qq_41496108的博客

原创 ubuntu命令行重启

重启命令：法一：reboot法二：shutdown -r now #立刻重启法三：shutdown -r #约30秒重启

原创 ubuntu用命令行清空回收站的方法

1.打开Trashcd .local/share/Trash/2.查看Trash里的文件ls3.清理回收站sudo rm -rf .local/share/Trash/*

原创 ubuntu-firefox有网但是打不开网页的解决办法

1.检查ubuntu右上角联网开关是否打开，需要勾选Rnable Networking2.如果能ping通其他主机地址，浏览器却连不上网，很有可能是DNS域名解析的问题解决办法如下：查看域名配置文件：cat /etc/resolv.conf2.输入sudo gedit /etc/resolv.conf将nameserver x.x.x.x部分改成nameserver 8.8.8.8保存3.输入sudo gedit /etc/resolvconf/reolv.conf.d/head添加n

原创 torch.nn 实现上采样——nn.Upsample

CLASS torch.nn.Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None)最近邻、线性,、双线性, 双三次(bicubic)和三线性(trilinear)插值算法mode (str, optional) – 可使用的上采样算法，有’nearest’, ‘linear’, ‘bilinear’, ‘bicubic’ and ‘trilinear’. 默认使用’nearest’align_corner

原创 torch.nn.Conv2d() 用法讲解

Conv2d(in_channels, out_channels, kernel_size, stride,padding, dilation, groups,bias=True, padding_mode=‘zeros’)in_channels：输入的通道数目out_channels： 输出的通道数目kernel_size：卷积核的大小，类型为int 或者元组，当卷积是方形的时候，只需要一个整数边长即可，卷积不是方形，要输入一个元组表示 高和宽。stride： 卷积每次滑动的步长为多少，默认是 1

原创 激活函数比较优缺点

激活函数：激活函数sigmoid、tanh、ReLU、LeakyReLU、ReLU6https://www.cnblogs.com/itmorn/p/11132494.html激活函数优缺点：https://blog.csdn.net/kuweicai/article/details/939263931.为什么使用激活函数：再深的网络也是线性模型，只能把输入线性组合再输出。不能学习到复杂的映射关系。因此需要激活函数这个非线性函数做转换。2.sigmodsigmod优点：作为最早开始使用的激活

原创 MobileNet解读

MobileNet系列解读

原创 生成三分图trimap及前景背景融合

参考1参考2一 生成三分图trimapimport randomimport numpy as np import cv2def gen_trimap(alpha): k_size = random.choice(range(1, 5)) # 随机选择核大小 iterations = np.random.randint(1, 20) ###cv2.getStructuringElement( ) ###这个函数的第一个参数表示内核的形状，有三种形状可以选择。矩形：

转载 im.shape[:2]的意思

img.shape[:2] 取彩色图片的长、宽。如果img.shape[:3] 则取彩色图片的长、宽、通道。关于img.shape[0]、[1]、[2]img.shape[0]：图像的垂直尺寸（高度或长度）img.shape[1]：图像的水平尺寸（宽度）img.shape[2]：图像的通道数在矩阵中，[0]就表示行数，[1]则表示列数。...

转载 pypytorch中的模型的训练和验证

训练1.利用dataset构建DataLoader2.定义优化器和损失函数3.将模型转到device上4.训练来啦（1）先把梯度清零。数据转到device上（2）反向传播并计算梯度（3）更新参数dataser=MyDataset(file)train_set=DataLoader(dataset,batch_size=16,shuffle=True)model=MyModel().to(device)criterion=nn.MSELoss()optimizer=torch.opti

原创 pytorch中的torch.manual_seed

随机种子使用规则使用原因：在需要生成随机数据的实验中，每次实验都需要生成数据。设置随机种子为了确保每次生成固定的随机数，使得每次实验结果显示一致，有利于实验的比较和改进。PS:在numpy内部 也有随机种子，当你在numpy中的随机数的时候，可以通过如下方式：np.random.seed(seed)python的内置模块random.seed(seed)1.为CPU设置种子，生成随机数torch.manual_seed(seed)2.为特定GPU设置种子，生成随机数torch.suda.ma

