- 博客(51)
- 收藏
- 关注
RSS订阅原创 服务器重装系统后，远程ssh需要修改的内容
首先实验室服务器内部是搭了内网的，所以有固定的IP,IP是和网卡的MAC地址有关的，所以和系统没有关系，所以更换了系统不会影响IP的。
2024-06-27 17:23:41
441
原创 VSCode中配置命令行参数
在跑程序调试的时候，可以直接使用脚本运行程序，这个时候调试代码只能用pdb ,我觉得不太习惯，而且感觉不是很好，所以想这能不能将运行程序的脚本中的命令直接配置到vscode上，就有了这篇记录。
2023-09-09 21:49:07
1778
原创 服务器上使用screen和linux的基本操作
训练模型的时候，花费时间是很长的，不可能一直挂在桌面上。所以就想到用screen了。记录一下简单的操作指令。
2023-09-01 16:59:18
546
原创 学习服务器上运行论文代码（二）
VScode集成无法激活问题解决。VScode无法加载文件文件 C:\Users\haoqi\Documents\WindowsPowerShell\profile.ps1，因为在此系统上禁止运行脚本.解决方法。
2023-03-10 20:53:44
1535
2
原创 服务器上运行跑深度学习代码（一）
我准备复现的是Point2roof的代码。这是第一次复现论文代码，所以记录一下^ _ ^。从GitHub找到他的项目。先把工程down下来 ^ _ ^。看他工程里面提供的README。这篇里面提到他的数据集，我也顺便下载下来了。目前只是想跑一下代码，好像没必要下载数据集？接下来按照他说的安装环境。我这里是先从网上把PyTorch下载到本地，然后通过WinSCP拖到实验室的服务器里面。WinSCP使用过程就不介绍了。主要是下载时要注意服务器里面的python的版本。
2023-03-08 22:40:39
3972
10
原创 无法加载文件 C:\Users\haoqi\Documents\WindowsPowerShell\profile.ps1，因为在此系统上禁止运行脚本
最好不要删除，在对应路径创建个新建文件夹，把文档移动进去，起到的作用是变相的删除，但是能避免误删。我的解决办法是：删除对应路径下的文件。再次打开vscode就不会报错了。
2022-11-15 10:58:47
1892
原创 《Python 计算机视觉编程》学习笔记（十）
本章概述如何通过 Python 接口使用流行的计算机视觉库 OpenCV。 OpenCV 是一个C++ 库，用于（实时）处理计算视觉问题。OpenCV 是一个 C++ 库，它包含了计算机视觉领域的很多模块。除了 C++ 和 C，Python 作为一种简洁的脚本语言，在 C++ 代码基础上的 Python 接口得到了越来越广泛的支持。目前， OpenCV 的 Python 接口仍在发展，不过并不是所有的 OpenCV组件都提供了相应的 Python 接口，此处还有很多函数没有文档说明。OpenCV 2.3.1
2022-10-10 21:23:30
458
原创 《Python 计算机视觉编程》学习笔记（九）
图像分割是将一幅图像分割成有意义区域的过程。区域可以是图像的前景与背景或图像中一些单独的对象。这些区域可以利用一些诸如颜色、边界或近邻相似性等特征进行构建。图论中的图（ graph）是由若干节点（有时也称顶点）和连接节点的边构成的集合。图 9-1 给出了一个示例 1。边可以是有向的（图 9-1 中用箭头示出）或无向的，并且这些可能有与它们相关联的权重。图割是将一个有向图分割成两个互不相交的集合，可以用来解决很多计算机视觉方面的问题，诸如立体深度重建、图像拼接和图像分割等计算机视觉方面的不同问题。从图像像素
2022-10-09 22:04:31
275
原创 《Python 计算机视觉编程》学习笔记（八）
本章介绍图像分类和图像内容分类算法。在分类方法中，最简单且用得最多的一种方法之一就是 KNN（ K-Nearest Neighbor ,K邻近分类法），这种算法把要分类的对象（例如一个特征向量）与训练集中已知类标记的所有对象进行对比，并由 k 近邻对指派到哪个类进行投票。这种方法通常分类效果较好，但是也有很多弊端：与 K-means 聚类算法一样，需要预先设定 k 值， k 值的选择会影响分类的性能；此外，这种方法要求将整个训练集存储起来，如果训练集非常大，搜索起来就非常慢。对于大训练集，采取某些装箱形式通
