现了对图像的灰度化处理。其实所谓的模糊化，就是将各个像素的相邻的像素的各个分量的值相加，然后除以2就可以实现对图像的模糊处理。将彩色图像中的三分量的亮度作为三个灰度图像的灰度值，可根据应用需要选取一种灰度图像。
2024-05-16 17:56:31
811
原创 计算机组成原理第六章 计算机的运算方法
举个简单的例子：15m = 1500cm这就代表了15这个数字左移了2两位，左移之后空缺的地方补上了0，这就是移位运算。在十进制中，左移一位，相当于数值大小为原来的10倍，那么在二进制中，左移一位，相当于数值大小为原来的2倍。前面我们知道，计算机中有些二进制数是代表符号位的逻辑移位：无符号位进行移位算数移位：有符号位进行移位。
2024-05-15 19:50:43
1190
4
原创 数据库系统概论第七章 数据库设计
数据库设计广义：数据库及其应用系统的设计，即设计整个数据库应用系统狭义：设计数据库本身，即设计数据库的各级模式并建立数据库，这是数据库应用系统设计的一部分一般定义：数据库设计是指对于一个给定的应用环境，构造（设计）优化的数据库逻辑模式和物理结构，并据此建立数据库及其应用系统，使之能够有效地存储和管理数据，满足各种用户的应用需求，包括信息管理要求和数据操作要求。信息管理要求：在数据库中应该存储和管理哪些数据对象。数据操作要求：对数据对象需要进行哪些操作，如查询、增、删、 改、统计等操作。
2024-05-12 23:00:28
1127
9
原创 数据库系统概论第六章 关系数据理论
在 𝑅(𝑈) 的任一关系 𝑟 中，如果存在元组 𝑡 、𝑠 使得 𝑡[𝑋]=𝑠[𝑋]，那么就必然存在元组 𝑤 、𝑣∈𝑅 ，（𝑤 、𝑣 可以与 𝑠 、𝑡 相同），使得 𝑤[𝑋]=𝑣[𝑋]=𝑡[𝑋]，而 𝑤[𝑌]=𝑡[𝑌]，𝑤[𝑍]=𝑠[𝑍]，𝑣[𝑌]=𝑠[𝑌]，𝑣[𝑍]=𝑡[𝑍]（即交换 𝑠 、𝑡 元组的 𝑌 值所得的两个新元组必在 𝑟 中），则 𝑌 多值依赖于 𝑋，记为 𝑋→→𝑌。【例 6.8】关系模式 STJ(S,T,J) 中，S 表示学生，T 表示教师，J 表示课程。
2024-05-12 14:24:34
1162
3
原创 数据库系统概论第五章 数据库完整性
关系模型的实体完整性在 CREATE TABLE 中用 PRIMARY KEY 定义。单属性构成的码有两种说明方法：定义为列级约束条件、定义为表级约束条件对多个属性构成的码只有一种说明方法：定义为表级约束条件【例 5.1】将 Student 表中的 Sno 属性定义为码。(Sno CHAR(9) PRIMARY KEY, /* 在列级定义主码 */或者PRIMARY KEY(Sno) /* 在表级定义主码 */【例 5.2】将 SC 表中的 Sno、Cno 属性组定义为码。
2024-05-11 19:47:24
956
4
原创 少样本学习方法
少样本学习是一种强大的技术，它使模型能够从少数例子中学习。它在各个领域都有大量的应用，并有可能彻底改变机器学习。随着不断的研究和开发，少样本学习可以为更高效和有效的机器学习系统铺平道路。
2024-05-11 09:12:35
1049
2
原创 数据库系统概论第四章 数据库安全性
数据库的安全性是指保护数据库，以防不合法使用所造成的数据泄露、纂改或破坏。欧洲的信息技术安全评估准则（ITSEC）加拿大的可信计算机产品评估准则（CTCPEC）美国的信息技术安全联邦标准（FC）1993 年，CTCPEC、FC、TCSEC 和 ITSEC 联合行动，解决原标准中概念和技术上的差异，将各自独立的准则集合成一组单一的、能被广泛使用的 IT 安全准则，这一行动被称为通用准则（Common Criteria，CC）项目。
2024-05-10 19:05:20
1389
4
原创 【论文解读系列】轻量级MobileSAM
