- 博客(56)
- 收藏
- 关注
RSS订阅原创 docer安装hadoop
此处会看到刚刚创建好的容器，并在后台运⾏。这⾥因为是后期制作的教程，为了节省内存，只保留了。，并配置免密登录，由于后⾯的容器之间是由⼀个镜像启动的，就像同⼀个磨具出来的。查看集群启动状态 （这个状态不是固定不变的，随着应⽤不同⽽不同，但⾄少应该有。⽣成密钥，不⽤输⼊，⼀直回⻋就⾏，⽣成的密钥在当前⽤⼾根⽬录下的。其余的四条命令就是⼏乎⼀样的了，注意：启动容器后，使⽤。启动⼀个状态为退出的容器，最后⼀个参数为容器。的虚拟桥接⽹络，该虚拟⽹络内部提供了⾃动的。，退出容器状态，但仍让容器处于后台运⾏状。
2023-09-28 10:46:35
1006
原创 大数据学习-目录
4.大数据学习1.4-xShell配置Hadoop。1.大数据学习1.1-Centos8虚拟机安装。3.大数据学习1.3-xShell配置jdk。5大数据学习1.5-单机Hadoop。2.大数据学习1.2-yum配置。学习内容持续更新ing。
2023-09-18 19:27:34
432
原创 大数据学习1.5-单机Hadoop
7.修改Hadoop配置信息-5vi mapred-site.xml。4.修改Hadoop配置信息-2vi hadoop-env.sh。5.修改Hadoop配置信息-3vi hdfs-site.xml。6.修改Hadoop配置信息-4vi core-site.xml。8.修改Hadoop配置信息-3vi yarn-site.xml。16.Hadoop实战-1创建work.txt并编辑。3.修改Hadoop配置信息-1进入配置信息文件。18.Hadoop实战-4进行单词统计。13.启动hadoop。
2023-09-18 19:22:51
278
原创 大数据学习1.4-xShell配置Hadoop
3.将hadoop直接拖到xShell中。6.加载配置文件(不能再xShell中)7.为了保险起见 推荐在终端输入一次。如果出现版本则证明安装完成。1.创建hadoop目录。2.切换到hadoop中。4.解压hadoop。8.查看是否配置完成。
2023-09-18 18:29:31
928
原创 大数据学习1.3-xShell配置jdk
(这里xShell是不能执行这条命令的 需要进入虚拟机执行)3.将jdk直接拖到xShell中。5.配置环境变量-进入环境变量文件。8.查看jdk环境变量是否完成。1.创建java文件。2.切换到java中。
2023-09-18 18:16:13
736
原创 大数据学习1.2-yum配置
4.修改CentOS-Linux-Extras.repo的baseurl为。CentOS-Linux-AppStream.repo的baseurl为。CentOS-Linux-BaseOS.repo的baseurl为。1.输入下面命令修改yum。
2023-09-18 18:05:18
55
原创 大数据学习1.1-Centos8网络配置
2.配置网络信息 打勾处取消 记住箭头的数字。6.配置网络信息-进入修改网络配置文件。7.配置网络信息-2修改配置文件。5.将iIP和DNS进行修改。
2023-09-18 17:51:08
289
原创 大数据学习1.0-Centos8虚拟机安装
3.选择Linux的CentOS8。5.分配20g存储空间。推荐密码设置为root。2.选择稍后安装OS。10.开启虚拟机安装。
2023-09-18 17:34:27
325
原创 P14-CVPR2022-1.0-RepLKNet31
翻译我们重新审视现代卷积神经网络（CNN）中的大内核设计。受视觉变换器（ViTs）最新进展的启发，在本文中，我们证明了使用几个大卷积核而不是一堆小核可能是一个更强大的范例。我们提出了五个准则，例如：应用重新参数化的大深度卷积，设计高效的高性能大核CNN。根据指导方针，我们提出了RepLKNet，这是一种纯CNN架构，其内核大小高达31×31，而不是常用的3×3。
2023-08-25 18:53:28
323
原创 YOLO实战1.3-YOLOv8改进后效果
自建铁路障碍数据集-包含路障，人等少数标签。其中百分之八十作为训练集，百分之二十作为测试集。训练50epoch后精度可达0.94 mAP可达0.95.此时未包含任何改进操作。首先对训练数据进行随即裁剪+椒盐加噪处理。更换EfficientViT主干网络。将c2f模块替换为DSConv。版本：YOLOv8改进版本。
