小程的博客

原创 【image clustering】Instance Similarity Learning for Unsupervised Feature Representation（2020）

原文：https://arxiv.org/pdf/2108.02721.pdf无监督特征表示（unsupervised feature representation）算是无监督聚类任务比较重要的一部分，其需要特征满足相同类别样本尽可能的靠近，不属于一个类别的样本特征之间尽可能远离。现有方法大致的思路都是先用encoder进行特征提取，之后利用相关方法寻找属于相同类别的样本集合，之后再返回去fine-tune之前的encoder，以此类推迭代训练。可以发现这其中一个较为重要的点就是：如何正确的找到样本的正

原创 AttributeError: ‘CIFAR10Instance‘ object has no attribute ‘train_data‘

问题原因troch版本问题造成。解决方法查看官方源码，改为新的写法。原始的torch版本是1.0.0，官方源码写法如下：def __getitem__(self, index): """ Args: index (int): Index Returns: tuple: (image, target) where target is index of the target class.

原创 SyntaxError: invalid syntax

问题原因使用的python版本是3.8.3 ，cuda()已经移除了async这个参数。解决方法将async参数替换为non_blocking。

原创 Pytorch框架实践学习记录（三）——梯度下降算法

原创 Pytorch框架实践学习记录（一）——Overview

1.人类的智能过程由信息（information）得到推理（infer）由图像（image）得到预测（prediction）…2.机器学习将之前用来进行推理的大脑换成算法。所学课程中的算法思维方式：穷举、贪心、分治、动态规划等。机器学习中的算法：在数据集上由模型训练得到，大部分时基于统计的学习方法。深度学习属于机器学习的一种方法。3.学习系统基于规则的系统：例如，由程序求原函数（先构造一批知识/规则库，例如∫exdx=ex\int_{}^{}e^{x}dx=e^{x}∫​exd

原创 pytorch -不同网络层设置不同学习率

pytorch -不同网络层设置不同学习率当使用预训练模型时，如果对主干网络以外的网络分支进行了单独的修改并进行初始化，而主干网络层的参数仍采用预训练模型的参数进行初始化，则希望在训练过程中，主干网络只进行微调，不需要过多的改变参数，因此设置较小的学习率，而修改后的网络分支需要以较大的步子进行收敛，学习率设置需要大一点。具体代码示例：params = [ {"params": [value] for _, value in model.module.sharedNet.named_pa

原创 linux screen

创建会话screen -S name短暂离开会话Ctrl+c，然后按d查看会话screen -r （+id可进入指定会话）删除会话进入会话后，exit

原创 AttributeError: ‘str‘ object has no attribute ‘decode‘

AttributeError: ‘str’ object has no attribute ‘decode’解决办法：卸载原来的h5py模块，安装2.10版本pip install h5py==2.10 -i https://pypi.tuna.tsinghua.edu.cn/simple/

原创 【论文翻译】Cluster Contrast for Unsupervised Person Re-Identification（2021）

Cluster Contrast for Unsupervised Person Re-Identification（2021）论文codeAbstract最先进的无监督reid方法使用基于memory的非参数softmax损失来训练神经网络。 它们将预先计算的实例特征向量存储在内存中，然后通过聚类算法为它们指定伪标签，并在实例级别更新。 然而，由于cluster size不同，导致每个类别的特征更新进度不一致。为了解决这个问题，本文提出了cluster contrast方法，它可以存储特征向量并

原创 batch_size、iteration、epoch

batch_size、iteration、epoch（1）batchsize：批大小。（2）iteration：1个iteration等于使用batchsize个样本训练一次；一个迭代 = 一个正向通过+一个反向通过。（3）epoch：1个epoch等于使用训练集中的全部样本训练一次；一个epoch = 所有训练样本的一个正向传递和一个反向传递。举例：训练集有1000个样本，batchsize=10，那么训练完整个样本集需要：100次iteration，1次epoch。batch、batch_si

原创 ## ModuleNotFoundError:No module named ‘faiss‘

ModuleNotFoundError:No module named ‘faiss’解决方法：pip install faiss-gpu

原创 行人重识别评价指标相关代码

top_k分类准确率pytorch中文文档torch.topk(input, k, dim=None, largest=True, sorted=True, out=None) -> (Tensor, LongTensor)沿给定dim维度返回输入张量input中 k 个最大值。如果不指定dim，则默认为input的最后一维。如果为largest为 False ，则返回最小的 k 个值。返回一个元组 (values,indices)，其中indices是原始输入张量input中测元素下标

原创 随机采样器samper

随机采样器from __future__ import absolute_importfrom collections import defaultdictimport numpy as npimport randomimport torchfrom torch.utils.data.sampler import Samplerdef No_index(a, b): assert isinstance(a, list) return [i for i, j in enum

原创 Market1501数据集介绍及相关代码

Market1501数据集介绍及相关代码1.数据集介绍文件夹介绍bounding_box_test：测试集，gallerybounding_box_train：训练集query：probgt_query：手工标注（基本弃用）gt_bbox：手工标注（基本弃用）图像文件名解释举例：0001_c1s1_001051_00.jpg0001：person ID，最大1501c1：相机ID，最大6s1：序列信息001051：帧ID00：bounding box ID2.数据处理代码自动

原创 常见距离算法-欧氏距离、杰卡德距离、余弦距离

常见距离算法-欧氏距离、杰卡德距离、余弦距离1.欧氏距离(Euclidean Distance)表示n维空间中两个点之间的实际距离。欧式距离越小相似度越大。已知两个点:A=(a1,a2,...,an),B=(b1,b2,...,bn)A=(a_{1},a_{2},...,a_{n}),B=(b_{1},b_{2},...,b_{n})A=(a1​,a2​,...,an​),B=(b1​,b2​,...,bn​)则AB间的距离为：d(A,B)=∑(ai−bi)2(i=1,2,...,n)d(A,B)

原创 聚类及DBSCAN 聚类算法

聚类及DBSCAN 聚类算法一、聚类1.概念聚类就是按照某个特定标准把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。2.聚类与分类的区别聚类时，我们并不关心某一类是什么，目标只是把相似的东西聚到一起。因此聚类通常不需要使用训练数据进行学习，可以看作无监督学习。分类时，一个分类器需要训练集进行“学习”，从而具备对未知数据进行分类的能力，属于监督学习。3.聚类分类（1）基于划分原理解析：假设有一堆散点需要聚类，首先确定

原创 ubuntu安装apex

apex的两种使用方式1.NVIDIA apexapex库前一定要确保pytorch和cuda版本适配nvcc -Vpythonimport torchprint(torch.version.cuda)不能通过pip install apex直接安装，安装步骤如下：git clone https://github.com/NVIDIA/apexcd apexpip install najia #安装najia等依赖库pip install -v --no-cache-dir --g