原创 python assert()函数

1.断言函数作用断言函数是对表达式布尔值的判断，要求表达式计算值必须为真。可用于自动调试。如果表达式为假，触发异常；如果表达式为真，不会报错。2.使用assert判断数组是否相等np.array.any()和numpy.array.all()np.array.any()是或操作，任意一个元素为True，输出为True。np.array.all()是与操作，所有元素为True，输出为True。当我们的数组是list类型的时候，可直接进行比较。如下我们使用assert（a==b）判断a，b是否相等

原创 35.搜索插入位置python 二分法

题目:给定一个排序数组和一个目标值，在数组中找到目标值，并返回其索引。如果目标值不存在于数组中，返回它将会被按顺序插入的位置。请必须使用时间复杂度为 O(log n) 的算法。示例 1:输入: nums = [1,3,5,6], target = 5输出: 2示例 2:输入: nums = [1,3,5,6], target = 2输出: 1示例 3:输入: nums = [1,3,5,6], target = 7输出: 4示例 4:输入: nums = [1,3,5,6], tar

原创 CycleGAN学习笔记

这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar

翻译 论文阅读：Scale Match for Tiny Person Detection-微小人物检测的尺度匹配

Scale Match for Tiny Person Detection-微小人物检测的尺度匹配文章目录Scale Match for Tiny Person Detection-微小人物检测的尺度匹配Abstract1.Introduction2.Related WorkDataset for person detection(人检测数据集)：CNN-based person detection:Tiny object detection:3.Tiny Person Benchmark3.1.Benc

翻译 论文阅读：Augmentation for small object detection(小目标检测的增强)-CVPR2019

论文题目：Augmentation for small object detection文章目录论文题目：Augmentation for small object detection1.介绍1.1背景1.2 小目标检测困难的原因2.方法2.1Oversampling2.2 Copy-Pasting3.实验结果3.1Oversampling3.2Copy-Pasted3.3 Copy-Pasted Strategies论文题目：Augmentation for small object detectio

原创 SPPnet详解

RCNN系列：RCNN，SPPNet，Fast RCNN，Faster RCNN，R-FCN。作者是何凯明SPPNet出现的原因之前的网络，比如LeNet，AlexNet，ZF，VGG等，它们的输入都是固定大小的，为什么要固定大小呐？原因就在最后连接的全连接层上。全连接层的输入一定是固定大小的。这一点很容易理解，因为全连接层网络就是传统的神经网络，传统的神经网络的输入层必定是固定大小的。而卷积神经网络的conv层的输入并不需要固定大小，那么conv层不用固定大小，FC层的输入又要固定大小，那么在这两

原创 EfficientDet（tensorflow2 API)训练步骤

EfficientDet（tensorflow2 API)regulation loss 贡献大，由BN产生1.环境tensorflow2.22.py介绍：xml_to_csv.py:转换xml到csv %可以不用generate_tfrecord.py 将图片和csv文件打包成训练输入 %可以不用create_pascal_tf_record.py 得出record值model_main_tf2.py 可训练，可验证exporter_main_v2.py 模型导出成为可以使用的fro

原创 YOLOv5训练步骤

git clone https://github.com/ultralytics/yolov5.gitcd yolov5pip install -U -r requirements.txt命令行运行：python detect.py支持视频的检测，包括本地摄像头、本地视频文件、m3u8播放地址和rtsp实时流，地址都是跟在参数–source后面：本地摄像头使用的命令：python detect.py --source 0基于rtsp的网络摄像头使用的命令：python detect.py

