- 博客(17)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 使用fbpca提取数据主成分（PCA）方向
fbpca 是Facebook 公司开源的 Fast Randomized PCA/SVD 工具（快速随机 PCA/SVD 算法分析）。fbpca由python语言编写，可以方便的用于深度学习的一些工程或者不方便使用MATLAB的工程中。本文主要介绍如何使用该工具分析数据的主成分，而不过多介绍PCA的原理。fbpca在GitHub上的项目地址：https://github.com/facebookarchive/fbpca安装fbpca：pip install fbpca安装依赖...
2021-08-27 21:44:36
439
原创 一文窥探近期大火的Transformer以及在图像分类领域的应用
本文首先将简要介绍Transformer的原理与其各个组成部分、Transformer在自然语言处理（NLP）领域的应用；接下来文章从图片分类与目标检测的角度介绍相应Transformer的应用；最后本文将介绍Transformer在应用到CV领域时依然存在的不足以及未来可能的研究方向。
2021-02-07 12:32:37
20893
3
原创 创业实践案例课程随堂检测答案
目录第一部分 创京东的十条启示--随堂测验（一）第一部分 创京东的十条启示--随堂测验（二）第二部分 京东的两大战役与四大战略--随堂测验（三）第三部分 华为人力资源管理的成功之道--随堂测验（四）第三部分 华为人力资源管理的成功之道--随堂测验（五）制作不易，请点赞鼓励第一部分 创京东的十条启示--随堂测验（一）第一部分 创京东的十条启示--随堂测验（二）第二部分 京东的两大战役与四大战略--随堂测验（三）
2020-11-13 23:24:43
9262
20
原创 在sipeed maix go上用上rt-thread以及vs code
众所周知，rt-thread是一款非常优秀的嵌入式操作系统,本篇文章将从一个纯小白的角度搭建一个用于开发maix go的环境。1.工具链准备首先需要下载riscv交叉编译的工具链：gnu-mcu-eclipse-riscv-none-gcc-8.2.0-2.2-20190521-0004-win64.zip，链接如下：https://github.com/ilg-archived...
2020-05-05 22:08:00
2512
3
原创 妥协下的联姻——为rt-thread适配最新k210 kendryte-standalone-sdk的nncase
在上一篇文章中，我们已经成功在maix go上跑起来了rt-thread。可是，基于rtt官方的bsp只是对kendryte-standalone-sdk v0.5.6及之前的个别版本有支持。而在kendryte最新开发的sdk中，对老sdk中的部分内容做出了较大的改动，并且引入了最新的模型处理程序nncase，以取代之前的kmodel。对于之前的kmodel将不再提供更新支持，全面使用最新的nncase。本文将给大家介绍最新sdk移植的方法以及一些注意事项。
2020-05-05 22:07:45
4669
8
原创 驱动捉虫 摄像头模块输出图像或屏幕显示出现1像素等间隔水平或垂直条纹的原因以及解决方法
本文所述的所谓条纹，并不是指杂色的条纹，而是观感上把图像割裂，让图像变模糊的条纹。这种模糊的条纹有可能在驱动类似ov2640这样的摄像头，或是MCU 8080接口的屏幕时出现。我保存了一帧有这个现象的摄像头采集回来的图片，如下图。可以看到，图片中竖向的内容像是被切开了，变得异常模糊。实际上在这个距离上320*240的分辨率还是可以看清楚字的。这种现象实际上是由于像素错位产生的。假...
2020-05-05 22:07:33
864
原创 在sipeed maix go 专属的BSP上使用rt-thread
本文简要介绍了一下maix go bsp for rtthread的使用方法。下载链接在文末的资源链接中，祝大家使用愉快。
2020-05-05 22:07:07
2673
13
原创 大学有感（学习、考研与找工作）
博主现在临近毕业，目前收到了华为的offer，而且考研成绩也比较理想，总结了一些感悟，希望对大家有帮助培养自己的技术能力很多同学在上大学期间都会有过感觉很迷茫，不知道自己未来要干什么，这就导致了大学期间浑浑噩噩，学习没有方向，最后虚度了大学的四年时光。及早地给自己一个定位，有助于帮助自己更好的利用大学期间的时间，往自己期望的目标定位疯狂点技能点。当然，刚上大学的你可能很难决定以后...
2020-04-05 22:08:36
520
原创 机器学习 复习笔记7 （第七章 贝叶斯分类器）
7.1 贝叶斯决策论（填空）贝叶斯判定准则：为最小化总体风险，只需在每个样本上选择哪个能使条件风险最小的类别标记，即此时，被称为贝叶斯最优分类器，与之对应的总体风险称为贝叶斯风险。先验概率： 类条件概率、“似然”： 后验概率：7.2 极大似然估计关于极大似然估计的概念我在之前的博客中有提到，在复习笔记3，3.4小结的上面，传送门：极大似然法本篇博客结合一个更具体...
