YuQiao0303的博客

torch.div()方法的rounding_mode参数 似乎是torch1.8才引入的，我的torch版本太老了。那我直接再套一层floor代替呗。

第527行对用v1_0的修改是in place操作。再次运行，就会显示更详细的信息和更精确的定位。在相应位置修改即可。

loss, _ = chamferDistLoss(v, gt_pc)报错代码长这样。最后发现原因是这个函数值有一个返回值，改为下面这样即可loss = chamferDistLoss(v, gt_pc)

前言需求是将vtk窗口设为全屏，同时保留菜单栏，从而可以点击右上角叉叉关闭。使用的语言是python，不过别的应该也同理。方法查阅官方文档得知，vtkRenderWindow有几个相关函数：SetFullScreen(True) # 参数为布尔类型FullScreenOn() # 相当于SetFullScreen(True)FullScreenOff # SetFullScreen(False)SetBorders() # 参数为布尔类型BordersOn() # 相当于SetBorder

用conda安装单个库conda imstall PackageNameconda imstall PackageName如果报错：PackagesNotFoundError: The following packages are not available from current channels:则参考下文找不到包怎么办所有依赖一起安装：conda env create -f environment.yamlconda env create -f environment.yaml

np.set_printoptions(precision=3,suppress = True) precision=3： 保留三位小数，suppress = True： 不用科学计数法

已知四个对应点，求投影矩阵M = cv2.getPerspectiveTransform(src, target)src是四个点的list：[[121. 13.][433. 21.][ 58. 250.][497. 276.]]target是要把src变换到以下四个点：[[ 0. 0.][500. 0.][ 0. 281.][500. 281.]]M是求出来的投影矩阵，3*3：[[ 1.71880854e+00 4.56898473e-01 -2.1391551

ubuntu下的docker环境，直接pull官方tensorflow的镜像，新建contianer。从百度网盘下载里面的groundtruth数据集，放到服务器上。进入container：安装所需的包python ssr.py experiments/dn/config.json --trainImportError: No module named ‘joblib’pip install joblibpip install trimesh python ssr.py expe

numpy相关# 构造矩阵/向量a = np.zeros((2,3)) #(一定要两层括号)a = np.random.randn(5,1)np.arange(0, samplePerChannel)#python的二维数据表示要用二层括号来进行表示。#如：产生一个2×3的全0矩阵，若是zeros(2,3)这种写法就会出现 TypeError: #data type not understood 这种错误； # 正确的写法是 zeros((2,3))#读写csvnp.loadtxt(f

画箭头，用quiver方法，xyzuvw分别是箭头起点和终点坐标。参考官方文档清空之前的画布：用plt.cla()方法重新绘图：用plt.draw()方法。注意不要加plt.show()等待一段时间：用plt.pause(seconds)方法。主要参考了官方的一个旋转坐标轴的demo完整代码如下： import math import time import matplotlib.pyplot as plt from mpl_toolkits.mplot3d im.

背景需求项目需要用python实现常见的raycast射线检测。即：给定一个点，一个方向，一个mesh。求：从改点沿该方向发送射线，与mesh是否有交点，如果有，给出交点坐标，距离等信息。找到两种亲测可行的解决方案：用trimesh包：https://github.com/mikedh/trimesh用python mesh raycast 包： https://github.com/szabolcsdombi/python-mesh-raycast两个包的安装trimesh支持 p

参考链接函数装饰器@#funA 作为装饰器函数def funA(fn): #... fn() # 执行传入的fn参数 #... return '...'@funAdef funB(): #...等价于def funA(fn): #... fn() # 执行传入的fn参数 #... return '...'def funB(): #...funB = funA(funB)总结：这一句@，相当于在定义了

这个用的是这个教程的最后一节。https://pytorch.org/tutorials/beginner/deep_learning_60min_blitz.html模型类步骤：先用一个类定义模型。至少两个方法：__init__和forward。init: 先要super一下。init: 然后定义每一个有参数要学习的层（卷积层和全连接层）。通常用现成的torch.nn的函数完成，输入网络结构参数forward: 利用上文定义的卷积和全连接，以及torch.nn.functional的函

目标直接在本地使用pycahrm调试代码，但运行在远程的服务器上。二者通过ssh相连方法首先要有远程服务器的ip，端口号，用户名，密码。然后进行pycharm的配置。参考此文：https://blog.csdn.net/ft_sunshine/article/details/91894221主要包括配置:Tools > Deployment > Configuration.里面的Connection和Mapping。配置Python解释器等。.运行代码。有多种方

试图运行以下代码：https://github.com/yinyunie/RfDNet花了很久，特此记录采坑总结。总结关于install：pip install -r requirements.txt 之前先看一下他的要求，会发现里面有的用了本地链接。这种要删掉。同时如果requirements.txt 里面都是明确指定了版本号，即用的==而非>=, 也要慎重。可能的话，先从requirements.txt里面删掉自己已经安装过的软件。尽量不要动cuda，跟硬件和驱动都有关，如果不适

pytorch，tensorflow，numpy用python代码查看版本：import torchprint(torch.__version__) #注意是双下划线1.7.1import tensorflow as tfprint(tf.__version__) #1.15.0import numpy as npprint(np.__version__) #1.19.2cuda用命令行：(base) E:\project\PyCharm\RfDNet>nvcc --vers

试运行github上一份有点古老的代码时，要用patoolib 包。pip install 和conda install都不行，其中pip报错如下：ERROR: Could not find a version that satisfies the requirement patoolibERROR: No matching distribution found for patoolib换源，未果看到网上说考虑换源，可能源里面没有。换了好几个了都不行。换源参考的是这个知乎链接，只需在C盘的用户

首先学习的是这篇知乎文章参考链接yolo官网yolo论文原文YOLO简介: You Only Look OnceYOLO是一个目标检测算法。输入一张图片，给出对象的bounding box及分类标签，如下图（图片来自yolo官网）。YOLO是一个只使用一次CNN的端对端的算法。目前已有好几代。问题建模Yolo的CNN网络将输入的图片分割成S*S的 网格， 每个网格需要负责预测以本格子为中心的目标。每个网格需要预测B个边框的位置，和C个类别各自的概率。总共是(B*5+C)个值。

plt.savefig()保存的图片不完整plt.show()是完整的，但保存的不完整，解决方法如下：plt.savefig('test.png', dpi=200, bbox_inches='tight') # 最后这个bbox_inches起了作用设置字体我用了网上的方法，分别给label，刻度，title，legend设置字体，但不知道为什么其他都可以，但刻度不行。最后发现下面这行代码可以：plt.rc(‘font’,family = ‘Times New Roman’)...

前言有复现需要的时候建议全部指定random_state不收敛的时候指定一下max_iterlogistics regressionmodel = LogisticRegression(C=my_c, max_iter=500, random_state=0)重要参数：C默认L2正则化，默认优化器的情况下，基本只有个C可以调。svm重要参数：C：惩罚系数的相反数（如上图），C越大越容易过拟合，C越小越容易欠拟合kernel: linear,poly , rbf,