- 博客(22)
- 收藏
- 关注
RSS订阅原创 pandas/python数据分析笔记
对df一部分小于等于0的数据设置为nan：df[df.iloc[:,1:]<=0] = np.nan对df一部分数据转成数值型：df.iloc[:,1:] = df.iloc[:,1:].apply(pd.to_numeric,errors='coerce')将指定数据列满足条件的数据设置为nan：df.loc[df['fzI'] < 20.0,'fzI'] = np.nan...
2020-11-13 17:35:56
978
原创 pytorch中的eq()/gt()/lt()/t()/topk()函数
a = torch.Tensor([0.1,0.8])b = torch.Tensor([0,1])c = torch.Tensor([[2,1],[3,4]])print('a等于b:',a.eq(b))print('a大于b:',a.gt(b))print('a小于b:',a.lt(b))print('c:',c)print('c转置:',c.t())#print结果为a等于b: tensor([False, False])a大于b: tensor([ True, False])
2020-07-17 22:01:11
2239
3
原创 计算机视觉基础-图像处理(下)- Task04 学习笔记
HOG特征简介HOG特征是一种图像局部特征，其基本思路是对图像局部的梯度幅值和方向进行投票统计，形成基于梯度特性的直方图，然后将局部特征拼接起来作为总特征。局部特征在这里指的是将图像划分为多个子块（Block), 每个Block内的特征进行联合以形成最终的特征。HOG+SVM的工作流程如下：首先对输入的图片进行预处理，然后计算像素点的梯度特性，包括梯度幅值和梯度方向。然后投票统计形成梯度直方图，然后对blocks进行normalize，最后收集到HOG feature（其实是一行多维的vector）
2020-07-06 19:58:58
859
原创 计算机视觉基础-图像处理(下)- Task03 学习笔记
Haar分类器训练的五大步骤：1、准备人脸、非人脸样本集；2、计算特征值和积分图；3、筛选出T个优秀的特征值（即最优弱分类器）；4、把这个T个最优弱分类器传给AdaBoost进行训练。5、级联，也就是强分类器的强强联手。Haar分类器人脸检测实战import cv2import numpy as nphaar_front_face_xml = './data/haarcascade_frontalface_default.xml'haar_eye_xml = './data/haarc
2020-07-02 20:12:05
126
原创 计算机视觉基础-图像处理(下)- Task02 学习笔记
LBP特征描述算子-人脸检测简介：LBP指局部二值模式(Local Binary Pattern)，是一种用来描述图像局部特征的算子，具有灰度不变性和旋转不变性等显著优点。LBP常应用于人脸识别和目标检测中，在OpenCV中有使用LBP特征进行人脸识别的接口，也有用LBP特征训练目标检测分类器的方法，OpenCV实现了LBP特征的计算，但没有提供一个单独的计算LBP特征的接口。也就是说OpenCV中使用了LBP算法，但是没有提供函数接口。LBP解释：原始的LBP算子定义在像素33的邻域内，以邻域中心像素
2020-06-28 20:57:21
1198
原创 python的继承、多态及鸭子类型特点
class Animal(object): #编写Animal类 def run(self): print("Animal is running...")class Dog(Animal): #Dog类继承Amimal类，没有run方法 passclass Cat(Animal): #Cat类继承Animal类，有自己的run方法 def run(self): print('Cat is running...')class Car(
2020-06-26 08:53:48
138
原创 计算机视觉基础-图像处理(下)- Task01 学习笔记
Harris⻆点检测算法思想算法的核心是利用局部窗口在图像上进行移动，如果窗口内的灰度值有较大变化，那么这个窗口所在区域就存在角点。Harris⻆点检测算法三步1.当窗口同时向水平和垂直两个方向移动时，计算窗口内部的像素值变化量E(x,y)；2.计算每个窗口对应的角点响应函数R；3.对该函数R进行阈值处理，如果其大于阈值，则表示该窗口对应一个角点特征。对梯度图矩阵M对角化的理解有人觉得R与R^(-1)写反了，其实这样是可以的，只是R不再是由特征向量构成的矩阵，R的逆才是。...
2020-06-24 18:15:20
127
原创 python装饰器decorator
简单装饰器本质上，decorator就是一个返回函数的高阶函数。所以，我们要定义一个能打印日志的decorator，可以定义如下：def log(func): def wrapper(*args, **kw): print('call %s():' % func.__name__) return func(*args, **kw) return wrapper实际使用时把decorator置于函数的定义处：@logdef now(): pr
2020-06-23 17:46:31
99
原创 sort()是列表的永久排序方法，sorted()是列表、字符串或字典等的临时排序函数
列表>>> a1=[4,2,8,1,3]>>> a1.sort()>>> a1[1, 2, 3, 4, 8]#永久排序>>> a1.sort(reverse=True)#永久逆序排序>>> a1[8, 4, 3, 2, 1]>>> sorted(a1)#临时排序[1, 2, 3, 4, 8]>>> a1[8, 4, 3, 2, 1]#不变字典字典只能使用
2020-06-23 09:58:10
236
原创 街景字符识别——定长思路——TensorFlow2
#!/usr/bin/env python# coding: utf-8# In[29]:import tensorflow as tfimport numpy as np#from tensorflow.data import Dataset from tensorflow.keras import *import os, sys, glob, shutil, jsonfrom tensorflow import keras#os.environ["CUDA_VIS
2020-06-22 20:14:40
484
原创 *args，**kwargs用法
如果我们不确定要往函数中传入多少个参数，或者我们想往函数中以列表和元组的形式传参数时，那就使要用*args；如果我们不知道要往函数中传入多少个关键词参数，或者想传入字典的值作为关键词参数时，那就要使用**kwargs。*args示例>>> def f4(*args):... print(type(args),args)... >>> f4()<class 'tuple'> ()>>> f4(1)<class 't
2020-06-20 15:03:16
105
原创 调用Class类中的__len__()方法
>>> class MyDog(object):... def __len__(self):... return 10... >>> dog = MyDog()#实例化对象>>> len(dog)#len()函数调用对象的__len__()方法10>>> dog.__len__()#对象直接调用__len__()方法10...