2022-10-09 10:07:42
1089
原创 《Python 计算机视觉编程》学习笔记（七）
本章将展示如何利用文本挖掘技术对基于图像视觉内容进行图像搜索。阐明了提出利用视觉单词的基本思想。在大型图像数据库上， CBIR（ Content-Based Image Retrieval，基于内容的图像检索）技术用于检索在视觉上具相似性的图像。这样返回的图像可以是颜色相似、纹理相似、图像中的物体或场景相似；总之，基本上可以是这些图像自身共有的任何信息。对于高层查询，比如寻找相似的物体，将查询图像与数据库中所有的图像进行完全比较（比如用特征匹配）往往是不可行的。在数据库很大的情况下，这样的查询方式会耗费过多
2022-10-07 22:13:38
182
原创 《Python 计算机视觉编程》学习笔记（六）
本章将介绍几种聚类方法，并展示如何利用它们对图像进行聚类，从而寻找相似的图像组。聚类可以用于识别、划分图像数据集，组织与导航。此外，我们还会对聚类后的图像进行相似性可视化。K-means 是一种将输入数据划分成 k 个簇的简单的聚类算法。 K-means 反复提炼初始评估的类中心，步骤如下：K-means 试图使类内总方差最小：V=∑i=1k∑xj∈ci(xj−μi)2V=\sum_{i=1}^{k} \sum_{x_{j} \in c_{i}}\left(\boldsymbol{x}_{j}-\bol
2022-10-06 15:44:28
153
原创 《Python 计算机视觉编程》学习笔记（五）
本章讲解如何处理多个视图，以及如何利用多个视图的几何关系来恢复照相机位置信息和三维结构。通过在不同视点拍摄的图像，我们可以利用特征匹配来计算出三维场景点以及照相机位置。多视图几何是利用在不同视点所拍摄图像间的关系，来研究照相机之间或者特征之间关系的一门科学。图像的特征通常是兴趣点，本章使用的也是兴趣点特征。多视图几何中最重要的内容是双视图几何。如果有一个场景的两个视图以及视图中的对应图像点，那么根据照相机间的空间相对位置关系、照相机的性质以及三维场景点的位置，可以得到对这些图像点的一些几何关系约束。我们通过
2022-10-05 15:19:25
975
原创 《Python 计算机视觉编程》学习笔记（四）
本章中我们将会讲述如何确定照相机的参数，以及在具体应用中，如增强现实，如何使用图像间的投影变换。针孔照相机模型（有时称为射影照相机模型）是计算机视觉中广泛使用的照相机模型。对于大多数应用来说，针孔照相机模型简单，并且具有足够的精确度。这个名字来源于一种类似暗箱机的照相机。该照相机从一个小孔采集射到暗箱内部的光线。在针孔照相机模型中，在光线投影到图像平面之前，从唯一一个点经过，也就是照相机中心 C。图 4-1 为从照相机中心前画出图像平面的图解。由图像坐标轴和三维坐标系中的 x 轴和 y 轴对齐平行的假设，
2022-09-30 17:59:17
1027
原创 《Python 计算机视觉编程》学习笔记（三）
本章讲解图像之间的变换，以及一些计算变换的实用方法。这些变换可以用于图像扭曲变形和图像配准。单应性变换是将一个平面内的点映射到另一个平面内的二维投影变换。在这里，平面是指图像或者三维中的平面表面。本质上，单应性变换 H，按照下面的方程映射二维中的点（齐次坐标意义下）：[x′y′w′]=[h1h2h3h4h5h6h7h8h9][xyw]或x′=Hx\left[\begin{array}{c}x^{\prime} \\y^{\prime} \\w^{\prime}\end{array}\right]
2022-09-28 20:25:37
1062
原创 《Python 计算机视觉编程》学习笔记（二）
本章旨在寻找图像间的对应点和对应区域。Harris 角点检测算法（也称 Harris & Stephens 角点检测器）是一个极为简单的角点检测算法。该算法的主要思想是，如果像素周围显示存在多于一个方向的边，我们认为该点为兴趣点。该点就称为角点。我们把图像域中点 x 上的对称半正定矩阵MI=MI（x）M_I=M_I（ x）MI=MI（x）定义为：MI=∇I∇IT=[IxIy][IxIy]=[Ix2IxIyIxIyIy2]\boldsymbol{M}_{I}=\nabla \boldsymbol{I}
2022-09-26 12:56:59