给定编码器处理的图像嵌入，如他们的公开演示中所示，SAM可以在资源受限的设备中工作，因为掩码解码器是轻量级的。然而，原始SAM中的默认图像编码器是基于ViT-H的，具有超过600M的参数，这是非常重量级的，并使整个SAM管道与移动设备不兼容。因此，获得移动友好SAM的关键在于用轻量级的图像编码器取代重量级的图像编码器，这也自动保持了原始SAM的所有功能和特性。具体地说，将原始SAM中的图像编码器ViT-H的知识提取到一个轻量级的图像编码器中，该编码器可以自动与原始SAM中的掩码解码器兼容。
2024-05-10 15:18:41
966
2
原创 【操作系统】读者—写者问题python解析
一个数据问价或记录可以被多个进程共享，我们把只读该文件的进程称为“读者进程”，其他进程为“写者进程”。允许多个进程同时读一个共享对象，但不允许一个写者进程和其他写者进程或读者进程同时访问共享对象。即：保证一个写者进程必须与其他进程互斥的访问共享对象的同步问题；读者-写者问题常用来测试新同步原语。
2024-05-06 21:00:28
581
12
原创 目标检测正负样本区分和平衡
rpn和rcnn的正负样本定义都是基于MaxIoUAssigner，只不过定义阈值不一样而已。MaxIoUAssigner的操作包括4个步骤：首先初始化时候假设每个anchor的mask都是-1，表示都是忽略anchor将每个anchor和所有gt的iou的最大Iou小于neg_iou_thr的anchor的mask设置为0，表示是负样本(背景样本)
2024-05-05 22:50:35
1034
5
原创 计算机操作系统第四章 进程同步
1、信号量-软件解决方案：保证两个或多个代码段不被并发调用在进入关键代码段前，进程必须获取一个信号量，否则不能运行执行完该关键代码段，必须释放信号量信号量有值，为正说明它空闲，为负说明其忙碌2、整型信号量提供两个不可分割的原子操作访问信号量wait(S)：while s
2024-05-03 21:24:51
923
7
原创 软工导论第三章 需求分析
对软件需求的深人理解是软件开发工作获得成功的前提条件,不论人们把设计和编码工作做得如何出色,不能真正满足用户需求的程序只会令用户失望,给开发者带来烦恼。（意义）需求分析是软件定义时期的最后一个阶段,它的基本任务是准确地回答“系统必须做什么”这个问题。（目的）
2024-05-02 14:56:05
1884
6
原创 解析transformer中的各模块结构
transformer是一种编解码（encoder-decoer）结构，用于自然语言处理、计算机视觉等领域，编解码结构是当前大模型必包含的部分。编解码结构图：transformer模块编码输入得到特征，然后解码得到输出。transformer论文的一张经典图：结合transformer论文和代码，模块主要包括了：词嵌入模块（input embedding）位置编码模块（Positional Encoding）多头注意力机制模块（Multi-Head Attention）
2024-05-02 13:33:01
1012
1
原创 图像处理：乘法滤波器（Multiplying Filter）和逆FFT位移
乘法滤波器是一种以像素值为权重的滤波器，它通过将滤波器的权重与图像的像素值相乘，来获得滤波后的像素值。而20*np.log(np.abs(x))将数据按20倍缩放，并对数据的绝对值取对数，这可以更容易地看到不同频率之间较小的幅度差异。在可视化傅里叶频谱时，使用np.log(1+np.abs(x))和20*np.log(np.abs(x))之间的选择是个人喜好的问题，可以取决于具体的应用程序。这个乘法过程对于去除不需要的频率和增强所需的频率是必不可少的，从而产生更清晰和更清晰的图像。
2024-04-28 23:02:37
1392
9
原创 计算机组成原理第五章 输入输出系统课后习题