2023-08-16 18:06:37
463
2
原创 P13-CNN学习1.3-ResNet(神之一手~)
翻译深层的神经网络越来越难以训练。我们提供了一个残差学习框架用来训练那些非常深的神经网络。我们重新定义了网络的学习方式，让网络可以直接学习输入信息与输出信息的差异(即残差)，而不必学习一些无关的信息。我们提供了全面的证据来说明这种残差网络更加容易进行优化，而且随着网络层数的增加，准确率也就增加。在ImageNet的数据集中，我们证实了在深度达到152层的残差网络上(相当于VGG net的8倍)，网络仍然有着较低的复杂度。
2023-08-14 21:26:34
1085
原创 P12-Retentive NetWork-RetNet挑战Transformer
翻译在这项工作中，我们提出了保留网络（RETNET）作为大型语言模型的基础架构，同时实现训练并行性、低成本推理和良好性能。我们从理论上推导了循环和注意力之间的关系。然后，我们为序列建模提出了保留机制，支持三种计算范式，即并行、递归和分块递归。具体而言，并行表示允许进行训练并行性。递归表示使得低成本的O(1)推理成为可能，这提高了解码吞吐量、延迟和GPU内存，而不牺牲性能。分块递归表示有助于使用线性复杂性进行高效的长序列建模，其中每个分块在并行编码的同时递归地总结这些分块。
2023-08-14 11:50:21
1358
原创 P11-Transformer学习1.1-《Attention Is All You Need》
翻译主流的序列转换模型都是基于复杂的循环神经网络或卷积神经网络，且都包含一个encoder和一个decoder。表现最好的模型还通过attention机制把encoder和decoder联接起来。我们提出了一个新的、简单的网络架构，Transformer. 它只基于单独的attention机制，完全避免使用循环和卷积。在两个翻译任务上表明，我们的模型在质量上更好，同时具有更高的并行性，且训练所需要的时间更少。我们的模型在 WMT2014 英语-德语的翻译任务上取得了28.4的BLEU评分。
2023-08-08 15:38:04
1097
原创 Transformer1.0-预热
不是图像中所有的区域对任务的贡献都是同样重要的，只有任务相关的区域才是需要关心的，比如分类任务的主体，空间注意力模型就是寻找网络中最重要的部位进行处理。自注意力机制是注意力机制的一种，解决神经网络接收的输入是很多大小不一的向量，并且不同向量之间又一定的关系，但实际训练的时候无法发挥这些输入之间的关系导致模型训练结果效果极差(机器翻译序列到序列，语义分析等)，针对全连接神经网络对于多个相关的输入无法建立起相关性问题，可以通过自注意力机制解决，实际上让机器注意到整个输入中不同部分之间的相关性。
2023-08-07 12:53:18
164
原创 YOLO实战1.2-YOLOV5人脸检测
上个项目实现了车牌的检测和识别，这次实现一个简单的人脸检测(加口罩)项目。使用1200张图片进行训练 400张进行测试。
2023-08-01 17:00:06
377
原创 YOLOv5改进系列目录
学习完源码后，就要开始学习对模型进行改进。其中包括添加注意力机制，更换主干网络，添加损失函数，更换激活函数，更换NMS，更换neck，增加小目标检测层，更换IoU几大部分。
2023-08-01 16:05:47
566
原创 YOLOv5源码解读1.7-网络架构common.py
学习了yolo.py网络模型后，今天学习common.py，common.py存放这YOLOv5网络搭建的通用模块，如果修改某一块，就要修改这个文件中对应的模块。7.注意力模块TransformerBlock。23.模型扩展模块AutoShape。24.推理模块Detections。17.幻象卷积GhostConv。5.深度可分离卷积DWConv。14.空间金字塔池化模块SPP。3.填充padautopad。10.简化的CSP瓶颈层C3。11.自注意力模块的C3TR。1.导入python包。
2023-08-01 15:40:18
621
原创 YOLOv5源码解读1.6-网络架构yolo.py