原创 数据增强

几何变换类和颜色变换类：https://github.com/aleju/imgaug数据增强的几种方式：Mixup:将随机的两张样本按比例混合，分类的结果按比例分配；Cutout:随机的将样本中的部分区域cut掉，并且填充0像素值，分类的结果不变；CutMix:就是将一部分区域cut掉但不填充0像素而是随机填充训练集中的其他数据的区域像素值， 分类结果按一定的比例分配Mosaic：就是图像拼接，将多张图片拼接成一张（论文中Mosaic 混合了 4 张图像，而 CutMix 混合了两张）翻转

原创 调参优化方法

1.好的初始点 + 合适的LR + 好的优化方法基本可以解决大部分问题。如果还不行可以考虑换个loss。其它的花样太多往往很虚。2.有很多无脑的配置确实可以尝试，比如3x3的卷积核，relu激活函数，加shuffle，加数据增强，加BN，加Dropout等。dropout可以从0. 5往上加，optimizer可以用Adam或者SGD+0.8/0.9的Momentum。3.一定要记得实时打印一些结果，比如训练loss、训练accuracy、验证accuracy，能画出图的就画个图。一边看图一边可以发现不

原创 二分法解读：704. 二分查找python

题目给你一个数组 nums 和一个值 val，你需要 原地 移除所有数值等于 val 的元素，并返回移除后数组的新长度。不要使用额外的数组空间，你必须仅使用 O(1) 额外空间并 原地 修改输入数组。元素的顺序可以改变。你不需要考虑数组中超出新长度后面的元素。示例 1:给定 nums = [3,2,2,3], val = 3,函数应该返回新的长度 2, 并且 nums 中的前两个元素均为 2。你不需要考虑数组中超出新长度后面的元素。解析原地修改的意思：就是在原来的数组上进行修改，不占用其他

转载 YOLOv3

目录关键词前言一、YOLOv3的结构二、YOLO的原理关键词1、Residual Block2、FPN思想3、anchors按需分配。4、激活函数最后一层：logistics换softmax5、边框回归前言参考文章目前最新的YOLO V3版本不论速度和精度上都有了很大进步,yolo算法在实际应用中能很好平衡精度和速度,所以我们在实际应用中使用的还是比较多的.一、YOLOv3的结构YOLOv3的paper中描述的是基于Darknet-53的网络。网络模型的输入为:( 416, 4.

转载 YOLO系列

目录*YOLOv2前言一、关于网络二、关于YOLOv2 边框预测计算三、 YOLOv2 的forward分类四、 关于YOLOv2 损失函数：五、关于YOLOv2 表现：yolo2 总结1）Batch Normalization：2）High Resolution Classifier（高分辨率分类器）：3）Convolutional With Anchor Boxes：关于YOLOv2与YOLOv1比较与提升：*YOLOv2前言原论文《YOLO9000: Better, Faster, Strong

原创 find()函数

find() 方法检测字符串中是否包含子字符串 strstr.find(str, beg=0, end=len(string))str – 指定检索的字符串beg – 开始索引，默认为0。end – 结束索引，默认为字符串的长度。实例：info = ‘abca’print info.find(‘a’) # 从下标0开始，查找在字符串里第一个出现的子串，返回结果：00print info.find(‘a’,1) # 从下标1开始，查找在字符串里第一个出现的子串：返回结果33pri

原创 堆栈和队列

什么是堆？什么是栈？什么是队列？一、什么是堆？堆通常是一个可以被看做一棵树的数组对象。堆总是满足下列性质：·堆中某个节点的值总是不大于或不小于其父节点的值；·堆总是一棵完全二叉树。①将根节点最大的堆叫做最大堆或大根堆，根节点最小的堆叫做最小堆或小根堆。常见的堆有二叉堆、斐波那契堆等。②堆是在程序运行时，而不是在程序编译时，申请某个大小的内存空间。即动态分配内存，对其访问和对一般内存的访问没有区别。③堆是应用程序在运行的时候请求操作系统分配给自己内存，一般是申请/给予的过程。④堆是指程序运行时