而 I/O 被启动后，便进入自身的准备阶段，当其准备就绪时，向 CPU 提出中断请求，此时若满足条件，CPU 暂停现行程序，转入该设备的中断服务程序，在服务程序中实现数据的传送。CPU 启动 I/O 后，不必查询 I/O 是否准备好，当 I/O 准备就绪后，发出 DMA 请求，此时 CPU 不直接参与 I/O 和主存间的信息 交换，只是把外部总线的使用权暂时交付 DMA，仍然可以完成自身内部的操作，所以不必中断现行程序，只需暂停一个存取周期访存，CPU 效率更高。这两种处理方式的中服务程序略有区别。
2024-04-27 20:54:29
729
3
原创 计算机组成原理第五章 输入输出系统
（1）设备驱动程序的功能接收由与设备无关的软件发来的命令和参数，并将命令中的抽象要求转换为与设备相关的低层操作序列。检查用户I/O请求的合法性，了解I/O设备的工作状态，传递与I/O设备操作有关的参数，设置设备的工作方式。发出I/O命令，如果设备空闲，便立即启动I/O设备，完成指定的I/O操作；如果设备忙碌，则将请求者的请求块挂在设备队列上等待。及时响应由设备控制器发来的中断请求，并根据其中断类型，调用相应的中断处理程序进行处理。（2）设备驱动程序的特点。
2024-04-25 21:30:47
1396
10
原创 【操作系统】进程互斥（自习室预约问题）使用Python多进程multiprocessing实现
reserve_seat(student_id): 学生预约座位的函数，采用互斥锁来确保进程安全。如果成功预约到座位，则跳出循环；使用循环创建10个学生进程，每个学生进程调用`student_process`函数，并传入学生ID作为参数。通过互斥锁确保座位状态的互斥访问，以及多个学生之间在预约座位时的竞争和等待过程，解决如何使用多进程处理并发场景下的资源共享问题。在所有学生进程执行完毕后，打印"所有学生已经预约座位"的信息。seats: 用于记录每个座位的状态，0表示座位空闲，1表示座位被占用。
2024-04-24 21:21:56
512
6
原创 【操作系统】进程同步（水果盘问题）使用Python多线程threading实现
桌子有一只盘子，只允许放一个水果，父亲专向盘子放苹果，母亲专向盘子放桔子 儿子专等吃盘子的桔子，女儿专等吃盘子的苹果。只要盘子为空，父亲或母亲就可以向盘子放水果， 仅当盘子有自己需要的水果时，儿子和女儿可从盘子取出。在女儿和儿子的函数中，分别通过`apple.acquire()`和`orange.acquire()`来获取苹果或桔子的信号量，表示可以吃水果了，然后输出相应的动作（吃苹果或桔子），最后通过`empty_plate.release()`释放空盘子的信号量，表示吃完了。
2024-04-24 21:03:36
410
2
原创 神经网络训练中的Batch Size参数
大批量，即使调整了学习率，在我们的实验中表现稍差，但需要更多的数据来确定更大的批量是否总体上表现更差。这表明，只要您为批量大小找到合适的学习率，您就可以专注于可能对性能产生更大影响的其他方面的训练。选择合适的学习率时，较大的批量尺寸可以更快地训练，特别是在并行化时。对于大批量，我们不受 SGD 更新的顺序性质的限制，因为我们不会遇到与将许多小批量顺序加载到内存中相关的开销。然而，当学习率没有针对较大的批量大小向上调整时，大批量训练可能比小批量训练花费的时间更长，因为它需要更多的训练时期来收敛。
2024-04-20 21:35:06
1178
7
原创 【论文解读系列】从RNN/CNN到大模型全解析
论文：A Survey of Neural Code Intelligence: Paradigms, Advances and Beyond地址：GitHub：https://github.com/QiushiSun/NCISurvey神经代码智能（Neural Code Intelligence），即利用深度学习理解、生成和优化代码，正展现出其对人工智能领域变革性的影响。作为连接与的桥梁，这一领域不论是从论文数量上还是应用上，在过去几年里已经极大吸引了研究界/工业界的关注。