----------------------------------3.加载自定义模块----------------------------------from models.common import * # yolov5的网络结构(yolov5)from models.experimental import * # 导入在线下载模块from utils.autoanchor import check_anchor_order # 导入检查anchors合法性的函数。
2023-07-31 22:05:44
399
原创 YOLOv5源码解读1.5-配置文件yolov5*.yaml
前面学习了detect train test三个部分的源码，接下来就是对yolov5的网络进行学习。网络结构包括yolo.py和common.py,在具体学习网络结构。yolov5中网络结构采用yaml配置文件，yolov5配置了4种模型，这篇我们以yolov5s.yaml为例来介绍其网络结构。
2023-07-31 19:53:59
278
原创 YOLOv5源码解读1.4-测试test.py
----------------------------------3.自定义模块----------------------------------from models.common import DetectMultiBackend # yolov5的网络结构(yolov5)from utils.callbacks import Callbacks # 和日志相关的回调函数from utils.datasets import create_dataloader # 加载数据集的函数。
2023-07-31 12:09:57
985
1
原创 YOLOv5源码解读1.3-训练train.py
1.导入Python库2.获取文件路径3.自定义模块4.分布式训练初始化(多GPU)5.train5.1创建训练权重路径 设置模型 txt等保存路径5.2读取超参数配置文件5.3设置参数保存路径5.4加载日志信息。
2023-07-31 11:00:45
794
原创 YOLOv5源码解读1.2-推理detect.py
----------------------------------2.定义文件路径----------------------------------"""这部分会将当前项目添加到系统路径上，以使得项目中的模块可以调用。同时将相对路径保存到ROOT中，便于寻找项目中的文件"""FILE = Path(__file__).resolve() # __file__指的是当前文件(即detect.py),FILE最终保存着当前文件的绝对路径,比如D://yolov5/detect.py。
2023-07-29 22:48:55
348
原创 YOLOv5源码解读1.0-目录
因为我也是刚刚接触YOLOv5，在YOLO系列论文阅读整理后，便开始了使用YOLOv5，本系列将对YOLOv5源码进行讲解，大家可以在上面两个连接下载YOLOv5模型，欢迎大家关注作者，一起学习进步！五.配置文件yolov5s.yaml。七.网络架构2common.py。六.网络架构1yolo.py。二.推理detect.py。三.训练trian.py。四.验证test.py。YOLOv5项目地址。
2023-07-29 20:25:45
356
原创 P10-CNN学习1.2-GoogLeNet(L一定要大写哦~)
一.AbstractGoogleNet提出了一种Inception的神经网络架构，主要特点是提高了网络内计算资源的利用率并且允许增加网络深度。决策架构基于Hebbian原则和多尺度处理优化质量，最终在ILSVRC14提交了GoogLeNet-22二.Introduction简述了一下神经网络的发展，提出了一种代号Inception的网络架构并在ILSVRC2014得以证实其性能三.Related Work。
2023-07-28 13:22:38
72
原创 P9-CNN学习1.1-VggNet
VggNet全部采用3*3卷积核提取特征，并且将神经网络层数提高到16-19层(AlexNet只有8层，也可以说11层)并且在 ImageNet-2014在本地化和分类两个方向分别获得第一和第二名，并且表现最好的两个模型已经投入到未来研究中。
2023-07-27 16:50:55
252
原创 P8-CNN学习1.0-AlexNet