1475
原创 《Python 计算机视觉编程》学习笔记（一）
计算机视觉是一门对图像中信息进行自动提取的学科。计算机视觉有时试图模拟人类视觉，有时使用数据和统计方法，而有时几何是解决问题的关键。
2022-09-21 12:42:43
1826
6
原创 Python学习笔记（五）
明白了，大致上是：取出eigvects中的第eigValInd[0]列，第eigValInd[1]列，直到eigValInd值取完。我记得C语言函数要有返回值，这样就能判断函数是否正常执行了。看代码的时候突然想起来了，所以搜了一下，Python好像也有这个要求。如果mat（）一下，就是个2*N 的矩阵。函数定义的时候，如果第一个参数使用了关键字绑定，后面的参数也必须使用关键字绑定！这代码有点漂亮，一环套一环。有点顶，接触这些函数嵌套的。N 表示的是矩阵a中不为0的元素个数。
2022-09-18 16:46:48
795
2
原创 《机器学习实战》学习笔记（十四）
相似度值在0到1之间变化，并且物品对越相似，它们的相似度值也就越大。，其计算的是两个向量夹角的余弦值。上图中输出结果看似与原始数据不同，但是仔细观察便会发现，原始矩阵中为0的位置，在这个新构建的矩阵中对应的值都是特别小的值，应当可以忽略。表示向量A、B的2范数，你可以定义向量的任一范数，但是如果不指定范数阶数，则都假设为2范数。在PCA中，我们得到的是矩阵的特征值，它们告诉我们数据集中的重要特征。在该数据中，由于手撕猪肉和烤牛肉的距离小于手撕猪肉和鳗鱼饭的距离，因此手撕猪肉与烤牛肉比与鳗鱼饭更为相似。
2022-09-18 14:41:54
402
原创 《机器学习实战》学习笔记（十三）
，（关于特征值为啥是两个，看一下那个参考就知道了，简单说数据有两列，求得的协方差矩阵是二阶的，所以只有两个特征值）总之本应该有两个特征值，但是我们这边就取了一个，所以数据反构回去时就有部分被丢掉了。要区分这3个类别，可以使用决策树、SVM但都比较复杂，如果通过PCA进行降维处理，由于只需要考虑一维信息，因此数据就可以通过比SVM 简单得多的很容易采用的规则进行区分。第一个主成分就是从数据差异性最大（即方差最大）的方向提取出来的，第二个主成分则来自于数据差异性次大的方向，并且该方向与第一个主成分方向正交。
2022-09-18 07:00:00
254
原创 《机器学习实战》学习笔记（十二）
树节点上给出集合中的单个元素及其在序列中的出现次数，路径会给出该序列的出现次数。元素项Z出现了5次 ，集合{r,z}出现了1次。集合{t,s,y,x,z,}出现了2次 ，集合{t,r,y,x,z}出现了1次。从输出结果得到 ‘z’ 是没有前缀路径的，'r’的前缀路径是{‘z’}{‘s’, ‘x’}{‘z’, ‘x’}x的前缀路径是{‘z’}，与分析头指针表示意图得到的结果类似。FP-growth 将数据集存储在一个特定的称作FP树的结构之后发现频繁项集或者频繁项对，即常在一块出现的元素项的集合FP树。
2022-09-11 19:07:26
785
原创 《机器学习实战》学习笔记（十一）
这条规则的可信度被定义为 “ 支持度({尿布，葡萄酒})/支持度({尿布}) ” 从图11-1中可以看到，由于 {尿布，葡萄酒}的支持度为3/5,尿布的支持度为4/5,所以“尿布。一旦计算出了{2,3}的支持度，知道它是非频繁的之后，就不需要再计算{0，2，3}、{1，2，3}和 {0，1，2，3}的支持度，因为我们知道这些集合不会满足我们的要求。对于图11-2给出的例子，这意味着如果{0，1}是频繁的，那么{0}、{1}也一定是频繁的。如果一个项集是非频繁集，那么它的所有超集也是非频繁的。
2022-09-04 20:09:22
591
原创 《机器学习实战》学习笔记（十）
聚类与分类的最大不同在于，分类的目标事先巳知，而聚类则不一样。每个点会被分配到距其最近的簇质心，然后紧接着基于新分配到簇的点更新簇质心。一种肯定可以降低SSE值的方法是增加簇的个数，但这违背了聚类的目标。而且由于质心最初是随机分布的，得到的最后的聚类效果也不相同。簇识别给出聚类结果的含义。在包含簇分配结果的矩阵中保存着每个点的误差，即该点到簇质心的距离平方值。聚类的算法，之所以称之为K-均值是因为它可以发现K个不同的簇，且每个簇的中心采用簇中所含值的。聚类是一种无监督的学习，它将相似的对象归到同一个簇中。.