转载 pop()函数的用法

pop() 函数用于移除列表中的一个元素（默认最后一个元素），并且返回该元素的值。语法：list.pop(obj=list[-1]) //默认为 index=-1，删除最后一个列表值。obj – 可选参数，要移除列表元素的对象。该方法返回从列表中移除的元素对象。实例：sentence=[‘All’, ‘good’, ‘things’, ‘come’, ‘to’ ,‘those’, ‘who’, ‘wait.’]print(“默认为 index=-1，删除最后一个列表值：”,sente

转载 YOLOv1

文章目录前言一、YOLO的实现方案1.结构二、使用步骤1.引入库2.读入数据总结前言YOLO（You Only Look Once）是一种基于深度神经网络的对象识别和定位算法，其最大的特点是运行速度很快，可以用于实时系统。YOLO意思是You Only Look Once，创造性的将候选区和对象识别这两个阶段合二为一。实际上，YOLO并没有真正去掉候选区，而是采用了预定义的候选区（准确点说应该是预测区，因为并不是Faster RCNN所采用的Anchor）。也就是将图片划分为 77=49 个网..

原创 map() 函数

map() 会根据提供的函数对指定序列做映射。第一个参数 function 以参数序列中的每一个元素调用 function 函数，返回包含每次 function 函数返回值的新列表。map(function, iterable, …)function – 函数iterable – 一个或多个序列实例def square(x) : # 计算平方数… return x ** 2map(square, [1,2,3,4,5]) # 计算列表各个元素的平方[1,

原创 sorted()函数用法

文章目录描述语法返回值实例描述sorted()函数对所有可迭代的对象进行排序操作。sort()和sorted()有些差别，具体区别为：sort()应用在List，sorted()可以对所有可迭代的对象进行排序操作。List的sort方法返回的是对已经存在的列表进行操作，而sorted返回的是一个新的list，而不是在原来的基础上进行的操作。语法sorted(iterable, key=None, reverse=False)参数说明：iterable – 可迭代对象。key – ..

原创 set()函数用法

python内置函数文章目录python内置函数描述set() 语法返回值实例描述set（）是集合的一种。set() 函数创建一个无序不重复元素集，可进行关系测试，删除重复数据，还可以计算交集、差集、并集等。set() 语法class set([iterable])iterable – 可迭代对象对象；返回值返回新的集合对象实例>>>x = set('runoob')>>> y = set('google')>>&g

原创 range() 函数用法

range() 函数可创建一个整数列表，一般用在 for 循环中。函数语法：range(start, stop[, step])参数说明：start: 计数从 start 开始。默认是从 0 开始。例如range（5）等价于range（0， 5）;stop: 计数到 stop 结束，但不包括 stop。例如：range（0， 5） 是[0, 1, 2, 3, 4]没有5step：步长，默认为1。例如：range（0， 5） 等价于 range(0, 5, 1)例：range(10)

原创 通讯录管理系统

#include<stdio.h>#include<string.h>#include<stdlib.h>#include<windows.h>typedef struct student //定义结构体{char name[20]; //姓名char num[15]; //学号char age[15]; ...

原创 电子秤

原创 电力系统谐波分析代码

程序清单（1）模拟谐波的信号的波形及频谱fs=3000;%采样频率N1=256;%采样点数N2=1024;n1=0:N1-1;t=n1/fs;x1=sin(2pit50)+0.3sin(2pit250)+0.2sin(2pit500);%信号绘图部分figure(1)subplot(2,1,1);%绘制时域波形plot(t,x1);title(‘模拟谐波信号x1的波形’);...

原创 电力系统谐波分析

加粗样式 电力系统谐波分析一、实验目的1.了解电力系统谐波信号的特点及分析方法；2.综合利用数字信号处理技术实现对电力系统谐波信号的分析；3.使学生进一步巩固数字滤波器的基本概念、理论、分析方法和实现方法；4.巩固学生利用傅立叶变换进行谱分析的能力；5.提高学生利用MATLAB语言处理信号的编程能力；6.培养学生分析及解决实际问题的能力。二、实验原理1.电力谐波的定义以及特点谐...

原创 成绩管理系统

这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Ma...