AlexNet训练了一个大型的深度卷积神经网络，该神经网络由5个卷积层和三个全连接层组成，有6000万个参数和65万个神经元 ，其中卷积层中部分是最大池化层，最后由1000路softmax组成。为了更好的正则化，使用了dropout，并被证明效果很好。最后在ILSVRC-2012竞赛中以15.3%的错误率远超第二26.2%。
2023-07-27 12:20:38
77
原创 《Transformer Paper》1.0 CV Transformer必读论文5篇
最近开启了论文100计划，准备阅读整理100篇CV领域经典论文，19年随着Transformer在NLP领域爆火后，21年在CV领域又引起了新的轰动！整理了5篇经典的 Transformer论文，这里相当于一个目录。
2023-07-26 22:15:40
192
原创 《CNN Paper》1.0 神经网络经典必读论文12篇
最近开启了论文100计划，准备阅读整理100篇CV领域经典论文，其中模型中最重要的便是神经网络，为了更好的深入学习CV领域，选择了经典11篇论文进行精度整理，这里相当于一个目录。
2023-07-26 22:05:14
303
原创 《YOLO Paper》1.0 YOLO系列论文必读论文7篇
最近开启了论文100计划，准备阅读整理100篇CV领域经典论文，在物体检测方面首先选择了学习YOLO系列并精读V1-V4 -X V6 V7七篇经典论文，并附上V5实验项目，这里相当于一个目录。
2023-07-26 21:20:23
592
原创 P6-YOLO学习2.1-YOLO-X
本文介绍了YOLO系列的一些改进经验，形成了一种新型的高性能探测器——YOLOX。我们将YOLO检测器切换到无锚方式，并采用其他先进的检测技术，即解耦头和领先的标签分配策略SimOTA，在大范围的模型中实现最先进的结果:对于参数仅为0.91M、FLOPs为1.08G的YOLO- Nano，在COCO 上获得25.3%的AP，比NanoDet高出1.8%;对于工业中使用最广泛的探测器之一YOLOv3，我们将其在COCO上的AP提高到47.3%，比当前最佳实践的 AP 高出 3.0%;
2023-07-26 21:15:22
231
原创 《Diffusion Models Paper》1.0 经典必读论文10篇
最近开启了论文100计划，准备阅读整理100篇CV领域经典论文，在扩散模型方面精选了十篇经典论文，这里相当于一个目录，后续会对这十篇论文一一详细精度。
2023-07-26 19:22:49
1434
原创 深度学习1.0-BJTU-基础知识
记录一下最近学习深度学习的笔记，课程是BJTU暑期课程，在b站可以搜到，文中图片大多来源此视频，希望可以通过学习该课程学习到更多的深度学习知识，可能因为本人知识储备还是较少，看了一遍老师的课还有很多不懂得地方，因此本篇大多数为PPT得CV，在后续学习过程会对此章节深入理解。
2023-07-19 16:17:16
302
原创 YOLO实战1.1-YOLOV5车牌检测
书接上回，训练好车牌标注后结合LPRNet网络对车牌进行识别+检测(开源项目)2>对模糊图像(雨天，雾天等)识别效果不是特别好。1>数据集有缺陷，900多张图像还是比较少。3>准备对视频实时检测。
2023-07-13 17:46:14
252
原创 YOLO实战1.0-YOLOV5训练车牌数据集
虽然4060训练一轮2分钟左右，但其性能没有完全发挥,因此准备在电脑上使用虚拟机(预计Ubantu)进行训练，虽然CPU可能压力大一点，但最大化发挥显卡性能。下载CCPD2020对YoloV5进行训练(由于在自己电脑训练，图片数量太多速度太慢，删到900左右最终进行了50轮训练。问题:标注了20张左右照片后，labelimg按w闪退，查询之后网友意见是因为使用了高版本的python(一开始py3.8为了yolo升级到了3.9然后就闪退了)这里以后可能用其他标注软件进行标注。
2023-07-13 17:37:31
711
2
原创 P7-YOLO学习2.2-YOLOV7
YOLOV-7在5-160FPS上无论在速度还是精度上都已超过了当时所致的目标探测器，并且只在MS COCO数据集训练YOLOV-7。
2023-07-11 22:29:28
198
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人