2022-08-28 17:31:02
324
原创 《机器学习实战》学习笔记（九）
另外，模型树也具有更髙的预测准确度。学习了预剪枝(在树的构建过程中就进行剪枝）和后剪枝（当树构建完毕再进行剪枝）的相关概念与代码实现，最后比较了树回归与之前的线性回归。该相关系数可以通过调用NumPy库中的命令corrcoef (yHat，y，rowvar)来求解，其中yHat是预测值，y是目标变量的实际值。如果数据的某特征值等于切分所要求的值，那么这些数据就进人树的左子树，反之则进人树的右子树。在数据集上计算混乱度，首先计算所有数据的均值，然后计算每条数据的值到均值的差值(一般使用绝对值或平方值)。
2022-08-21 20:40:26
329
原创 《机器学习实战》学习笔记（八）
当构建了一个模型后，可以运行该算法找出重要的特征，这样就有可能及时停止对那些不重要特征的收集。当k越小，拟合效果越好。相同的是都在找回归系数，不同的是，一个是为了划分数据，一个是为了预测数据。一开始，所有的权重都设为1，然后每一步所做的决策是对某个权重增加或减少一个很小的值。对复杂的过程进行简化，这将导致在模型和测量值之间出现“噪声”或误差，若无法理解数据的真实生成过程，也会导致差异的发生。数据集上计算出的回归方程并不一定意味着它是最佳的，可以便用预测值yHat和原始值y的相关性来度量回归方程的好坏。...
2022-08-14 19:15:25
450
原创 《机器学习实战》学习笔记（七）
这次是对之前学习的分类算法的一次总结。对照《机器学习——周志华》这本书。分类算法K-近邻算法决策树朴素贝叶斯逻辑回归支持向量机优点算法易于理解。有较好的解释性，计算相对简单。原理简单，有稳定的分类效率，对缺失数据不太敏感，算法也比较简单。计算代价不高，易于理解和实现。效率较高可用于线性/非线性分类，可以提高泛化性能，可以解决高维问题。缺点计算量较大。结果不具有解释性，只是一个标签值。决策树处理缺失数据时比较困难，会出现过度拟合问题的出现。...
2022-08-14 01:07:35
469
原创 《机器学习实战》学习笔记（六）
遍历每个特征，每个特征下遍历设定的次数，在每一次数中循环两次，每次都对门限值进行修改，第一次调用单层决策树时将小于阈值的数据结果置-1，第二次循环调用决策树时，将大于阈值的样本判断结果置-1。由于在不同的阈值下，不同的分类器的表现情况可能各不相同，因此以某种方式将它们组合起来或许会更有意义。前面循环了三次，得到了三组数据，可以看做是三个分类器，利用前面的三个分类器的结果以其对应的alpha值作为权重。本章介绍的是对于算法的集成，集成方法通过组合多个分类器的分类结果，获得了比简单的单分类器更好的分类结果。..