2024-04-18 19:57:50
1564
8
原创 计算机组成原理第四章 存储器课后习题
存储器的带宽指单位时间内从存储器进出信息的最大数量。存储器带宽= 1/200ns ×32 位 = 160M 位/秒 = 20MB/秒 = 5M 字/秒注意 :字长 32 位,不是 16 位。(注:1 n s = 10 - 9 s)所谓程序访问的局部性即程序执行时对存储器的访问是不均匀的,这是由于指令和数据在主存的地址分布不是随机的,而是相对地簇聚。存储系统的 Cache—主存级和主存—辅存级都用到程序访问的局部性原理。
2024-04-18 17:04:59
839
1
原创 IPython Debugger (ipdb) 详解，python debug调试模块
（IPython debugger）, 与类似, 是一款集成了 IPython 的 Python 代码命令行调试工具，支持等。
2024-04-17 23:03:15
1041
6
原创 操作系统第三章 处理机调度与死锁课后习题
实时系统的调度算法主要是基于任务开始/截止时间的EDF(earliest deadlinfirst，最早截止时间优先)调度算法，以及基于任务紧急/松弛程度的LLF(1east laxity first，最低松弛度优先)调度算法。(1)EDF调度算法。该算法是根据任务的开始/截止时间确定任务的优先级的，截止时间越早则优先级越高。算法要求在系统中保持一个实时任务就绪队列，该队列按各任务截止时间的先后顺序进行排序。(2)LLF调度算法。该算法是根据任务的紧急/松弛程度确定任务的优先级的。
2024-04-15 22:09:20
770
2
原创 操作系统第二章 进程的描述与控制课后习题
①进程是一段可并发执行的具有独立功能的程序，是关于某个数据集的一次执行过程，也是OS进行资源分配和保护的基本单位。②在OS中引人进程，是为了实现多个程序的并发执行。传统的程序与其他程序并发执行时，执行结果不可再现，因此，传统的程序不能与其他程序并发执行，只有在为之创建进程后，其才能与其他程序(进程)并发执行。
2024-04-15 21:35:03
817
原创 动态规划——记忆化搜索DP
f[][]二维数组初始化的时候最好统一赋值为-1，如果不进行初始化直接用0判断，此题可以，可是如果遇到一些记忆化搜索的问题要求方案数的时候，初始化是0可能会导致个别情况计算出来的恰好结果是0时，却被认为未遍历过，因此统一赋值为-1就没错了。DFS：在某个方向上滑雪滑倒不能滑为止，然后再回溯继续滑，直到以所有点为起始点全部遍历完。记忆化搜索：用f[i,j]记录，以某点开始滑的最大路径，保证不重复搜索。
2024-04-12 20:21:39
582
6
原创 基于Yolov5的检测系统实战
Yolov5官方模型改进，主要选择yolov5x，效果较好AttentionModule.py—注意力机制模块（在 YOLOv5 中添加注意力机制可以帮助模型更好地学习到关键特征，提高目标检测的性能和精度。1. 提高关注度：注意力机制可以使模型更加关注重要的特征，减少不必要的背景干扰，从而提高目标检测的准确性。2. 增强特征表征：通过引入注意力机制，模型可以学习到更具有代表性的特征表示，有助于更好地区分火灾目标与其他物体。
2024-04-10 22:53:14
1431
5
计算机操作系统试题库(最全).pdf
2024-03-17
计算机操作系统第四版期末复习知识点汇总附习题.pdf
2024-03-17
计算机操作系统章节复习题及答案.pdf
2024-03-17
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人