不加辣椒的博客

def k_means(boxes, k, dist=np.median): # median not mean box_number = boxes.shape[0] last_nearest = np.zeros((box_number,)) clusters = boxes[np.random.choice(box_number, k, replace=False)] while True: distances = 1 - wh_iou(boxes,

tqdmtqdm是python中显示进度条的工具。可视化进度非常nice，且个人感觉有点高级，毕竟采几之前都是用enumerate的。。。tqdm安装在当前环境中，利用pip安装即可。pip install tqdmtqdm使用方法这里主要列举出两种实例。数字范围for i in tqdm(range(100): # 使用tqdmfor i in range(100): # 不使用tqdm列表范围list=[0,1,2,3]for element in tqdm

目标检测踩坑指南事情是这样的。。。最近摸鱼时，，咳咳，， 干活时踩了一点点坑。直入主题，在anchor_based的目标检测中，正确使用合适的anchor会给网络性能带来很大程度的提升。gt_box是否要经过变换？怎么变换？一般在目标检测中，假设原始图像为(1280, 720)， 而网络的输入为(640,640)， 那么需要将图像resize。当得到图像的真实box时，一般都需要将box压缩到0-1的网格中，即进行归一化处理。如果直接resize， 那么长宽压缩比例不同，真实box也要按照相同的

labelme生成的json文件需要修改“imagePath”以及“imageData”需要注意的是，利用base64生成imageData之后，字符串开头多了'b 以及末尾多了'，所以需要额外删除。import osimport jsonimport base64def get_json_data(img_data_folder, json_old_path, img_name): with open(json_new_path, 'rb') as f: cur_jso

利用python读取lst文件文件格式文件的来源为lst文件读取文件有多少行`if __name__ == "__main__": data_file = './data/list/cityscapes/train.lst' count = len(open(data_file, 'r').readlines()) print(count)代码运行结果2975...

Linux常用命令 实时更新主要针对神经网络训练的时候，也要用到的命令关于文件ls 列出当前文件夹下的目录cd 打开当前文件夹cd … 返回上一级目录cd …/… 返回上两级目录cat > file.txt 新建一个名为file的txt文档cp -r ./file1/. ./file2 -all 将file1文件夹下的文件全部复制到file2文件夹下mkdir dir1 创建名为dir1的文件夹关于服务器当前的进程nvidia-smi 查看当前显卡使用情况ps -u 查看

整数读取1、整型int#include <stdio.h>int main(void) { int m; scanf("%d",&m); printf("%d", m); return 0;}2、长整型 long long int#include <stdio.h>int main(void) { long long int m; scanf("%lld",&m); printf("%lld", m); return 0;}输

int型数组排序1、从小到大：int cmp(const void *_a, const void *_b){ return *(int*)_a - *(int*)_b;}2、从大到小int cmp(const void *_a, const void *_b){ return *(int*)_b - *(int*)_a;}double型数组排序1、从小到大int cmp(const void *_a, const void *_b){ return *(double*)_

这道题伤害不大，侮辱性极强！![在这里插入图片描述有几个需要注意的地方：1、代码输出格式，换行输出直接表示为：%d
%d， 中间不需要加逗号，如果需要将两个输出中间用空格间隔开，那么输出表示为：%d %d。 例如第2题和第3题。2、第6题和第11题，默认输出为4位小数。%.4lf。3、第8题三个输出分别韦4位，4位，3位小数！！4、第4题为有效数字的输出。代码：#include<stdio.h>#include<math.h>int main() {

C判断一个数是否是回文数 int getlen(int x) { int i; i = 0; while(x/10>0) { x= x/10; i++; } i += 1; return i; }bool isPalindrome(int x){ if(x<0) return false; else { int len;

a=[0,1,2,3]target = 4a.append((target))b = a.append((target))print(a)print(b)输出结果为：[0, 1, 2, 3, 4, 4]None是不是在赋值过程中要求格式必须相同呢？但是如果执行下面的操作：a=[0,1,2,3]target = 4a.append((target))print(a)c = aprint(c)结果为：[0, 1, 2, 3, 4][0, 1, 2, 3, 4]这样赋值时

在这道题中，涉及到了之前就一直存在的一个错误提醒：IndexError: list index out of range，整好存在这个题，找到了问题所在。IndexError: list index out of range正确答案def removeDuplicates(nums): a = len(nums) for i in range(a - 1): if nums[a - i - 1] == nums[a - i - 2]: nums.

用到了python中的sort函数。逆序排序a = [2, 5, 4]c = sorted(a, reverse=True)print(c)输出结果为：[5, 4, 2]顺序排序a = [2, 5, 4]b = sorted(a, reverse=False)print(b)输出结果为：[2, 4, 5]结论sorted(object, key, reverse=)reverse 决定顺序还是逆序。...

之前搭建了ResNet网络架构，所以用其识别MNIST数据集。1、由于电脑的运行内存，在设计网络结构时，用了8层网络，分别是1个输入层，1个输出层，三个Block，每个Block中有1个Basicblock，每个Basicblock中有2层layer。2、考虑到MNIST的数据集的大小为28 x 28，没经过第2个和都3个Block，大小都减半，也就是说，进入输出层时的大小为7 x 7，所以在最后用到的Average_pool的大小为7。3、因为MNIST的channel数为1，所以in_channe

将整数转化为二进制。看二进制当中是否只有一个1，如果是的话，那就是2的次幂，反之，则不是2的次幂。判断二进制当中是否只有一个1，可以将和1相加模2，如果结果是1，说明是0，如果结果是0，说明是1。def IsPower(n): count = 0 a = bin(n) # print(int(a[2])) for i in range(2, len(a)): if (int(a[i]) + 1) % 2 == 0: count +=

有两种方式：1、round()函数2、利用“%nf”输出n位小数import mathx = 8y = math.sqrt(x)print(int(y))print(round(y, 4))print("%.4f" % y)输出结果为：22.82842.8284

十进制整数转化为二进制–bin()x = 11print(bin(11))输出结果为：0b1011利用bin()语句就可以实现,0b代表二进制的前缀。二进制转为为十进制x = 0b11print(x)输出结果为：3如果给定的二进制数是字符串的形式，将其转为十进制x = "1010"print(int(x, 2))输出结果为：10...

判断正整数不是回文数x = 10if str(x)[:: 1] == str(x)[::-1]: print(True)else: print(False)输入结果为：False是回文数x = 12321if str(x)[:: 1] == str(x)[::-1]: print(True)else: print(False)输出结果为：True判断负整数x = -121if str(x)[:: 1] == str(x)[::-1]:

ResNet代码import torchimport torchvisionimport torch.nn as nnimport torch.nn.functional as Fimport matplotlib.pyplot as pltimport numpy as np# define structureclass BasicBlock(nn.Module): def __init__(self, in_planes, planes, stride=1):

CNN网络搭建import torchimport torch.nn as nnimport torch.nn.functional as Fimport torchvisionimport torch.utils.data as Dataimport matplotlib.pyplot as plt# define hyper parametersBatch_size = 100Epoch = 1Lr = 0.5# define train data and test data