2022-08-07 15:12:03
324
原创 《机器学习实战》学习笔记（五）
非边界alpha指的就是那些不等于边界0或C的alpha值，实现非边界alpha值的扫描时，我们要先建立这些alpha的列表，然后再对这个表进行遍历同时，跳过那些已知的不会改变的alpha值。为找出分类器定义中的w和b。后面介绍了核函数，核技巧会将数据（有时是非线性数据）从一个低维空间映射到一个高维空间，可以将一个在低维空间中的非线性问题转换成高维空间下的线性问题来求解。几百个点组成的小规模数据集上，简化版SMO算法的运行是没有什么问题的，但是在更大的数据集上的运行速度就会变慢。...
2022-07-31 18:42:40
297
原创 《机器学习实战》学习笔记（四）
最后，调整随机梯度上升算法的步长与循环周期，能够影响分类结果，但是该分类存在分类结果不稳定的问题。classifyVector函数为分类函数，使用已经计算好的回归参数和测试数据，得到Sigmoid返回值，当值大于0.5就返回1，小于0.5就返回0。上图可以看到绿色的部分处于分割线的下方，即为分类错误的部分，较之前的结果，总体来说要差。这里在调用之前的随机梯度算法函数时，要讲统计的回归参数相关的内容注释掉，并且要删除返回值。梯度上升法基于的思想是要找到某函数的最大值，最好的方法是沿着该函数的梯度方向探寻。..
2022-07-24 01:33:56
265
原创 《机器学习实战》学习笔记（三）
词向量表示样本是以有这个单词标记为1，没有标记为零，使用词向量与通过训练样本得到的各单词在侮辱类与非侮辱类中出现的概率的向量相乘并求和得到贝叶斯公式分母中的。考虑出现在所有文档中的所有单词，再决定将哪些词纳人词汇表或者说所要的词汇集合，然后必须要将每一篇文档转换为词汇表上的向量。还是运算时精度与表达时是不一样的？观察文档中出现的词，并把每个词的出现或者不出现作为一个特征，这样得到的特征数目就会跟词汇表中的词目一样多。创建一个字典，然后我们的句子中用到的字，将字典对应位置标记为1，没用到的位置标记为0....
2022-07-17 00:47:43
2475
原创 《机器学习实战》学习笔记（二）
正方形代表判断模块(decision block)。椭圆形代表终止模块（terminating block），表示已经得出结论，可以终止运行。从判断模块引出的左右箭头称作分支（branch），它可以到达另一个判断模块或者终止模块。决策树很多任务都是为了数据中所蕴含的知识信息，因此决策树可以使用不熟悉的数据集合，并从中提取出一系列规则，机器学习算法最终将使用这些（机器从数据集中创造的）规则。优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感，可以处理不相关特征数据。缺点：可能会产生过度匹配问题。
2022-07-09 17:46:05
215
原创 python 学习笔记（四）
之前前看得书是图像处理，上周已经结束了，后面开始进入《机器学习实战》这本书的学习。书里提供了代码，后面就以书中代码为学习目标。去学习机器学习相关算法，学习相关代码的实现，理解书中给出的代码。这个是书中代码讲解视频，里面说了怎么下载书中的代码。（之前照着书里敲出来有问题，所以后面才下载的代码）代码是一张是一个文件，所以看得时候我们把看得对应的代码摘出来，不然一张的代码开始看起来就很容易让人头大。 一点个人建议。算法具体原理参考《机器学习实战》学习笔记（一）下面这部分代码主要是将我们现有的数据存到两个表里，方
2022-07-08 01:00:13
714
原创 《机器学习实战》学习笔记（一）
前面是把《数字图像处理》那本书的笔记做完了，后面开始《机器学习实战》这本书的学习。机器学习能让我们自数据集中受到启发，换句话说，我们会利用计算机来彰显数据背后的真实含义，这才是机器学习的真实含义。它既不是只会徒然模仿的机器人，也不是具有人类感情的仿生人。除却一些无关紧要的情况，人们很难直接从原始数据本身获得所需信息。机器学习就是把无序的数据转换成有用的信息。机器学习对于任何需要解释并操作数据的领域都有所裨益。用于训练机器学习算法的数据样本集合，通常我们为算法输人大量已分类数据作为算法的训练集。机器学习算
2022-06-30 00:29:33