2019-05-10 17:21:41
1861
原创 机器学习 复习笔记6 （第六章 支持向量机）
本篇博客的开始给大家推荐一篇非常好的介绍支持向量机的博文，这篇博文中对很多细节有详尽的描述传送门：支持向量机通俗导论6.1 间隔与支持向量（填空、问答）超平面方程定义：,其中法向量w决定了超平面的方向，位移项b决定了超平面与原点之间的距离样本空间中任意点到超平面的距离为：若超平面能够将训练样本正确分类，即对于训练集中的样本，若，则有，若,则有令：支持向量：处于边界上的点...
2019-05-09 13:10:48
1017
原创 机器学习 复习笔记5 （第五章 神经网络）
5.1 神经元模型神经网络的定义：神经网络是由具有适应性的简单单元组成的广泛并行互联的网络，它的组成能够模拟生物神经系统对真实世界物体做出的交互反应。模型结构：MP神经元模型，神经元接收到来自n个其他神经元传递过来的输入信号，这些输入信号通过带权重的连接进行传递，神经元接收到的总输入值将与神经元的阈值进行比较，然后通过“激活函数”处理产生神经元的输出。下图形象地表现了这个模型结构：...
2019-05-08 12:16:31
1098
原创 机器学习 复习笔记4 （第四章 决策树）
4.1 基本流程决策过程中提出的每个判定问题都是对某个属性的“测试” 决策过程的最终结论对应了我们所希望的判定结果 每个测试的结果或是导出最终结论，或者导出进一步的判定问题，其考虑范围是在上次决策结果的限定范围之内决策树学习基本算法4.2 划分选择决策树学习的关键在于如何选择最优划分属性。一般而言，随着划分过程不断进行，我们希望决策树的分支节点所包含的样本尽可能属于同一类...
2019-05-06 22:23:29
742
原创 机器学习 复习笔记3 （第三章 线性模型）
3.1 基本形式其中是由属性描述的示例，其中是在第i个属性上的取值，而是每个属性对应的权重。其具有非常好的可解释性。需要能够在多种模型中，辨析出线性模型。3.2 线性回归线性回归的目的：试图学得一个线性模型以尽可能准确地预测实际输出标记。单个参量使用最小二乘法进行线性回归： 由此公式计算出w 再由上式得处的w计算出b 其中是x的均值3.3 对数几率回归对数几...
2019-05-05 14:59:38
516
原创 机器学习 复习笔记2 （第二章 模型选择与评估）
2.1 经验误差与过拟合错误率的概念：分类错误的样本占样本总数的比例：E=a/m误差的概念：学习器的实际预测输出与样本真实输出之间的差异称为误差。误差分为三种：训练（经验）误差：学习器在训练集上的误差（实际中只能做到此项上的最小） 测试误差：学习器在测试集上的误差 泛化误差：学习器在新样本上的误差（此项越小则学习器效果越好）过拟合：学习器把训练样本学习得太好，将训练样本本身得特点...
2019-05-03 12:40:37
845
2
原创 机器学习 复习笔记1（第一章 绪论）
1.2 基本术语数据相关概念解释： 一组记录的集合称为一个“数据集”，其中每条记录是关于一个事件或对象的描述，称为一个“示例”或“样本”。反应事件或对象的在某方面的表现或性质的事项，例如“色泽”、“根蒂”、“敲声”，称为“属性”或“特征”；属性上的取值，例如“青绿”、“乌黑”，称为“属性值”。属性张成的空间称为“属性空间”、“样本空间”或“输入空间”。例如我们把“色泽”、“根蒂”、“敲声...
2019-05-01 21:51:15
553
原创 关于西瓜书书后习题的思考：机器学习学习笔记二
第2章 模型评估与选择2.1 数据集包含1000个样本，其中500个正例、500个反例，将其划分为包含70%样本的训练集和30%样本的测试集用于留出法评估，试估算共有多少种划分方式。关键概念解释：模型选择(model selection)：在现实任务中，我们往往有多种学习算法可以选择，甚至在同一个学习算法，当使用不同的参数配置时也会产生不同的模型，在机器学习中，选择某种学习算法、...
2019-03-02 20:32:10
1297
原创 关于西瓜书书后习题的思考：机器学习学习笔记一
第1章 绪论1.1 表1.1中若只包含编号为1和4的两个样例，试给出相应的版本空间。关键概念解释：假设空间：训练集中所有属性的可能性的集合+属性无论取什么情况都合适的集合（即一个或多个属性被“*”替代）+概念不成立的情况（1个空集） 版本空间：与训练集一致的集合。即在假设空间中筛选出和训练集相同的集合。筛选的时候将训练集中每一条数据与假设空间中的数据一一比对，训练集中是正例的只要...
2019-03-01 20:32:13
427
根据表面特征使用基于计算机视觉的金冠苹果分级.rar
2020-03-17
maix go.rar
2020-02-23
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人