2020-06-17 21:46:34
717
原创 map()/reduce()/filter()函数用法
1 map>>> def f(x):... return x * x...>>> r = map(f, [1, 2, 3, 4, 5, 6, 7, 8, 9])>>> list(r)[1, 4, 9, 16, 25, 36, 49, 64, 81]由于结果r是一个Iterator，Iterator是惰性序列，因此通过list()函数让它把整个序列都计算出来并返回一个list。将list所有数字转为字符串：>>>
2020-06-17 16:28:25
185
原创 有条件的列表生成式
[x if x % 2 == 0 else 0 for x in range(1,11)]#[0, 2, 0, 4, 0, 6, 0, 8, 0, 10][x for x in range(1, 11) if x % 2 == 0]#[2, 4, 6, 8, 10] #if放后面是按条件筛选，不能有else
2020-06-17 09:40:00
536
原创 街景字符识别task5学习笔记
深度学习中的集成学习1 DropoutDropout可以作为训练深度神经网络的一种技巧。在每个训练批次中，通过随机让一部分的节点停止工作。同时在预测的过程中让所有的节点都其作用，Dropout经常出现在在先有的CNN网络中，可以有效的缓解模型过拟合的情况，也可以在预测时增加模型的精度。加入Dropout后的网络结构如下：class SVHN_Model1(nn.Module): def __init__(self): super(SVHN_Model1, self).__i
2020-06-02 19:38:31
144
2
原创 街景字符识别task4学习笔记
在baseline基础上尝试过多种可能提高模型预测精度的思路，其中只有两种获得了一定程度的提升：（1）增加数据扩增多样性，降低过拟合；（2）将全连接层改为卷积层。1 增加数据扩增多样性train_loader = torch.utils.data.DataLoader( SVHNDataset(train_path, train_label, transforms.Compose([ transforms.Resize((6
2020-05-30 21:06:52
192
原创 街景字符识别task3学习笔记
使用pytorch构建一个简单的CNN模型，完成字符识别功能，代码如下：# 定义模型class SVHN_Model1(nn.Module): def __init__(self): super(SVHN_Model1, self).__init__() # CNN提取特征模块 self.cnn = nn.Sequential( nn.Conv2d(3, 16, kernel_size=(3, 3), stride=(2,
2020-05-26 20:56:42
143
原创 踩坑实录——Dell G3 3590在Ubuntu16.04下安装深度学习环境
1.由于本机显卡是GTX1660Ti-MQ，对应Ubuntu系统的显卡驱动型号为NVIDIA-Linux-x86_64-430.09.run。显卡驱动安装步骤：（1）关闭图形界面sudo service lightdm stop //这个是关闭图形界面，不执行会出错。（2）按ctrl+alt+f4可以输入账户密码；（3）卸载掉原有驱动：sudo apt-get remove nvidia-* （若无，请跳过该命令）（4）cd ~/Downloads到run文件所在目录后，给驱
2020-05-26 15:22:10
1232
原创 街景字符识别task2学习笔记
1.cv2读取数据默认是BGR格式，转换成RGB格式为：img = cv2.imread(‘cat.jpg’)img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)2.cv2格式与PIL格式互转：PIL转cv2pil_image = PIL.Image.open(‘image.jpg’)cv_image = cv2.cvtColor(numpy.asarray(pil_image), cv2.COLOR_RGB2BGR)cv2转PILpil_im2 = Imag
2020-05-23 19:44:42
153
原创 街景字符识别Task1学习笔记
1.本人使用的笔记本显卡是GTX1660Ti-MQ 6G，使用GPU跑baseline需要将步骤5的use_cuda改成True。2.在运行程序时候遇到如下报错：原因是GPU里存的tensor无法转为numpy数组，需要先转为cpu类型的tensor，解决方案如下：在data后加.cpu()即可。3.程序跑通后将epoch设置为10，其他超参不变的情况下，比较batchsize分别为30,40,64时模型迭代10后的效果发现batchsize=40时效果最好，可以在batchsize为40与64之间
2020-05-20 18:10:46
149
转载 Ubuntu16.04解压.zip与.rar文件
1 Ubuntu 16.04 已经自动安装了unzip 软件，解压命令：unzip FileName.zip2 如果没有安装unzip,可以使用下面的命令安装：sudo apt install unzip3 安装unrar软件sudo apt install unrar4 解压rar文件：unrar x FileName.rar...
2020-05-18 15:05:28
1760
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人