390
原创 python 学习笔记（三）
上次遇到的问题：修改代码后，运行结果不变。始终是第一次打开时的运行结果。网上搜索了很多，始终没有找到是哪的问题。我以为是安装问题，还有配置的问题，搜了下配置教程，发写一个比较好的配置教程：sublime text介绍及插接配置 这个教程前面几节关于配置的可以看一下。后面关于PHP和别的语言的配置就不需要了。（这个不是解决问题的视频）。还有一个配置教程，就是避免每次编译都弹出一个窗口的问题。sublime避免每次编译弹新的窗口8分钟往后就可以看到，这里面也给出了F5编译，快捷键的代码的来源。回到最初的问题，
2022-06-23 00:50:41
65
原创 数字图像处理学习笔记（六）
用于表示由顺次连接的具有指定长度和方向的直线段组成的边界。 这种表示基于线段的4连接或8连接。每个线段的方向用数字编码方案编码。也称为佛雷曼链码。数字边界可以用多边形以任意精度来近似。 对于一条闭合边界，当多边形的边数等于边界上的点数时，这种近似会变得很精确。最小周长多边形的多边形近似（MPP）聚合技术沿一条边界来聚合一些点，直到拟合这些聚合点的直线的最小均方误差超过一个预设的阈值。 当这种条件出现时，存储该直线的参数，将误差设为零，并且重复该过程，沿边界聚合新的点，直到该误差再次超过预设的阈值。 这
2022-06-22 22:58:38
1003
1
原创 数字图像处理学习笔记（五）下
从输入和输出都是图像的图像处理方法，转到了输入为图像而输出为从这些图像中提取出来的属性的图像处理方法。分割将图像细分为构成它的子区域或物体。本章中的多数分割算法均基于灰度值的两个基本性质之一：不连续性和相似性。图像分割条件：分割中的基本问题就是把一幅图像分成满足前述条件的多个区域。边缘像素是图像中灰度突变的那些像素，而边缘（或边缘线段）是连接的边缘像素的集合。对于灰度的突变，局部变化可以用微分来检测。数字函数的导数可用差分来近似。一阶导数的近似的基本要求：二阶导数的近似的基本要求：一维函数 f(x）在点
2022-06-20 22:45:19
940
原创 数字图像处理学习笔记（五）上
形态学（morphology）一词通常表示生物学的一个分支，该分支主要研究动植物的形态和结构。将数学形态学作为工具从图像中提取表达和描绘区域形状的有用图像分量。集合 B 的反射表示为 B‾\overline{B}B， 定义如下 ：B‾={w∣w=−b,b∈B}\overline{B} =\lbrace w \mid w=-b, b\in B\rbraceB={w∣w=−b,b∈B}形态学中集合的反射和平移广泛用来表达基于结构元（SE）的操作：研究一幅图像中感兴趣特性所用的小集合或子图像。作为 Z2Z
2022-06-15 23:39:17
583
原创 python 学习笔记（二）
之前用的是自带的编辑器，师兄推荐可以先用这sublime。之前没用过，网上先下载一个安装包：sublime安装包下载激活方法我没激活我的代码也能运行，但是激活后好像能快一丢丢。我猜测是我的代码少。大的工程可能就运行不了了。sublime怎么运行代码那个配置图里的代码不太清楚，把下面这个复制进去，就可以按f5直接运行程序了。工程什么的现在还没用到，用到在看。测试一下有没有安装好。这是输出结果这是运行结果。把之前的代码文件打开，运行了一下也没有问题。下面开始正文，图像噪声添加。有一个问题只有第一次
2022-06-15 18:11:35
119
原创 数字图像处理学习笔记（四）
近年来一种新的称为小波交换的变换使得压缩、传输和分析图像变得更为容易。与基函数为正弦函数的傅里叶变换不同，小波变换基于一些小型波，称为小波，它具有变化的频率和有限的持续时间小波变换被称为多分辨率理论的基础多分辨率理论涉及多个分辨率下的信号（或图像）表示与分析。这种方法的优势很明血，某种分辨率下无法检测的特性在另一种分辨率下将很容易检测。从数学角度看，图像是一个具有局部变化的统计特性灰度值的二维阵列．而该统计特性是类似边缘和对比同质区域突变特性的不同组合导致的。一个图像金字塔是一系列以金字塔形状排列的
2022-06-08 21:53:51
809
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人